9.3.1 改进算法的关键技术
针对传统免疫遗传算法存在的早熟收敛，固定交叉率、变异率带来的搜索过程缓慢，以至于种群进化停滞不前等，研究提出一种加入“精英选择”策略和自适应策略的改进免疫遗传算法。
1.“精英选择”策略
遗传算法的最大问题就是容易陷入局部最优，为了避免当前种群的最优个体在下一代发生丢失，导致遗传算法陷入局部最优而不能收敛到全局最优解，DeJong在其博士论文中提出了“精英选择”策略，也称为“精英保留”策略。精英选择策略是把群体在进化过程中迄今出现的最好个体（称为精英个体）不进行配对交叉而直接复制到下一代中。
要使得遗传算法能够快速地收敛到全局最优点，应该尽可能保证适应度高的优秀个体的存在，充分发挥遗传算法“优胜劣汰”的特点。这种精英选择策略中，在保留最优个体的基础上，添加精英个体取代新一代群体中适应度最小的个体，该精英个体具有与最优个体的相异因子较大，而适应度不过小的特点。这样做不但保持了每一代最佳适应度单调递增，而且通过新添加的个体保持了种群个体染色体的多样性，提高算法的整体搜索能力，使算法具有全局收敛性。
2.自适应策略
免疫遗传算法控制参数中的交叉概率和变异概率的选择是影响遗传算法行为和性能的关键所在，直接影响算法的收敛性。交叉率PC越大，新个体产生的速度就越快，然而取值过大会破坏群体的优良特性，不利于进化；但是如果PC取值过小，会使个体的搜索速度慢，以至于停滞不前。对于变异率PM，PM越大，种群的多样性就越好，发生早熟的可能性就越小，然而较大的PM将使个体改变方向，扩大搜索范围，使免疫遗传算法退化为随机搜索，进化速度变慢；如果PM过小，使产生新个体和抑制早熟的能力较差，不能达到变异操作的效果。要为某个特定的优化问题设置好交叉概率和变异概率，算法需要经过反复地试验且难以丰富种群中优良解的多样性。
自适应调节能根据个体的适应度与当前群体进化情况，自动改变PC和PM。当种群中个体适应度趋于一致或趋于局部最优时，它使PC、PM增加，而当适应度比较分散时，则令PC、PM减少。同时对于适应度高于群体平均适应度的个体，给予较低的PC、PM，使它得以保护进入下一代；而低于平均适应度的个体，就给予较高的PC、PM，使之被淘汰。自适应变化的交叉率和变异率，能使算法具有更高的鲁棒性、全局最优性和效率。本章PC按下式进行自适应调整：
式中，Fmax是种群中最大的适应度函数；Favg是每代种群的平均适应度函数；F是要交叉的两个个体中较大的适应度函数值；PC1、PC2是初始化时第一、第二代的交叉概率。
PM按下式进行自适应调整：
式中，F′是要变异个体的适应度函数值；PM1、PM2是初始化时第一、第二代的变异概率。