聚类分析是数据挖掘中一个很活跃的研究领域,其核心目标是将待处理对象的集合在相似的基础上分成多个类。随着研究的深入,新的聚类方法相继被提出。相对于传统的聚类分析方法,现代的聚类方法在大数据时代,具有更快的处理速度和聚类准确度。其中,基于群体智能的聚类分析因其鲁棒性、自发性和潜在并行性受到了学术界的广泛关注。群体智能观察群居性生物在协作过程中表现出的宏观智能行为而模拟的模型。群体智能的相关研究早已存在,到目前为止也取得了许多重要的结果。论文的主要工作包括:1.针对群体智能的重要算法进行优缺点分析。本文首先研究了聚类分析的一些常用算法,阐述了群体智能的起源和发展历史,然后针对群体智能中最具代表性的蚁群优化算法和粒子群优化算法进行了深入的研究,其中包括算法的基本原理,算法及其优缺点,发展现状。2.针对粒子群优化算法的缺点,提出减法粒子群优化算法,提高了聚类的准确度。本文结合减法聚类算法针对粒子群优化算法进行了改进,克服了粒子群优化算法对初始点敏感,并且限定了粒子运动的边界,提高了聚类性能。3.针对量子粒子群优化算法的缺点,提出带交叉算子的自适应量子粒子群优化算法,提高了原有算法的聚类性能。本文对量子粒子群优化算法进行回顾,并分析了量子粒子群的优缺点。在此基础上,引入交叉算子,帮助粒子群跳出停滞,增加了粒子的多样性,并且提出了自适应的收缩扩张因子的参数调整,加快了粒子群的收敛速度。通过实验结果验证了算法的有效性。-本论文基于群体智能和聚类分析的研究,对基于群体智能的聚类算法提出了改进,可以更好的提高聚类算法的性能。并且算法潜在的并行性可以将其应用到并行化计算中,处理大数据和复杂数据。