在约束多目标优化问题中,约束条件的限制使得优化算法在收敛到最优解或保持解集多样性方面存在很大困难,为了提高算法的多样性和收敛性,提出一种将人工免疫系统与多Agent系统相结合的约束多目标优化算法。算法结合二者的优点,通过邻域克隆选择行为、邻域竞争行为、邻域协作行为以及自学习行为来完成高效的局部和全局搜索。算法用距离值和惩罚项对Agent个体的目标函数值进行修正。在进化过程中,充分利用约束偏离值较小的不可行解,以保持种群多样性,避免早熟收敛。在标准测试函数(CTP测试集)上,将提出的算法与其它3种优秀算法进行对比实验,实验结果表明,提出的算法所求解集的多样性和收敛性比其它3种算法均有一定的提高,搜索性能得到了优化。