PSO算法作为一类仿生智能优化算法,是模拟自然界中鸟群觅食行为而抽象出来的计算模型。每个粒子依靠个体经验和群体经验来调整自己的运动轨迹,从而可以通过简单的个体行为实现复杂的群体行为。但是,正是由于PSO算法的不确定性和随机性,算法在运行后期易于陷入局部最优,出现早熟的现象。尤其是在面对复杂的优化问题时,算法在收敛精度和收敛速度方面都需要进一步的提高和优化。膜计算,又可以称为P系统,是模拟细胞、组织和器官之间生化反应而抽象出来的新型计算模型。作为自然计算的一个重要分支,P系统的计算模型主要是由膜结构、膜对象和膜规则三部分构成。由于细胞、组织和器官之间的相互独立性,P系统也是按照分布式并行模型运行,许多研究已经证明了P系统的计算能力不仅可以等价于图灵机,甚至还有可能超越图灵机的局限性。聚类分析一直是数据挖掘领域内的热点研究问题,尤其是在移动数据爆炸式增长的今天,传统的PSO聚类算法在处理这些数据时存在一定的局限性。因此,必须要结合新的计算方法或者引入新的计算模型,来提高PSO算法的聚类性能。图像分割问题一直都是聚类分析方法的重要应用,如何提高PSO算法的分割效果、降低PSO算法的计算复杂度是分割算法研究工作中的热点内容。本文的主要研究内容如下:(1)提出了三种扩展P系统的计算模型在传统P系统的基础上,提出了三种扩展膜计算模型,分别是基于膜分裂/膜溶解规则的进化交流类细胞P系统、带有促进剂/抑制剂的进化交流类组织P系统和链式P系统,分别从膜结构、膜对象和膜规则三方面构建了扩展P系统的计算模型,最后对三种扩展P系统通过计算能力分析证明了其有效性。(2)提出了基于扩展P系统的多粒子群协同进化模型(PSO-P)通过引入P系统的分布式计算框架和进化交流规则,建立了基于扩展P系统的多粒子群协同进化模型(PSO-P),将PSO算法中的种群划分成多个子种群,并通过子种群内部和子种群之间的进化-交流机制实现多个子种群的协同进化过程。(3)提出了一种基于扩展类细胞P系统的PSO优化算法(DSPSO-ECP)将改进的八哥PSO算法和基于膜溶解/膜分裂规则的进化交流类细胞P系统相结合,提出了DSPSO-ECP算法。在该算法中,引入了基于适应度-欧氏距离比值的邻居选择策略,并结合了个体最优和全局最优信息来调整粒子的位置。通过扩展类细胞P系统中的膜分裂/膜溶解规则来避免子种群陷入局部最优。(4)提出了一种基于扩展类组织P系统的QPSO优化算法(CQPSO-ETP)将改进的QPSO算法和带有促进剂/抑制剂的交流进化类组织P系统相结合,提出了CQPSO-ETP算法。在该算法中,引入了种群多样性函数和协作学习机制,分别定义了带有促进剂和抑制剂的进化规则,通过相邻子种群的共享信息来动态的调整粒子的迭代进化过程。(5)提出了一种基于复合链式P系统的PSO聚类算法(KEPSO-CCP)在传统的PSO聚类算法中,引入划分后的类簇信息作为粒子的环境信息,每个粒子结合历史信息、全局信息和环境信息来确定自己下一步的搜索方向。同时,基于复合链式P系统的交叉变异规则,通过差分进化算法中的交叉变异操作实现对子种群内的全局最优的局部搜索。(6)提出了三种基于扩展P系统的粒子群图像分割算法针对三种基于扩展P系统的粒子群算法,提出了三种图像分割算法,分别是基于类细胞P系统的混合PSO聚类分割算法,基于链式P系统的PSO聚类分割算法以及基于类组织P系统的QPSO两阶段聚类分割算法。第一种混合PSO分割算法通过结合FCM聚类算法来求解灰色图像分割问题。第二种PSO聚类分割算法将最大化类间方差作为目标函数,来求解多级阈值灰度图像分割问题。第三种基于QPSO两阶段聚类分割算法,通过结合超像素分割算法(SLIC),来求解彩色图像分割问题。综上所述,本文主要提出了三种扩展P系统的计算模型,并在此基础上构建了基于扩展P系统的多粒子群协同进化模型。同时在三种扩展P系统的计算框架下,分别嵌入了PSO、QPSO和PSO聚类算法,并结合P系统中膜分裂/膜溶解、促进剂/抑制剂、链式结构的基本概念,提出了三种基于扩展P系统的PSO算法,并将优化后的计算模型和聚类模型,应用于图像分割问题中,以此提高PSO算法的最终分割效果。