数据挖掘是目前人工智能和数据库领域研究的关键技术之一,如何从海量信息中快速而有效的分析出用户所需要的信息已成为数据挖掘的研究重点。聚类分析是数据挖掘中国内外众多学者关注的焦点,而具有简单、高效、适用于高维复杂数据等优点的聚类算法也成为了聚类分析的研究重点。因此,本文提出一种与群体智能算法融合的K_means聚类算法,提高了聚类质量和精度。具体研究工作如下:(1)针对数据中各个属性对于最终聚类结果的影响,提出一种改进的特征加权算法。改进算法通过采用信息熵和ReliefF算法对特征进行加权选择,使算法达到更准确、更有效的聚类效果。实验结果表明,与传统的K_means算法相比,改进后的算法聚类结果稳定,聚类的精度有明显提升。(2)将改进的K_means算法与粒子群算法进行融合,提出一种基于粒子群算法的K_means混合聚类算法。利用粒子群算法的全局寻优能力,得到全局最优解作为K_means算法的初始聚类中心,解决了 K_means算法聚类结果易受初始值影响的问题,从而提高聚类的精度。实验结果表明,融合算法不仅提高了聚类的精度,在稳定性方面也有明显的提升。最后将融合算法应用到肝硬化数据集中,体现了融合算法的实用性。