人工蜂群(ABC)算法是一种模拟自然生物群智能的优化算法,对于处理连续函数的优化问题具有较强的适应性。目前,已被广泛用于机器学习、组合优化、数据挖掘等诸多领域。然而,ABC算法具有着诸多优点的同时,也存在着诸如收敛速度较慢、较易陷入局部最优等缺陷。膜计算是生物计算领域的一个分支领域,其计算模型被称为膜系统或P系统。P系统具有分布式、并行性、可拓展性、非确定性、易于实现等优点。本文针对ABC算法存在的一些缺陷,利用P系统特有的进化和转运机制对其进行优化,提出了一种基于P系统的人工蜂群算法(PABC)。随后,将PABC算法用于求解数据聚类问题和人脸识别问题。本论文的主要创新工作如下:1)提出一种基于P系统的人工蜂群算法(PABC)。设计了一个单层膜结构的细胞型P系统来优化ABC算法,其中采用ABC规则来实现基本膜中对象的进化。基本膜与表层膜之间通过转运规则实现对基本膜中当前最好对象的更新,加快算法的收敛速度。2)提出了一种由PABC改进的K均值算法(PABC-K)。该算法主要使用PABC算法对K-means算法进行优化,加强其在聚类应用上的性能。设计了一个单层膜结构的细胞型P系统,基本膜中采用将K-means算法与ABC算法相结合的操作来实现对象的进化,并且通过转运规则实现系统中对象的交流和共享。3)讨论了将PABC算法应用于人脸识别问题。将人脸识别系统中的特征选择问题表述为一个优化问题,其目标包括最大化识别精度,同时最小化特征集的基数。PABC算法用于为特征空间选择最优的特征子空间。