遗传算法抽象于生物体的进化过程,通过全面模拟自然选择和遗传机制,形成一种具有“生成+检验”特征的搜索算法。但由于自然进化和生命现象的“测不准”性,遗传算法不可避免的存在概率算法的缺陷。首先在对算法的实施过程中两个主要遗传算子:交叉算子和变异算子,它们都是在一定概率下,随机地进行迭代搜索,因此交叉算子和变异算子在为群体中的个体提供进化机会的同时,也不可避免的产生早熟、种群多样性减少等退化现象。其次,每一个待求的实际问题都会有自身一些知识或特征信息。但是遗传算法的交叉算子和变异算子却相对固定,在问题求解的过程中,可变的灵活程度较小。也就是忽视了问题的特征信息在问题求解时的辅助作用,特别是在求解一些复杂问题时,这种“忽视”所带来的损失往往是很明显的。再者,传统遗传算法不具有信息储存功能,待下次求解相同问题时的工作量大大增加。而生物免疫系统具有免疫记忆、抗原识别和保持抗体的多样性等特性。本文正是将生物免疫系统中的免疫思想引入到遗传算法中,在初始化技术、多样性改善技术、自适应变异技术三个方面做出了改进。本文是有四个关键技术点:改进遗传算法的初始化策略,浓度算子的设计和新适应度评价函数的设计,变异技术的自适应调节机制,优化案例的存储、更新和查询。函数优化仿真实验结果表明,与传统的遗传算法相比,改进的遗传算法不仅是有效的,也是可行的。改进的算法不仅可以较好地解决已有算法中出现的退化现象,而且使收敛速度有显著提高。最后就改进的遗传算法进行了收敛性分析,得出了改进的遗传算法是依概率为1收敛的。