数据挖掘的目的是从海量的数据中提取人们感兴趣的,有价值的知识和重要的信息。聚类分析是数据挖掘的一个重要研究领域,它在商业、生物、医学、地质、Web文档等方面都有重要的应用,是当前的研究热点之一。群体智能是一种新的人工智能形式,目前正在成为人工智能领域及其相关领域的一个研究热点。目前,研究得较多的群体智能算法主要有粒子群算法和蚁群算法二种,本文针对这二种群体智能算法存在的一些问题进行了研究,并将其应用到聚类分析:(1)从粒子群算法的参数设置上改进了算法,并将其应用到聚类分析中,提出了一种自适应惯性权重的并行粒子群聚类算法。该算法改善了基本粒子群算法的全局寻优能力、收敛速度和运行效率,通过理论分析和实验表明,相比k-means聚类算法、遗传聚类算法、基本粒子群聚类算法,本文算法更具优越性。(2)在Deneubourg的蚁群聚类基本模型、Lumer和Faieta提出的LF基本蚁群聚类算法和刘波等提出的利用信息熵理论的聚类算法的基础上,对蚁群聚类算法进行改进,提高了聚类速度和质量,解决了LF算法参数设置多,不适用连续属性等问题。相对传统的k-means算法,本文算法不仅具有能有效地处理孤立点,有较好的抗噪声能力,而且不需要设置簇(聚类中心)数目的特点。