数据挖掘是多个领域的交叉学科,用于分析海量数据中的潜在关系以给人们提供有价值的帮助。聚类分析是数据挖掘中的重要技术,它是在无先验知识情况下,按照一定的要求和规律,将数据对象分组成若干个类,使同一个类中的对象有较高的相似度,而不同类中的对象相似度较低。因具有极高的实际应用价值,聚类分析己成为数据挖掘研究中一个非常活跃的研究课题。本文对K均值算法的改进进行了深入细致的研究;在分析模拟退火全局寻优技术和调和平均函数的基础上,研究了基于模拟退火的K均值聚类算法和基于模拟退火的K调和均值聚类算法;分别利用模拟退火技术和调和均值函数使算法来获取全局最优解和减弱算法对初始值的依赖;在对基于模拟退火的K均值算法研究中提出了DK-t0选取法来选取控制参数初始值t0,对基于模拟退火的K调和均值算法研究中提出KH&K结合法;通过对09年高考本科一批理工科提档线数据集聚类效果对比,证明采用DK-t0选取法的基于模拟退火的K均值算法优于随机t0选取法的基于模拟退火的K均值算法;通过对IRIS数据集的聚类,比较了K均值算法、基于模拟退火的K均值算法和基于模拟退火的K调和均值算法的聚类性能;最后将基于模拟退火的K调和均值算法运用于数据挖掘的实例中,对“校讯通”系统数据库进行聚类分析,实现了聚类算法在数据挖掘中的应用。