聚类分析法是统计学中的一种重要分析技术,群智能算法由于其高效的优化处理能力而越来越受到人们的重视.本文介绍了聚类分析以及群优化算法的相关知识,对标准磷虾群优化和粒子群优化算法进行了分析和研究,提出了基于聚集度改进的异化磷虾群算法(CSKH)和基于聚集度的改进粒子群优化算法(CSPSO).最后将这两种改进算法整合到聚类分析算法中,并通过真实数据集测试了整合算法的性能.具体内容如下:　　首先,针对标准磷虾群算法存在着不易跳出局部寻优、搜索精度低等问题,提出了一种基于聚集度的异化磷虾群算法.本算法根据种群多样性指标聚集度的变化,通过在两个相反位置移动方向的选择策略来增加磷虾进化多样性,同时引入了随机数策略来模拟磷虾的外部扰动,从而取代原磷虾群算法中的随机扩散运动的影响.算法还引入平均距离指标来增加局部搜索的变异概率,同时将背向最优位置的速度方向作为搜索变异方向,从而扩大了群体的搜索空间,保证算法的全局搜索能力.　　其次,针对粒子群算法极易出现早熟收敛的问题,在重新定义相似度的基础上构建了聚集度概念,据此来描述种群的多样性程度,并通过设定粒子群自适应阈值的变化来调整粒子搜索空间,同时根据聚集度的大小对粒子重新赋值,增加种群的多样性,从而使得算法更易于跳出局部最优.　　最后,将上述两种改进算法整合到聚类方法之中,通过改进算法的收敛能力来指引聚类的进行方向,并通过对两组真实数据集的检测验证了整合算法的性能.