群体智能优化算法效率高且用途广泛,基于群体的自然元启发式算法不追求建立、拟合被优化问题的精确数学模型,在使用其他优化方法难以求解甚至无法求解的问题上,具有可高效、有效解决问题的能力。在普适性、鲁棒性方面优势明显。对于群体智能优化算法来说,如何进一步加快基于群体的自然元启发式算法的收敛速度成为提高群体智能优化算法性能的关键问题。聚类算法是数据挖掘领域中一类经典的无监督学习方法,可以找出数据间潜在的结构关系,将具有相似性的个体聚集在相同的簇中,属于一种高效数据聚合技术。现阶段多数聚类算法在面对高维、复杂数据都很难得到精准的聚类结果,因此如何提高聚类精度就成为提高聚类分析算法性能的关键问题。为了解决上述描述问题,提出一种适用于所有群体智能优化算法的框架,并在框架下形成了具体算法,有效提升了算法的寻优精度和收敛速度;同时,将改进后的群体智能优化算法其应用于模糊C均值聚类算法中,提高聚类精度。本文的主要内容和创新如下:（1）本文对现有的群体智能优化算法特点进行总结分析,提出了基于跨阶段进化的骨干优化框架（BOFCS）。该框架是一种能够适用于所有群体智能优化算法的框架,具有普适性。同时阐明了该框架以概率1收敛到全局最优解集。（2）在基于跨阶段进化的骨干优化框架的基础上,选用鲸鱼优化算法（WOA）形成基于跨阶段进化的骨干鲸鱼优化算法（BWOACS）来验证框架的有效性。（3）模糊聚类算法是聚类过程中常用的算法之一。本文将改进后的BWOACS与模糊C均值聚类算法（FCM）相结合形成基于跨阶段进化的骨干鲸鱼优化模糊聚类模型（BWOACS-FCM）,该算法能够提高聚类精准度同时改善个体容易陷入局部最优值的缺陷。