聚类是重要的数据挖掘技术,在海量数据统计、网络分析及医学图形图像自动监测等领域具有广泛的应用背景。聚类就是根据数据的内在特性将数据对象划分到不同的组(或簇)中,使得属于同簇的数据对象具有相似性,不同簇的数据对象具有相异性。近几十年来,国内外的研究者们提出了许多聚类算法,这些算法大多从全局或局部的角度观察聚类,力图发现所有聚类方案的最优结果。由于处理数据的规模大、类型复杂,因此目前的聚类算法不能满足人们对聚类质量的要求。同时,经典算法在聚类过程中都有保持问题和数据对象位置不变的特点。本文着眼于提高聚类质量,充分地结合经典聚类算法的特点,力图从运动的角度来分析聚类,提出了基于调整学习的聚类算法,其基本思想是通过调用调整算子,变换数据对象的位置来构造一系列粗细粒度不同的近似问题。首先对细粒度近似问题聚类,再利用细粒度问题的聚类结果来引导粗粒度问题的求解。由于变换能改变问题的拓扑结构,从而使原始问题可以转化为多个简单问题迭代求解,达到降低问题难度和提高聚类质量的目的。本文在调整学习聚类算法的基础上分别对FCM算法和CLARANS算法进行了改进。最后通过多组仿真数据和3个实际数据集比较了改进算法与经典算法的聚类质量。实验结果表明,改进后的算法在时间、空间复杂度不变的情况下聚类质量有了较显著提高。本文提出的新聚类算法以经典聚类算法为其从属算法并对其改进。为人们获得高质量聚类结果提供了新思路和新途径,为准确地挖掘出数据集中隐含的模型和信息提供了保证。因此,本文的研究具有较高的理论和实践意义。