在聚类分析问题中,实际应用的复杂性以及数据的多样性往往使得某个算法仅适用于某一类特定数据,且存在一定缺陷。因此,许多新的聚类算法不断被提出。基于蚂蚁化学识别系统的聚类算法(AntClust)是一种新型的生物模拟进化算法,它能自动形成聚类数目、能发现任意形状的簇、能处理任意类型的数据,有较强鲁棒性和适应性。然而,AntClust算法是基于随机选择的,且使用较多统计的随机性参数作为判定依据,导致算法计算误差较大。同时,它删除小巢的方法也过于呆板,不够灵活。本文从对AntClust算法进行改进和将改进的AntClust与K-means算法进行组合两方面着手,构建一种新的混合聚类算法,来提高聚类结果的质量。针对蚂蚁初始化、行为规则、相似度计算和小巢删除等方面存在的问题,提出了新的随机碰面规则、相似度计算方法、复杂聚类中心定义和小巢删除规则等改进措施。改进过程中,将“均值”的思想用于行为规则中,降低了随机性带来的误差,提高了运算的精确度;新的复杂聚类中心,使算法能够计算类别属性的“平均值”,提高了算法的处理能力,为与K-means算法的组合奠定基础。改进的AntClust算法降低了迭代次数,提高了聚类结果的质量。结合改进的AntClust特点,对K-means算法进行适当的修改:通过设定最大迭代次数控制K-means算法的停止;迭代过程中能更新蚂蚁的接受阈值。按照以改进型AntClust算法为总体框架,将K-means算法融入其中的思路组合这两个算法,通过二者反复调用来处理数据。混合算法在提高计算精度方面比原AntClust算法有更优秀的表现。在UCI数据集上的实验结果表明了对AntClust的改进和与K-means算法的组合是有效的,在获得有效聚类的同时,提高了聚类结果的质量。