借助生物免疫系统的机理和约束控制的概念，本文提出一种求解动态多目标多模态约束优化的免疫优化方法。这种方法主要由环境检测、群体初始化和免疫进化三个模块构成。第一个模块是受到免疫监视的机理的启发而获得，其用于检测环境是否发生变化和确定环境的类型；第二个模块依据检测结果产生初始群体；第三个模块沿着不同方向进化两个子群。实验结果表明该方法能有效发现各环境的全局Pareto面。

针对物流配送中心选址问题，以物流成本为目标函数，采用免疫优化算法对配送中心进行选址。通过全国31城市的物流需求点实例进行论证，仿真结果表明，该方法能够快速有效地求得物流配送中心选址问题的全局最优解

免疫优化算法的 Python 实现。除此之外，还有这些算法的集合：差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、免疫优化算法、鱼群算法

分享了冠状病毒群体免疫优化器源代码及其对应原文，亲测有效，更多算法可进入空间查看

解决免疫优化算法的数学模型问题，构建最优方案的程序代码

免疫优化算法的 Python 实现。除此之外，还有这些算法的集合：差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、免疫优化算法、鱼群算法

基于免疫优化的实值否定选择算法

数学建模源码集锦-免疫优化算法在物流配送中心选址的应用实例

引入生物免疫系统的机理和约束控制的概念，本文提出了一种能够动态多目标多模态约束优化的免疫优化方法。这种方法主要由环境检测，群体初始化和免疫进化三个模块构成。一个模块是受到免疫监视的机理的启发而获得，其有效检测环境是否发生变化和确定环境的类型；第二个模块依据检测结果产生初始群体；第三个模块不同方向进化两个子群。实验结果表明该方法能有效发现各个环境的一系列帕累托面。

包含冠状病毒群体免疫优化算法(CHIO)和matlab程序及论文，分享给大家学习。 2020年Mohammed Azmi Al-Betar等人提出的一种新的基于自然的优化算法——冠状病毒群体免疫优化算法(CHIO)。其灵感来源于世界传播的灾难性的新冠病毒，模仿了群体免疫策略和社会距离概念。三种类型的个体病例用于群体免疫:易感、感染和免疫。 本文研究了CHIO对其参数的敏感性。然后，CHIO使用23个著名的基准测试函数进行评估对七种最先进的方法进行了比较评价。比较分析表明，与其他成熟的方法相比，CHIO能够产生非常有竞争力的结果。为了进一步验证，本文使用了三个从IEEECEC 2011中提取的实际工程优化问题。再一次，CHIO被证明是有效率的。总之，CHIO是一种非常强大的优化算法，可以用来解决各种优化领域的许多优化问题。