智能算法是模拟自然界中生物繁殖、觅食、筑巢等行为来求解复杂优化问题的方法,其凭借简单的迭代过程、高效的求解效率、优良的算法性能得到了国内外学者的广泛关注。聚类就是将零散的数据矢量按照某种聚类规则进行聚集,使同一类别的数据聚为一组,最终得到若干个不同分组的过程。在现实生活的各个领域聚类都有着普遍的应用。为了应对不同的聚类问题,研究者们研发出了多种可行算法。然而大规模复杂数据集的出现对聚类技术提出了更高的要求,它要求聚类分析算法具有可伸缩性、能处理不同类型数据、有处理高维数据的能力等。面对这些问题与要求,将传统聚类算法与其他技术结合,进一步提高聚类性能已经成为当前研究的一种趋势。本文主要针对智能算法在聚类问题中的应用进行研究。首先,为了增强算法的全局搜索能力、加快算法的收敛速度、提高算法的求解精度,对传统智能算法进行了改进;其次,将改进后的智能算法与经典的k-means聚类算法进行融合;然后,将融合算法运用于求解聚类问题当中;最后,进行了实验验证和聚类结果分析。通过在经典测试实例上的实验结果表明,求解聚类问题时,本文提出的智能算法与传统的聚类算法相比,在某些情况下具有更优的性能。本文的主要工作如下:(1)对粒子群算法进行改进,提出惯性权重递增的粒子群算法,缓解了最优值过快收敛易陷入局部最优的情况,增强了粒子群算法的全局搜索能力。(2)对引力搜索算法进行改进,将粒子群算法中向最优解学习的思想引入到引力搜索算法中,提出加速学习的引力搜索算法,加快了算法的收敛速度,提高了算法的求解精度。(3)分别将改进的上述两种算法、细菌觅食算法与k-means算法进行融合,应用于聚类问题当中。