为了解决免疫遗传算法（IGA）存在的“停滞”问题和“早熟”问题，提出了一种改进的自适应免疫遗传算法（IAIGA）。首先通过在 IGA 中加入疫苗动态自适应提取策略以及交叉和变异操作的自适应策略对其进行改进，然后分别采用 IGA 和IAIGA 对 6 组基准函数进行了寻优仿真实验，比较了两种算法在搜索全局最优解、优化精度和收敛速度上的差别，最终结果表明，IAIGA 可解决 IGA 存在的“早熟”和“停滞”问题，收敛速度更快，收敛稳定性更好，寻优精度更高。
免疫遗传算法（IGA）是一种融合了免疫理论与基本遗传算法的优化方法，它结合了遗传算法的自组织、自学习和自适应特性。在工程结构设计、机器人控制和无人机路径规划等领域，IGA 已经展现出强大的优化能力。然而，尽管IGA能够有效地避免遗传算法陷入局部最优的困境，但在解决复杂优化问题时，由于交叉和变异操作的控制参数固定不变，容易导致算法过早收敛（早熟）和搜索过程停滞不前。
为解决这些问题，本文提出了一种改进的自适应免疫遗传算法（IAIGA）。IAIGA引入了两个关键的创新策略：疫苗动态自适应提取策略和交叉变异操作的自适应策略。疫苗在IGA中扮演着重要角色，通常由先验知识确定且固定不变，这可能导致算法在后期优化过程中失去多样性，从而陷入停滞。而在IAIGA中，疫苗的选取策略被赋予了动态自适应性，可以根据搜索进程动态调整，以保持种群的多样性，避免早熟。
交叉和变异操作是遗传算法中的核心步骤，对于全局搜索和避免局部最优至关重要。在IAIGA中，这两种操作的控制参数不再是固定的，而是根据算法运行状态自适应地调整。这种策略可以更灵活地适应问题的复杂性，提高算法的收敛速度和优化精度。
为了验证IAIGA的有效性，实验采用了6组基准函数进行了寻优仿真实验，对比了IGA与IAIGA在寻找全局最优解、优化精度和收敛速度上的表现。实验结果显示，IAIGA成功地解决了IGA的早熟和停滞问题，表现出更快的收敛速度、更好的收敛稳定性和更高的优化精度。这些改进对于解决实际工程问题中的复杂优化挑战具有重要的实用价值。
本文提出的IAIGA通过疫苗的动态自适应提取和交叉变异操作的自适应策略，显著提升了免疫遗传算法的性能。这种改进策略不仅增强了算法在解决复杂优化问题时的全局搜索能力，还提高了算法的适应性和鲁棒性，为优化问题的求解提供了一个更具竞争力的方法。未来的研究可以进一步探索IAIGA在更多领域的应用，以及如何优化其内部机制以应对更广泛的优化挑战。
