随着科技的不断发展,聚类作为机器学习人工智能领域重要的分析技术之一,在面临日益纷繁复杂的社会和现实问题面前,传统单一的聚类方法捉襟见肘,远远不能满足实际需求。本文从把数据类型扩充到非度量型的高维数据、有效结合基于个体轮廓系数的变化率函数确定最佳聚类个数以及充分融合蚁群算法和粒子群算法的优势优化初始聚类中心三个方面进行改进,并对改进后的算法有效性进行实例验证。本文的主要工作内容和成果如下:1、根据非度量型高维数据问题亟待解决,进行数据预处理,阐述非度量多维缩放技术,思想原理以及算法流程。一方面通过非度量多维缩放解决非度量型高维数据问题的研究,另一方面结合非度量多维缩放扩大了K-Means聚类算法的适应范围。2、基于非度量多维缩放的聚类组合算法基础上构造一种自适应确定K值的方法。利用个体轮廓系数的变化率作为评价函数,当该函数收敛时,通过相邻K两两之间轮廓系数的变化值最大自适应得到最佳聚类个数K。3、粒子群算法与蚁群算法有效融合已经成功应用各类优化求解问题,融合PSO-ACO各自优势来优化初始聚类中心。先利用具有全局性和快速性的粒子群算法获得初始信息素分布,再利用具有正反馈性和并行性的蚁群算法得到精确解,经过算法的多次迭代,可以较大概率得到全局最优解.将改进后的划分聚类算法分别应用于实际数据和仿真数据进行分析,实验表明新算法在求解能力和时间效率上均有有效提升,另外集群性能实验也进一步验证新算法基于大数据平台优势更加明显.但是由于融合策略中粒子群算法中设定不同的集群数量,可能会导致初始聚类中心存在微小的差距,因此在迭代算法优化问题还需要进一步完善和探讨。