膜计算是一种根据细胞生物特性和功能抽象出来的新的计算模型。其进化规则的执行具有极大的并行性和不确定性。在实际应用时,膜进化算法可以根据不同问题的特点有针对性的设计进化算子,有效地提高全局搜索能力。容量受限中心聚类问题（Capacitated Centered Clustering Problem,CCCP）旨在将多个有需求的点分配到各个中心,在满足点的需求的同时使得各点到中心的距离和最小。该问题在设施选址、供应链设计等方面有很多应用。该问题是NP难的,其中心坐标的频繁变动和解的多样性要求较高的计算能力。目前,求解CCCP的算法在求解效率和求解质量方面都不能适应大规模应用问题的需要,因此,研究更高性能的算法具有重要的实际意义和理论意义。本文对膜计算模型和CCCP进行了研究。首先,根据CCCP计算密集的特点和已有算法的利弊,提出了新的搜索算法,解决了目前局部搜索组件求解质量不高的问题。进一步,结合膜计算的并行性和不确定性特点,设计了对应的膜进化算法,提高了CCCP的求解效率。本文的主要工作如下:（1）基于A-BRKGA（Adoptive biased random-key genetic algorithm）进化框架,提出了迭代邻域局部搜索算法A-BRKGA＿INLS（Adoptive biased random-key genetic algorithm with iterative neighborhood local search）。（2）基于膜进化算法框架MEAF（Membrane evolutionary algorithm framework）和算法A-BRKGA＿INLS中的局部搜索组件INLS,提出了求解CCCP的膜进化算法MEA-CCCP（Membrane evolutionary algorithm for the Capacitated Centered Clustering Problem）。在MEA-CCCP中,设计了CCCP解的膜结构和对象表示,设计了五个独立的膜进化算子。（3）实现了以上两个算法,并基于CCCP基准数据集对两个算法分别进行实验分析。实验结果表明,A-BRKGA＿INLS和MEA-CCCP分别能在72%（38/53）和51%（32/63）的实例上匹配或超越已知最优解。两个算法均有效的提升了求解质量。A-BRKGA＿INLS具有较强的稳定性,MEA-CCCP缩短了平均求解时间。本文的研究工作基于现有的框架提出了解决CCCP的改进策略。其次,MEA-CCCP验证了膜进化算法求解CCCP的可行性和有效性,该尝试对相关领域的研究有着一定的参考价值。