经典的果蝇优化算法存在收敛精度不高、易陷入早熟收敛和局部最优的缺点,对此,提出一种新的果蝇优化算法。该算法在初始位置选取时利用混沌思想使初始值均匀分布在解空间中,算法后期收敛时,使用禁忌搜索跳出局部最优,避免早熟收敛。针对K-mediods聚类算法易陷入局部最优的缺点,将改进的果蝇优化算法与K-mediods聚类算法融合形成一种新的K-mediods算法,利用改进果蝇优化算法的全局寻优特点优化K-mediods,使得算法可达到更好的聚类效果。在对比性实验中,采用标准优化测试函数验证改进的果蝇算法性能,结果表明改进的果蝇优化算法在寻优速度和精度上效果更优。在人工数据集与UCI数据集上对新的K-mediods算法与其他算法聚类效果进行比较,结果表明新的K-mediods算法在聚类准确率和效率上均有所提高,同时适用于高维数据的聚类。