聚类分析是一种典型的无监督学习问题。与有监督学习相比,聚类分析适用于在没有足够的先验知识的问题,分析研究对象间的相似性模式,从而将无标记的物理对象或者抽象对象划分为若干个组,划分得到的组称为簇。为了能将对象划分到正确的簇中,算法需要挖掘出对象间的相似性。群体智能是一类常用的优化技术,是求解聚类问题的方法之一。基于群体智能的聚类方法常选择一种基于种群的随机搜索算法作为其框架,将种群中的个体编码为一个或一组簇中心向量。随着种群的迭代进化,个体可以同时搜索解空间的不同区域,由此可以找到全局最优解。目前,现有的大多数基于群体智能的聚类算法旨在找到一组簇中心。然而,这种基于中心的聚类方法难以处理具有不规则形状的簇。同时,现有的方法中还存在一些不足,比如难以确定种群的规模和如何初始化种群等。本文使用基于群体智能的方法来解决聚类问题。本文的主要内容包括以下两个方面。(1)提出了群体聚类算法SCA。在SCA算法中,每个数据样本编码为种群中的个体。因此,种群的规模与数据集的规模保持一致;采用核密度估计作为适应度函数来评估粒子的密度;为粒子选择leader粒子来协助粒子飞行,从而降低算法的误差;采用动态的惯性权重调整策略。在常用的人工数据集上对SCA算法进行测试并与其他基准算法比较,实验结果表明SCA算法是一个有竞争力的算法。(2)提出了高效的群体聚类算法SCA2。与SCA算法相比,SCA2算法主要进行了以下改进:1)使用径向基函数网络作为代理模型来近似问题空间的密度分布,从而使用训练好的径向基函数网络作为适应度函数,减少算法的时间开销。此外,SCA2算法使用了合并策略,将飞行过程中符合归并条件的多个粒子合并为一个粒子飞行,从而进一步减少算法的时间开销;2)扩展leader粒子为K-leader列表,使得粒子有机会选择不同leader粒子,从而减少初始的误分配,提高算法的性能;3)使用了简化的位置更新策略,使算法能更好地响应不同密度差之间的差异从而分别处理。实验选择常用的人工数据集和真实数据集来测试SCA2算法的性能,并与其他不同类型的聚类算法进行比较,实验结果表明SCA2算法在大多数的测试数据集中取得较好的结果,是一个更具优势的算法。本文工作不仅对基于群体智能和演化算法的聚类方法研究具有推动作用,而且对群体智能模型和算法的深入研究和进一步发展具有参考价值。