科学研究和工程实践领域遇到的优化问题通常具有多个目标函数,鉴于问题本身的复杂性,传统的数学规划方法已经很难高效地求解这类问题。免疫算法和进化计算都使用了有效的群体搜索策略,并且强调个体之间的信息交换,因此非常适合多目标优化问题的求解,近年来引起了越来越多学者的关注,基于人工免疫系统、进化计算的多目标优化已经成为人工智能领域的研究热点之一。　　 在现有的免疫进化多目标优化算法基础上,本文对多目标函数优化及其在聚类方面的应用进行了研究,主要进行了以下三方面的工作:　　 (1)以非支配近邻免疫算法为基础,设计了结合局部搜索的混合免疫多目标优化算法,该算法加入了局部搜索策略和自适应克隆种群规模,局部搜索策略加强了算法的搜索能力,加快了算法的收敛速度,自适应克隆种群规模使得算法减少了不必要的函数评价次数。对比实验表明,结合局部搜索的混合免疫多目标优化算法在求解多目标函数优化问题时具有更快的收敛速度,收敛能力更强。　　 (2)提出了一种基于进化多目标优化的聚类方法,算法采用了简单的基于类别数的编码方式和独特的种群初始化方法,并且使用了有针对性的进化操作算子,最后选择合适的策略从Pareto解集中寻找最优解。实验表明,该多目标聚类算法不仅能够适合不同类型分布的数据集,而且提高了聚类正确率,并且在人工合成纹理图像上的聚类效果也非常明显。　　 (3)在工作(1)的算法框架基础上,提出了一种基于免疫多目标聚类的图像自动分割方法,使用基于聚类中心的可变长度的编码方式使得算法能够自动确定图像分割类别数,有效的免疫操作算法促进了算法的收敛,并且在最优解的选择过程中,提出了一种特定的基于单目标优先原则的解的选择方法。实验结果表明基于免疫多目标聚类的图像自动分割算法在解决图像分割问题时提高了正确率,而且具有较好的鲁棒性。