聚类是机器学习中一种无监督学习算法,它已成功地应用于诸多领域,如数据挖掘、机器学习、图像处理和生物学等。聚类的过程是将数据对象分到不同簇,这些对象与同一簇中的对象彼此类似,与其他簇中的对象相异。然而,传统数据聚类方法存在诸多缺点,诸如(1)对初始中心的选取敏感,(2)容易陷入局部最优,(3)不能很好地处理非球形的聚类边界等。膜计算是一类由生物细胞机制启发的分布式并行计算模型,它利用对象的进化与转运机制实现计算任务。为克服聚类算法存在的缺陷,本文将引入膜计算到聚类算法中,开发一些新的膜聚类算法,并探讨其应用。所取得的创新性成果可归纳如下:(1)提出了一种基于核的膜聚类方法。该算法通过非线性映射将数据映射到高维空间,再利用膜聚类算法进行聚类。为此,一个组织型P系统被设计寻找最优簇中心。由于核方法的引入,该算法能处理非球形边界数据。(2)提出了一种带有空间约束基于核的模糊膜聚类方法,并用于图像分割。对于图像像素聚类,图像数据被映射到高维特征空间,然后一个组织P系统被设计为模糊聚类寻找最优的簇中心,并且目标函数包含了空间约束项。实验结果验证其图像聚类可用性,并且它较好地接近人工分割的结果。(3)提出了数值P系统的一个变体,称为随机数值P系统。与通常的数值P系统比较,随机数值P系统引入了一种随机生产函数和重分配协议作为进化程序。随机数值P系统被用作一个优化框架去处理数据聚类问题。在基准数据集上的实验结果验证了它在处理聚类问题中的有效性。