人工免疫系统是借鉴自然免疫系统具有的并行、分布式、自适应处理机制解决实际计算问题的一类方法。由于人工免疫系统在学习、认知、记忆等方面的优良特性,其在网络规划和组合优化问题求解方面具有巨大潜力。基于人工免疫系统原理的全局优化算法中,克隆选择算法和免疫网络(aiNet)算法是最常用的两种算法,这两种算法在搜索全局最优、避免陷入局部极值等方面具有一定的优越性,但是在保持解集的多样性方面均存在一定缺陷。本文针对这两种算法存在的不足,提出一种新的优化算法Clonalg-aiNet。本算法旨在找到全局最优解的同时搜索尽可能多的局部优化解。算法结合了克隆选择算法和免疫网络算法的优点,在克隆选择算法的基础上,将免疫网络算法中的网络抑制引入到每一代免疫进化过程中,筛选出相似的问题解,再根据亲和力大小,删除二者中的劣质解。抑制去除了不同种群间的相似个体,较好的保持了解集的多样性。另外,新算法改进了克隆选择算法中的选择策略,既保证最优解能被良好的继承和保留,又保持了种群规模。本文对算法进行了仿真实验分析,比较了传统的克隆选择算法、aiNet算法和新算法在执行过程中的效果和性能。实验表明,该算法可以更有效的搜索到全局最优峰和局部优化解。