由于特征权重分配以及案例库维护对案例推理（CBR）分类器的性能有重要影响，提出了用蚁狮（ALO）算法来分配权重且用高斯混合模型的期望最大化算法（GMMEM）进行案例库维护的案例推理算法模型——AGECBR（Ant Lion and Expectation Maximization of Gaussian Mixture Model Case-Based Reasoning）。首先采用蚁狮算法对特征权重进行分配，在这个过程中将案例推理分类准确率作为蚁狮算法对特征权重进行迭代寻优的适应度函数，以此实现特征权重的优化分配；然后，使用高斯混合模型的期望最大化算法对案例库中的各案例进行聚类分析，并删除其中的噪声案例和冗余案例，从而实现案例库的维护。在UCI标准数据集上进行了实验，所提模型AGECBR比反向传播（BP）、 k-近邻（kNN）等分类算法平均分类准确率提升了3.83~5.44个百分点。实验结果表明，AGECBR能够使案例推理分类准确率得到有效改进。

针对案例推理（CBR）分类器中案例属性权重的分配问题，提出一种基于内省学习的属性权重迭代调整方法。该方法可根据CBR分类器对训练案例分类的结果调整属性的权重。基于成功驱动的权重学习策略，若当前训练案例分类成功，则首先根据权重调整公式增加匹配属性的权重并减少不匹配属性的权重；然后对所有权重进行归一化从而得到当次迭代的新权重。实验结果表明，所提方法的CBR分类器在UCI数据集PD、Heart和WDBC的准确率比传统CBR分类器分别提高1.72%、4.44%和1.05%。故成功驱动的内省学习权重调整方法可以提高权重分配的合理性，进而提高CBR分类器的准确率。