演化数据普遍存在于许多动态情景中,这类数据的分布会随时间而逐渐变化。演化数据的学习问题越来越受到重视,是机器学习和数据挖掘领域一个新的重要研究课题。而演化数据的聚类问题研究有着广阔的应用背景,因此具有重要的研究意义。一般而言,演化数据聚类的过程是这样的：当系统有新的数据到来时,为这些数据进行聚类分析。如何使每一时刻的聚类尽可能真实地反映数据分布特征,同时保证聚类结果在时间上具有平滑性,聚类结果在时间上的平滑性如何量化和度量等,都是演化数据聚类的重要问题,也是本文的主要研究内容。具体而言,本文的工作主要包括以下几个方面：(1)提出一种基于差分进化的演化聚类方法deEC。利用演化算法在搜索最优解的优势,本文对平滑性框架的参数α进行改进,使之在算法每一次迭代过程中自适应,使聚类结果在聚类质量和时间平滑性两方面找到最佳平衡点。在deEC中,聚类结果在时间上的平滑性被解释为个体在不同环境的适应能力。如果当前时刻的个体在过去的环境中适值越高,说明个体所携带的聚类划分方案越能反映过去时刻的数据分布特征,表现出很好的平滑性。实验方面,本文通过合成数据和真实数据,对提出的算法进行实验验证。(2)从多峰优化的角度来研究演化数据的聚类问题。已有的演化聚类算法大多基于时间平滑性框架,通过加入带权重的惩罚项来保证当前聚类结果与过去结果的平滑性。本文从多峰优化的角度,采用多峰优化算法搜索全局/局部最优解,然后采用基于NMI指数的选择策略选出当前时刻的最优解。实验方面,本文采用合成数据和真实数据进行对比实验,并分析了算法的特点。(3)从数据级别上实现聚类结果在时间上的平滑性。已有的演化聚类算法大多在聚类模型的层次上保证聚类结果在时间上的平滑性。本文提出两种不同的技术,分别从数据级别上实现平滑性要求。这两种技术利用历史数据的发生规律来构建当前时刻的数据矩阵,并采用层次聚类算法得到最终的聚类结果。实验方面,我们采用合成数据和真实数据进行对比实验,并分析了算法的性能。演化数据的聚类问题,作为一种新的研究课题吸引了越来越多研究人员的兴趣。如何使每一时刻的聚类方案尽可能真实地反映数据分布规律,同时保证聚类结果在时间上尽可能地平滑,以及如何量化和度量时问平滑性,都是属于演化聚类研究的核心问题。为此,本文提出了一种基于差分进化的演化聚类方法,然后从多峰优化的角度,提出了一种新的解决方案,从数据层次上实现聚类结果在时间上的平滑性,并用实验进行分析和验证,对演化数据的聚类研究有重要指导意义。