科技的高速发展带来了数据的爆炸式增长,数据挖掘能在纷杂,海量的数据中提取对人类生产生活有用的信息。聚类分析因其独特的优势,现阶段已变为数据挖掘领域一个重要研究方向。同时由于聚类算法本身存在一些缺点,如对初始化化敏感,中心点搜索更新能力弱和目标函数极易陷入局部极值等,需要进一步完善和改进该算法,使得聚类算法更具有重要的实际价值。本文基本建立在传统的聚类算法理论上,探讨了包括K-medoids聚类算法存在的缺点以及最新研究成果,并对此提出了相应的改进优化方案。本文具体研究工作如下:本文引用了粒计算理论来解决传统K-medoids聚类算法聚类中心初始化敏感的问题,并提出一种基于改进的粒计算对传统K-medoids算法进行初始化处理。该算法在Iris数据集中进行实验检测,实验结果表明:该算法的准确率明显较高,迭代过程显著减少。本文通过利用改进的基于模拟退火的聚类算法全局优化性能优化K-medoids算法易陷入局部最优的缺陷,以便增强K-medoids算法全局搜索能力,同时也避免了其陷入局部最优。通过对样本集各维属性的规范化处理,实验结果表明,该算法不仅能有效抑制局部收敛,而且准确率和稳定性均有较大的提高。