在大数据时代背景下,群体智能的研究作为人工智能的重要研究分支,群智能算法的改进与其在数据挖掘中的应用成为研究热点。而在大数据环境下,数据规模大、更新速度快以及数据类型类型多样化等特点导致传统的群体智能模型逐渐不能满足大数据实际环境下复杂问题的需求,所以针对解决大数据环境下的复杂优化问题而设计新型群智能优化算法具有非常重要的意义。同时,聚类分析作为数据挖掘技术的重要组成部分,得到了国内外诸多学者的广泛关注,各种聚类算法应运而生。而对于数据集的聚类可以看作是一个优化问题,寻找最优的数据聚类方案就是该问题的优化目标,因此本文通过改进当前优化方法来提高聚类分析的质量。基于上述研究背景,本文选择群智能算法中最具代表性的粒子群优化算法以及聚类分析方法中应用最广泛的划分聚类算法作为本文研究工作的理论基础,并围绕相关算法开展了一系列研究,具体内容如下:1)对当前的粒子群算法研究现状进行分析,针对相关算法的优势与缺陷提出改进方案,设计一种基于群活性反馈的Sigmoid型分数阶粒子群算法。该算法能够根据当前迭代周期种群的活性度以及每个粒子的活性度,自适应调整每个粒子下一个周期的运动参数,并通过混合变异机制进一步降低算法陷入早熟收敛的风险,在增加较少计算复杂度的同时大幅提升算法的收敛速度与收敛精度。2)围绕对统划分聚类算法效果有较大影响的聚类个数以及初始聚类中心的选择问题,结合本文设计改进的基于群活性反馈的Sigmoid型分数阶粒子群算法,针对聚类分问题的特点设计新的粒子编码方式以及寻优规则,给出一种基于改进分数阶粒子群的自动聚类算法,使该算法能够自动确定合适的聚类个数与聚类中心点位置,并提高传统聚类方法的聚类质量与鲁棒性。