近年来,一些新的进化范例(如群智能优化、人工免疫系统、分布估计算法、协同进化算法等)被引进多目标优化领域,成为解决多目标优化问题的有效途径。作为自然计算的新分支,膜计算是受启发于生物细胞,从活细胞以及由生命细胞组成的器官或组织的结构和功能中抽象出的计算模型。而膜算法是采用具有分布式并行特征的膜计算框架实现的一种进化计算方法,在优化理论应用中获得了较好的表现。粒子群算法作为典型的优化算法之一,通过速度和位置公式来更新粒子方向,由于具有易于理解和实现等优势,受到了科学与工程领域的广泛关注,但其搜索策略较为单一,导致算法很难获得Pareto前沿且容易陷入局部最优和无限迭代,在全局搜索和收敛性方面还有一定的不足。因此,本文将膜算法与粒子群算法相融合,提出了一种基于膜框架的粒子群多目标优化算法(Multi-object Particle Swarm Optimization Algorithm Based on the Framework of P System,PMOPSO)。一方面,在基本膜中采用粒子群算法并行实现搜寻策略更新局部最优解,通过P系统的分裂、重写、通信和溶解等进化规则将每个基本膜中的最优解传递给表层膜,选取全局最优解集以提高算法收敛速度。另一方面,在表层膜中,采用NSGA-II中的非支配解集和拥挤距离两大机制,利用外部档案对非支配解集进行降序排序,弥补了粒子群算法求解效率不高的缺点,提高算法的快速收敛性的同时也可避免算法陷入局部最优,有效地平衡了算法的全局搜索和局部寻优能力,使解集逼近真实的Pareto前沿。通过选取不同维度的标准测试函数进行仿真实验,验证了所提出的PMOPSO算法的有效性,和其他算法多目标算法相比,具有较好的快速收敛性和解集多样性。在此基础上,结合雷达辐射源信号分选的本质,通过提出的膜粒子群多目标优化算法,把信号聚类分选转化为多目标优化问题来求解。将雷达辐射源信号的符号化特征向量作为待分选数据集,同时将雷达辐射源信号的频谱时间序列转化为离散的符号序列,从而大范围捕获信号特征。利用MOCK聚类中类内的紧凑性和类间的连通性指标构建目标函数,保证所选特征向量具有较好的类内聚集性和类间可分离性,并同时自动确定出类的数目。最后通过计算雷达辐射源信号符号熵特征数据集的Pareto最优解集,实现信号的多目标聚类分选。仿真结果表明该算法获得了更高的雷达源信号分选识别正确率,验证了此算法的有效性和可行性,其性能优于传统聚类方法。