粒子群算法是一种基于群智能优化的全局优化技术。由于其有较强的全局寻优能力,参数少,操作简单,因此已被广泛应用于众多领域,比如函数优化、神经网络训练、工业系统优化和模糊系统控制等。粒子群算法发展至今虽然有了长足的进步,但是其本身缺乏一定的数学基础,参数的设计有欠数学理论的支持,大部份都是从某些实验中得出来的结果。 本文对粒子群更新公式中的参数做了改进。因为粒子群速度和位置的更新是决定找到最优解的关键,所以对更新公式的改进是非常具有意义的研究课题。参数如何选择是粒子群算法的重点,也是影响粒子群收敛效果的重要因素。尤其是权重参数的选择。本文基于“随着迭代次数的增加,权重逐渐减小”的理论,提出了最小权重和最大权重的确定公式,即提出了确定权重范围的方法。并用测试函数做了测试,结果表明用本文提出的方法来确定权重能使寻优能力增强。聚类是数据挖掘中最热门的课题之一,聚类分析发展至今,涌现了不少算法,比如：K-均值、最小生成树、最近邻算法、结合能量算法等等。聚类已被广泛应用于生物学、药学、人类学、市场营销和经济学。因此对聚类算法的研究和改进是具有重大意义的。目前用得最广泛的是K-均值聚类方法,但此方法对初始值敏感,且K值难以确定。多种算法结合来解决具体问题是当今科学界研究的热点。本文将粒子群和聚类算法结合起来,取长补短,提出了基于改进的粒子群聚类算法。针对传统聚类算法中K未知的缺点,把K作为粒子群算法的一个编码来训练,合理地定义了粒子群算法的适应度函数,不断地对种群进行迭代,利用适应度函数来得到最佳的聚类数和最佳的聚类结果。通过对两个数据实例的应用,证实了本文提出的基于改进粒子群聚类算法具有较好的聚类结果。通过IRIS数据集的测试,表明本文的算法能较好地处理噪声数据,能更有效地对数据进行正确的聚类。