近年来,许多专家受自然界行为的启发,提出了很多启发式优化算法来解决复杂的计算问题,例如：蚁群算法、粒子群算法、模拟退火算法、遗传算法等等。虽然这些算法为解决一些问题提供了有效的途径,但是在解决高维空间的优化问题时易陷入局部最优,导致收敛速度慢、求解精度低等问题。因此,继续探索新的启发式优化算法仍然是有必要的。随着时代的发展,数据挖掘广泛应用于众多领域,聚类分析作为数据挖掘的一个重要研究方向,受到越来越多研究人员的关注与探讨。传统的聚类算法在对高维数据进行聚类时会出现对初始化数据敏感、聚类性能下降等问题,甚至无法完成聚类任务。本文针对上述问题进行了以下几方面的研究：(1)为改善引力移动算法的搜索性能,针对引力移动算法对一些高维空间优化问题搜索精度不高、收敛速度慢等问题,在算法中为每个个体的惯性质量引入一个权重,由此构造出一种基于权值的引力移动算法。新算法对个体位置更新加以引导,试图提高算法的搜索能力。本文使用13个基准函数对新算法进行试验,结果表明,新算法在收敛速度和求解精度上优于引力移动算法。(2)模糊C-均值聚类算法是一种局部搜索算法,其寻优过程是通过迭代梯度逐步下降的办法来实现的,导致算法易陷入局部最优；并且该算法对初始化的聚类簇中心位置等数据比较敏感。改进的引力移动算法是基于群体行为,个体的初始位置是以一定的概率均匀分布在解空间中,相对于其他一些算法它的全局搜索能力强、收敛速度快,我们把这两种算法结合来克服模糊C-均值算法的缺点,从而得到比较理想的聚类效果。