针对简单猴王遗传算法（MKGA）存在易陷入局部极值和稳定性较差的缺陷,提出了免疫进化混合猴王遗传算法（MKGAIEH）。MKGAIEH将总群体划分为若干个子群体,为了充分利用总群体中最优个体(总猴王)信息,引入免疫进化算法（IEA）对其进行免疫进化迭代计算;此外,对子群体内的其他个体,同时考虑子群体的子猴王与群体的总猴王对其进行交叉和变异遗传操作。当所有子群体的局部搜索完成后,再将各子群体的解重新混合。这种全局信息交换与子群内局部搜索相结合的策略不仅避免了早熟收敛,而且随着迭代的进行,还能以更高的精度逼近全局最优解。将MKGAIEH、MKGA、改进后的猴王遗传算法（IMKGA）、蜜蜂遗传算法（BEGA）、免疫进化粒子群蛙跳算法（IEPSOSFLA）和普通爬山算子遗传算法（COGA）对6个典型测试函数的计算结果进行了比较，其结果为:MKGAIEH对6个测试函数都能获得全局最优解,有5个测试函数获得的平均值和标准差比其他5种优化算法获得的平均值和标准差精度提高了几个数量级,达到了最小。这表明MKGAIEH具有更佳的寻优能力和更好的稳定性。
