案例推理(case-based reasoning,CBR)特征属性权重分配是否合理,将直接影响其问题求解的质量,权重分配方法的研究得到了广泛关注。主观赋权法根据实践经验和主观判断给出属性的权重,具有不确定性;而客观法如遗传算法、神经网络等方法还存在一些缺陷,导致分配的权重难以准确反映属性的重要程度。自然计算领域的新分支-膜计算(membrane computing,MC)优化方法为权重的分配开辟了一条新途径,然而,由于MC算法的结构单一且基本膜数量不易确定,且算法的时间复杂度较高,导致其学习能力不足,因此,本文从MC与自组织原理出发,对优化权重的膜结构、膜规则及基本膜数量进行了方法设计和系统研究,主要内容如下:(1)针对CBR属性权重的分配问题,设计了结构更为简单的细胞型单层膜结构。通过选择、交叉、变异的进化规则对若干基本膜中的权重对象进行进化,同时,采用双向交流规则将进化过程中出现的最优权重对象输入到各基本膜中再次进化,保证了权重对象的多样性及进化性能;(2)针对基本膜个数不易确定的问题,根据自组织原理,获得了一种具有自组织能力的基本膜优化方法。通过一部分源案例训练MC在不同基本膜个数时的性能,得到对应的最优权重对象的适应度以及时间复杂度,然后根据设定的MC性能评价函数确定合理的基本膜个数,在发挥MC并行计算能力的同时,保证了MC的学习能力;(3)针对MC算法运行效率低的问题,对算法的停止条件进行了改进。保存各基本膜中每次迭代进化出的最优权重对象及其适应度值,若出现连续两代计算结果没有改善,该基本膜内的对象集己经饱和,或者陷入局部最小点,那么该基本膜就停止计算,从而减少了算法的收敛时间;(4)结合数据回归分析例子,开发了基于MATLAB-GUI的实验平台。研究了MC中参数设置、有无膜数自组织算法以及改变停止条件前后情况下的CBR求解性能的对比。此外,对污水处理过程溶解氧浓度预测问题,将本文方法与其它权重分配方法进行了对比实验,结果表明本文方法具有应用优势。