聚类分析作为目前的一个研究热点,在统计学、生物学、信息检索、模式识别、机器学习等领域发挥着重要作用。K-means算法作为经典的聚类算法之一,具有原理简单、易于实现、可解释度较强等优点,但存在聚类数很难确定、对初始中心敏感、易于陷入局部最优点等缺点,导致算法很难得到全局最优解,对不同类别规模差异较大的数据或非凸数据集聚类效果不佳。此外,群智能优化算法是人类向生物界的一些群体行为学习和探索的结果,而聚类常常被视为一类特殊的优化问题,因此可以用粒子群算法来求解聚类问题。本文对简化粒子群算法进行了改进,并将其应用于聚类算法,以提高聚类算法的性能,对此提出了两种基于改进简化粒子群的K-means聚类算法:(1)提出了一种改进的简化均值粒子群K-means优化聚类算法(ISMPSO-AKM)。一方面,在简化粒子群算法的基础上,加入邻域最优粒子,由个体最优位置、全局最优位置及邻域最优位置线性组合改进位置公式。另一方面,构造一种基于余弦函数和对数函数的惯性权重,实现对惯性权重的动态调整。此外,引入AKM聚类算法确定聚类数,动态获取初始中心,进一步提高算法的准确性。(2)提出了一种基于狮群简化粒子群与K-means聚类的混合算法。该算法将狮群算法的分组思想融入简化粒子群优化算法中,将粒子分为三组寻优,每组使用不同的学习因子和学习维度向量,以此帮助种群执行不同的搜索机制,从而增强了种群的多样性。此外,借鉴达尔文适者生存的竞争法则,引入种群育种,有利于粒子跳出局部最优位置,提高了算法的全局搜索性能。最后与K-means聚类算法相结合。