计算机在实际生产中的广泛应用产生了海量数据,从而开启了大数据时代。随之而来的挑战是如何从中找出有价值的、完整的、能够为决策提供依据的知识,这一要求让数据挖掘技术得以快速发展。聚类分析是数据挖掘中的一个重要研究领域,在数据分析、模式识别、图像处理等诸多领域得到广泛的应用。近年来蚁群算法被应用到聚类分析中,蚁群聚类算法具有正反馈和高并行的特点,不过也存在收敛慢、容易停滞,易于陷入局部最优的问题。而遗传算法具备快速良好的全局搜索能力,将两种算法进行融合,充分利用这两个算法各自的优势和特点,能更有效地进行聚类分析。本文的主要工作如下:(1)本文对聚类分析的相关知识进行了介绍,同时分析了蚁群算法及蚁群聚类算法相关知识,在此基础上提出了 GACA算法。(2)在遗传算法和蚁群算法融合处,设计了数据分布新方案,以单一元素和堆的形式分布在二维空格中,另外为了防止蚂蚁搬运数据发生反复震荡现象,算法中使用了蚂蚁记忆标记策略。在遗传算法中设置了最大最小进化代数,通过种群进化率判定算法融合点,并且尝试了以聚类质量估计聚类数的思路。(3)本文选取了 Car、Soybean、Voting、Zoo 四个 UCI 数据集,用 K-modes、ECA、GACA、LF四个算法做了实验,通过实验结果分析可知,本文给出的GACA算法在聚类正确率和收缩率方面更优。