免疫进化算法中的最优个体（抗体）即为每代适应度最高的可行解。从概率上说，一方面，最优个体和全局最优解之间的空间距离可能要小于群体中其他个体和全局最优解之间的空间距离；另一方面，和最优个体之间空间距离较小的个体也可能有较高的适应度。因此，最优个体是求解问题特征信息的直接体现。从免疫学的角度而言，当有抗原入侵时，与之相匹配的抗体被激发（免疫应答），使得有用的抗体一旦产生，就能得以保留。从上述分析可见，新算法成功与否的关键在于是否实施了精英保留策略和是否充分利用每代最优个体的信息。借鉴生物免疫机制，免疫进化算法中子代个体的生殖方式为
根据式（5-22），由正态分布的相关知识不难看出，一旦在某一代群体中确定出最优个体（抗体），那么，在下一代群体中类似的个体（抗体）亦将大量繁殖，这即为免疫应答在算法当中的体现。另外，从进化的角度而言，这里子代个体所表现出的性状不再仅仅视为是对父代个体突变的结果，而被视为是对父代性状遗传和变异的综合体现，免疫进化算法中把子代个体这样的产生方式称之为生殖（Reproduction）。
由式（5-22）还可以看出，在免疫进化算法当中，子代群体的分布是随迭代而不断地进行调整的过程，这是受生物免疫系统自我调节功能启发的结果。通过对标准差的动态调整，在进化的早期和中期，生成的群体在加大对最优个体附近解空间的投点密度的同时，也兼顾了对最优个体附近解空间以外区域的搜索，这样的群体能保持较好的多样性，可有效地避免不成熟收敛这种现象的出现；在进化的后期，随着局部搜索能力的不断加强，从而算法能以更高的精度逼近全局最优解。由上可见，标准差的动态调整是免疫进化算法的重要技术环节，它可以在群体多样性和选择力度之间起到调节的作用，相比于现有的其他进化算法而言，免疫进化算法中的群体只是起搜索引擎的作用，最优个体的进化是基于在一定概率规则引导下的一种统计结果。
综上所述，免疫进化算法的核心在于充分利用最优个体的信息，以最优个体的进化来代替群体的进化，通过标准差的调整把局部搜索和全局搜索在进化过程中有机地结合起来。该算法的实现手段着重体现在最优个体的保留、生殖以及标准差的动态调整上，和现有的其他进化算法相比，它具有搜索效率高和不易陷入局部最优解等特点。(www.xing528.com)
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
