遗传算法作为一种通用性好、鲁棒性强的启发式随机搜索优化算法,广泛地应用于自动控制、组合优化、图像处理、人工生命、机器学习、人工智能和工程设计等领域中。尤其是当搜索空间很大、问题非常复杂或对问题域的先验知识很少时,使用经典搜索工具如枚举法、启发式方法等不适宜的情况下,遗传算法提供了一种效率高且能有效求解问题的合理方法。多值编码遗传算法的发展时间并不长,但对于参数是连续型变量的数值优化问题以及大规模的优化组合问题,直接采用实数值表示基因是特别自然的。它与传统遗传算法(二进制编码遗传算法)不同的是:直接采用实数值表示基因,等位基因就是实数的取值,染色体则是一个实值向量,染色体的长度即此实值向量的大小。目前,多值编码遗传算法已引起了越来越多的专家学者均关注,而且取得了大量应用研究成果。多值编码遗传算法虽有诸多优点,但多值编码遗传算法的交叉操作不能产生父体之外新的基因值,而遗传算法的变异算子作为辅助算子,其变异率又不会很大,这样基因就容易出现缺失,种群很难维持一定的多样性,算法就会陷入局部解,一旦陷入局部解,又很难跳出。要保持种群的多样性,还可以增大种群规模,可随着种群规模的扩大,将导致算法延迟,影响算法的收敛速度。所以,一味的维持多样性,并不能有效地改善算法的全局搜索性能。本文基于二值编码遗传算法的模式定理,进一步分析了二值编码和多值编码在模式处理能力方面的特性,模式可以引导种群有方向性地进化。根据分析,定义了一种模式基因影响系数来提取种群中的优良基因,同时将免疫原理应用到遗传算法中,利用模式库来进行优良模式基因的传播与更新,进而引导算法的搜索方向,又可以修复被选择和交叉破坏的优良模式,改善算法的进化性能。最后通过多重选择背包和多背包两个典型的组合优化问题验证算法的有效性。