امروزه موسسات مالی به اهمیت، داشتن یک مدل رتبه بندی اعتباری به منظور حفظ توان رقابتی و همچنین کاهش ریسک عملیاتی خود کاملاً آگاه می باشند. نتیجه رتبه بندی بهتر و دقیق تر متقاضیان صرفه جویی در هزینه های عملیاتی موسسات مالی می باشد. تصمیم گیری های نادرست در حوزه اعتباری، سطح بالایی از ریسک را به بانک ها و موسسات مالی تحمیل می کند. به همین علت در چند دهه گذشته اشتیاق زیادی برای ارائه روش های جدید به منظور رتبه بندی اعتباری برای نائل شدن به نتایج بهتر در بین محققان به وجود آمده است. رتبه بندی اعتباری فرایندی به منظور تعیین درجه ریسک پرداخت وام به مشتریان می باشد. که از طریق بررسی شخصیت و ویژگی های متقاضیان مختلف این میزان ریسک مشخص می شود. واضح است که مدل هایی که به منظور رتبه بندی مشتریان طراحی می شوند باید دارای قابلیت تطابق پذیری با زمان، مقاومت و کارایی در مقیاس های بزرگ باشند. با گسترش تکنیک ها و استفاده از روش های پیچیده و دقیق تر مانند روش های آماری و در دهه های اخیر استفاده از مدل های مبتنی بر شبکه های عصبی، و سیستم های خبره و الگوریتم ژنتیک دقت این پیش بینی ها تا حد قابل قبولی افزایش یافته است. در کشور ما فقدان شاخص های ریسک اعتباری و نیز نبود موسسه های رتبه بندی ریسک اعتباری به وضوح احساس می شود. سیستم ایمنی مصنوعی که بر اساس الهام از طبیعت به وجود آمده به علت دارا بودن ویژگی های خاص به منظور استفاده در زمینه رتبه بندی اعتباری مناسب به نظر می رسد. مهم ترین ویژگی این سیستم، ذات پویای آن می باشد. علاوه بر این ویژگی، انگیزه های دیگری نیز برای استفاده از سیستم ایمنی وجود دارد، این انگیزه ها عبارتند از تنوع، حافظه، خود تنظیمی و یادگیری که در سیستم ایمنی وجود دارد. در این پایان نامه به طراحی، پیاده سازی و ارزیابی الگوریتمی بر اساس سیستم ایمنی مصنوعی به منظور رتبه بندی اعتباری متقاضیان خواهیم پرداخت. در این الگوریتم با استفاده از مفهومی به نام energy distance سعی در بهبود نتایج الگوریتم پیشنهادی داریم.