数据挖掘是从海量的数据中寻找模式或规则的过程。聚类分析作为数据挖掘中一个重要的研究内容,既可以作为独立的数据挖掘工具,发现数据库中数据分布的一些深入信息,也可以作为其它数据挖掘算法的预处理步骤,已经被广泛应用在诸多领域。蚁群算法是一种模拟蚂蚁群体行为的仿生优化算法,因其具有分布式计算、信息正反馈和启发式搜索的特征在聚类分析中显示出很好的应用前景。本文在充分研究了现有蚁群聚类算法的基本原理与特性的基础上,为了进一步提高算法的收敛速度,改善聚类质量,提出了基于蚁堆形成原理的改进的蚁群聚类算法,并将该算法与一种改进的遗传算法进行融合。主要思想是利用改进的遗传算法的快速全局搜索能力,生成蚁群聚类算法中的信息素初始分布,然后再利用蚁群聚类算法的正反馈机制求精确解。该算法实现了两个算法的优势互补,大大减低了蚁群聚类算法中对参数的调整而造成的试验次数过多,并有效地防止了蚁群聚类算法很快地收敛到局部最优解的缺点,使得算法在优化性能和时间性能两个方面都有所改善。最后将该算法应用于房地产行业的客户细分中。