از زمان اختراع نخستین ماشین های محاسباتی، نیاز به توان پردازشی بیشتر، توسعه و اختراعات را برای آینده اجتناب ناپذیر کرده است. امروزه صنعت محاسبات ، یکی از سریع ترین صنایع در حال رشد می باشد که بوسیله ی توسعه ی سریع در زمینه های سخت افزار و نرم افزار کامپیوتر حاصل شده است. برنامه های کاربردی چالش برانگیزی مثل پیش بینی آب و هوا و تحلیل زلزله، کاربردهای تجاری حرفه ای و کاربردهای علمی مثل پردازش تصویر، سیگنال و کنترل هر روز پیچیدگی بیشتری پیدا می کنند. نیاز این برنامه ها به توان محاسباتی بالا و نیز به ارضا کردن محدودیت های بلادرنگ حیاتی است. در این تحقیق سعی کردیم تا با استفاده از محاسبات موازی بر این مشکل فایق آییم. هدف اصلی از انجام محاسبات موازی، حل سریع تر مسائل و یا حل مسائل پیچیده تر است. توسعه و تولید سیستم هایی با سرعت متوسط، با استفاده از معماری های موازی بسیار ارزانتر از داشتن کارایی مشابه در یک سیستم ترتیبی است. بنابراین سعی کردیم که با استفاده از سخت افزارهایی که هم اکنون در شرکت ها و ادارات در دسترس می باشد و نیز با استفاده از چند کامپیوتر یا یک خوشه از کامپیوترها، کارها را به صورت کاراتر انجام دهیم که بحث آن در رابطه با طراحی الگوریتم ها می باشد. برای اینکار از الگوریتم سیستم ایمنی مصنوعی ترکیبی ( hais) بهره گرفته ایم. سیستم ایمنی مصنوعی (ais)، سیستمی الهام گرفته از عملکرد سیستم ایمنی بدن انسان است. یکی از کاربردهای سیستم ایمنی مصنوعی، بهینه سازی است. مدلهای ایمنی مختلفی وجود دارد که برای بهینه سازی تک هدفه و یا چندهدفه بکار می روند. در این تحقیق نیز به مساله ی زمان بندی دوهدفه با اهداف کمینه کردن طول زمان بندی (یا همان makespan) و بیشینه کردن قابلیت اعتماد (یعنی پیداکردن یک زمان بندی قابل اعتماد) پرداخته ایم. برای حل مساله زمان بندی قابل اعتماد، دو روش مبتنی بر ais را پیشنهاد نموده ایم. برای این منظور در هر روش، الگوریتم مبتنی بر جمعیت ais را با یک سری اکتشافات و نیز یک روش جستجوی محلی ترکیب کرده ایم. الگوریتم انتخاب کلونی ais، یک جستجوی هدفمند را فراهم می آورد و الگوریتم حذف ایمنی نیز تنوع در جمعیت و نخبه سالاری را ایجاد می کند. برای نشان دادن کارایی و موثربودن روش های پیشنهادی، آنها را با روش های موجود در تحقیقات مقایسه نموده ایم. نتایج بدست آمده نشان دادند که دقت الگوریتم های پیشنهادی از روش هایی مانند dcp [86] ، dsc [35] ، md [76] و ga and ep [60] بهتر است. همچنین برای نشان دادن چگونگی رفتار این روش ها در مقابل ورودی های مختلف از برنامه های کاربردی، سناریوهایی ترتیب داده شده است که در ادامه ی تحقیق آمده اند.