大自然总是能够给人们带来无穷的灵感和丰富的想象空间,当问题的解决遇到各种阻碍时,借助自然规律很有可能就会获得意想不到的效果。在过去的几十年里,受大自然的启发,多种启发式算法应运而生。遗传算法、模拟退火算法、粒子群算法等等这些智能优化算法都是根据自然界中的各种生物、物理现象抽象出来的计算模型。本文中即将提到的黑洞聚类算法(BH)也是从宇宙中的物理黑洞现象中得到启发,并于2013年由Abdolreza Hatamlou根据物理黑洞中星体塌陷、粒子逃逸等现象抽象出来的一种新型计算模型。该模型结构简单、容易实现,且就算法本身而言也达到了较好的聚类效果,为人们在聚类问题上的分析指明了一个新的方向。膜计算,作为自然计算的一个新分支,是从细胞以及由细胞组成的组织或结构中抽象出来的一种计算模型。由于该模型的分布并行式计算特点,自它被提出以来就受到了国内外的众多关注。实验证明,膜计算可以在线性时间内有效的解决SAT问题并且在计算能力上有超越图灵机局限性的可能。结合以上两种算法,本文提出了一种基于膜计算的黑洞聚类算法(BH-MC)。该算法结合膜计算的分布式并行计算特点,将黑洞聚类算法机制(选择、移动、吸收)融入到了膜计算的计算框架下,并利用细胞型P系统的转运机制实现了对象之间的信息共享,达到了提升算法收敛速度的目的。为了验证算法性能,本文在三个数据集上分别对BH-MC算法进行了实验,并将算法的聚类效果和一些经典算法(K-means、PSO)进行了比较,同时,相较BH算法而言,为了突出BH-MC算法在算法收敛速度上的优越性,本文在基本膜个数分别为2、4和8的情况下将BH-MC算法和BH算法进行了比较。实验结果证明,该算法相比其他一些经典算法在聚类效果上显示出了较大的优势,并且在收敛速度上比BH算法有了明显的提升。