K-means算法对大型数据集的处理有较好的扩展性,较高的效率。然则Kmeans算法存在不足之处,它的不足之处就是聚类的效果很大程度上受初始聚类中心选择的影响,而且整体的开销容易受到数据初始量大小的影响。所以为了弥补传统聚类算法在聚类分析中的一些缺点,一些研究人员借鉴仿生学,从生物进化的机理中将一些智能算法与聚类算法融合,优化聚类过程,提升算法效能。而人工鱼群算法(Artificial Fish Swarm Algorithm,AFSA)作为一种仿生优化算法,其本身拥有对初始参数要求低、结构简单和寻优速度快等优点,可用于许多优化模型的求解。因此将人工鱼群算法用来优化K-means算法将能够有效提升聚类效果。论文在深入分析K-means算法和人工鱼群算法的国内外研究现状基础上,在深入研究K-means算法和人工鱼群算法的相关理论和方法后,针对K-means算法不足之处,提出用人工鱼群算法来优化K-means算法的聚类过程,通过构造人工鱼个体、确定算法目标函数,提出用于解决聚类问题的人工鱼群K-means算法。论文设计相关对比实验,通过编程将人工鱼群K-means算法实现,并与K-means算法在相同条件下处理相关数据集,运用最优值、最优值次数、准确度等相关评估准则,对比评估结果并对算法性能进行验证。同时将此算法运用到通信领域的客户细分中,根据实验分组结果制定相应营销策略。