信息快速发展时代,各行业产生的数据蕴含海量信息,这些数据具有冗余程度高、耦合性差的特点。如何对此类数据进行有效挖掘是目前各行业竞相探究的热点问题。模糊聚类（FCM）是对现实世界中分类界线不分明数据进行聚类的一种有效方法,克服了诊断结果的绝对化,使得聚类结果更加符合现实需求,但聚类结果对初始聚类中心依赖性较大,易导致误判或者错判,因此对FCM初始聚类中心进行优化,提高聚类正确率成为了目前亟待解决的问题。粒子群算法作为群体智能算法,粒子个体既保持相互协作的工作模式,又保持独立搜索能力,正是粒子的这种搜索方式使得算法具有寻优速度快,收敛精度高的优点。近年来众多学者通过研究发现:粒子群算法在FCM初始聚类中心处理方面具有一定的优越性,但是算法易困于局部极值,粒子搜索后期易振荡。本文针对粒子群算法进行改进,提出FW-SAPSO算法,并将其用于优化模糊聚类初始聚类中心的质量,最后在UCI数据集上进行聚类效果分析。论文的主要工作和成果如下:（1）针对标准粒子群算法易早熟,粒子搜索后期易振荡等问题,提出了动态调整飞行时间与惯性权重的模拟退火粒子群算法（FW-SAPSO）。该算法主要有以下四个方面改进:1)引入模拟退火算法的Metropolis准则,使得算法对当前看来并非最优的粒子具有一定的“包容性”,以较小的概率接受非优质解为优质解,避免粒子过分快速地聚集于当前最优解而陷入局部极值;2)引入变异操作,丰富种群的多样性,有效缓解粒子搜索后期由于种群多样性减少而影响解的质量,导致种群早熟的问题;3)引入飞行时间策略,改善粒子搜索后期出现振荡,错过最优解的情况;4)考虑到惯性权重对粒子群算法的寻优速度和收敛精度影响显著,而标准粒子群算法惯性权重线性递减策略设置稍显牵强,面对粒子搜索过程中的特性无法及时调整判断,故提出分类自适应惯性权重策略,优化粒子寻优性能。本文利用基准函数对FW-SAPSO算法进行仿真实验,验证了FW-SAPSO算法在精度和收敛速度上的优越性。（2）FCM随机聚类中心点质量不佳,对后续的聚类过程影响较大。本文将FW-SAPSO算法用于提高FCM初始聚类中心质量,得到一组较优质聚类中心,然后进行FCM聚类操作,最后采用UCI数据集对优化效果进行了实验检验与分析。