膜计算是自然计算的新分支,旨在从生命细胞的结构、功能及组织器官等细胞群的协作中抽象出计算模型,又称P系统。P系统以其特殊的分布式和极大并行性、非确定性等特点在众多领域得到广泛应用。为了使函数执行效率更高,执行时间更短而提出的算法称之为函数优化算法。生活中诸多问题都可转化为函数优化问题,这些函数通常表现出非线性、高维数、规模大等特点。传统确定性优化算法因收敛速度快、计算精度高等在优化问题中应用广泛。但传统优化算法结构单一,对于复杂的优化问题,存在初值敏感、容易陷入局部极小等情况。因此,本文针对传统优化算法存在的缺点和现实中出现的高维且形式复杂的函数,受到遗传算法、进化规则等具有全局性优化算法的启发,融合膜计算已有的研究成果,提出了两种优化算法,并对所提出算法的性能在经典的测试函数上进行了仿真和对比实验。本文的主要研究成果如下：(1)提出基于差分进化机制的膜优化算法(DE-MO)。将差分进化当中的变异、交叉、选择作为进化规则引入到细胞型P系统膜框架当中,并利用膜计算中的转运机制将当前得到的最好对象运送到下次迭代的各个膜之间进行更新,通过这种方式增加算法的收敛速度以达到函数优化的目的。最后针对所提出的DE-MO算法,在经典优化函数上进行了测试,并与已有的标准差分进化算法(DE)、改进的差分进化算法以及最新的三种优化算法进行了对比实验。实验结果表明了所提出算法的有效性。(2)提出基于人工蜂群机制的膜优化算法(ABC-MO)。利用进化算法中的五种变异公式混合搜索,代替人工蜂群算法中的单一搜索变异公式增加人工蜂群“食物源”搜索位置的多样性,并将人工蜂群中雇佣蜂搜索食物源位置的进化规则引入到细胞型P系统膜框架中,利用膜计算当中的转运机制将当前得到的最好对象运送到下次迭代的各个膜之间进行更新,以上方式不但改善了人工蜂群算法易陷入局部最优的弊端,也增加了算法的收敛速度。针对提出的ABC-MO算法,在经典优化测试函数上进行了测试,并于已有改进的人工蜂群进化算法进行对比试验。实验结果表明了所提出算法的有效性。(3)针对DE-MO、ABC-MO算法中含有的随机参数,选用均值和标准差作为对象优化程度的度量,其中均值反映算法得到的最优解的平均性能,而标准差则用于评价该算法的稳定性。从实验数据来看,本文所提出的两种优化算法均优于已经提出的改进的差分进化算法和改进的人工蜂群算法。