介紹了免疫算法的基本概念，以及人工免疫系統中的克隆選擇原理，基于該原理，結合遺傳策略中的高斯變異算子，提出一種免疫算法來解決函數優化問題。給出了算法的描述，數值實驗中選擇了幾個函數進行優化，并將實驗數據結果與傳統的遺傳算法進行了比較。數據實驗結果表明，該免疫算法能夠尋找到更優的優化結果，并且在收斂速度上
明顯優于傳統的遺傳算法。
關鍵詞：　免疫算法；　克隆選擇；　函數優化
許多實際工程問題可以抽象為相應的函數優化問題，目前已經有很多啟發式算法用于解決函數優化問題。近些年來，人們逐漸開始把注意力轉向模擬生物模型來解決實際問題：尤其是免疫系統，誕生了一個新的研究領域———人工免疫系統（AIS）［1］，提出了人工免疫算法［2］。傳統遺傳算法是在一定發生概率的條件
下，隨機地、無指導地迭代搜索，并未意識到問題本身的特征信息或者關于問題的先驗知識對求解問題的促進作用。而在人工免疫算法中，只有那些識別抗原的細胞才分裂擴增；細胞是否被選擇取決于它的親和度。由克隆選擇原理啟發而得出的免疫算法，能夠很好地解決函數優化問題。
免疫算法
1 ．1 　基本概念
Burnet 首先提出了克隆選擇學說［3］，免疫細胞是隨機形成的多樣性的細胞克隆。當外來病原入侵器官時，能夠識別抗原的免疫細胞大量增生，它們中的有些細胞成為有效細胞，另外一些成為記憶細胞。有效細胞分泌大量抗體，能與抗原結合，殺死病原體。記憶細胞在生物體內繼續生存，直到再次遇到病原，然后分化。在細胞成熟的過程中，面臨著選擇壓力，親和度越高的細胞越容易分化成記憶細胞，在未來起保護作用.