众所周知,不同的聚类算法或同一算法配置不同的参数值,可能产生不同的聚类结果。针对聚类不能解决的泛化问题而引进了集成的概念,集成技术可以显著的提高学习系统的泛化能力,那么聚类集成的概念也就应用而生。本文针对聚类集成问题进行了全面的分析和探究,把进化算法作为一致性函数进行聚类成员的集成,并提出改进策略;引进协同进化思想结合粒子群优化算法和遗传算法各自优势,提出一种新颖的集成算法,在UCI数据集上进行实验,验证了上述集成算法的有效性。首先,详细介绍了本文所用的基聚类产生方法即K-means方法、MSF方法和FCM方法,结合遗传算法的内容,提出了基于遗传算法的聚类集成方法,对比类标签和聚类中心分别作为染色体的集成性能,并提出改进策略目的是达到更好的聚类性能。其次,在分析粒子群优化算法和遗传算法的区别的基础上,GA利用染色体共享信息,而PSO利用粒子的位置共享,在寻优问题和收敛速度会有很大的不同,所以提出了基于粒子群聚类集成算法,通过实验验证算法的性能。最后对协同进化思想进行了描述,利用了 GA和PSO算法各自的优点,扬长避短,优势互补,提出了基于粒子群和遗传算法的协同进化聚类集成算法(CEGPCE),使得在全局范围内的最优搜索,提高收敛速度和局部搜索能力。将基于粒子群和遗传算法的协同进化算法作为一致性函数应用到集成,使集成的性能更好。