粒子群优化算法和微分进化算法是近年来提出的两种简单而高效的进化算法，因为它们易于理解和实现，以及受控参数少等优点，一经提出就得到了广泛的研究和应用。本文详细阐述了二者的基本内容，基于粒子群优化算法和微分进化算法提出了儿种新的优化算法，并重点研究了PSO和DE算法在K-means聚类优化问题中的应用。主要研究内容如下：　　 ⑴对PSO算法和DE算法的原理进行了详细地阐述，分析了参数设置对算法优化效果的影响，给出了算法流程。　　 ⑵给出两种改进的粒子群算法.一是带有自适应变异的量子粒子群优化算法，根据群体适应度方差和空间位置聚集度构造自适应变异算子，以增加种群的多样性，从而达到全局寻优；二是提出了混沌量子粒子群算法，利用混沌初始化避免种群出现聚结现象，对全局极值添加混沌扰动实现全局寻优，通过典型的函数测试表明，这两种改进算法既克服了标准粒子群优化算法易出现早熟收敛的缺陷，又提高了算法的搜索速度和收敛精度，在很大程度上改善了标准粒子群算法的性能。　　 ⑶提出了一种带有自适应变异的混合差分进化算法，采用DE/best/1和DE/rand/1线性递减加权组合变异方案。引入开口向上抛物线缩放因子取值策略和指数递增交叉概率因子，以平衡局部搜索和全局搜索能力，提高算法的全局寻优能力。后期，根据适应度方差和空间位置聚集度进行自适应变异增加种群的多样性。实验结果表明新算法是一种收敛速度快、求解精度高、鲁棒性较强的全局优化算法。　　 ⑷针对K均值算法易陷入局部寻优及对初始值敏感的缺点，结合PSO和DE算法全局寻优能力强的特性。将K-means算法的迭代过程由PSO和DE算法来替代，协同进化，比较两种算法的最优值，输出寻优结果较好的，利用不同的评判指标进行评判，并与基本K-means算法、基于PSO优化的K均值聚类算法(KPSO)及基于DE算法的K均值聚类算法(KDE)进行比较，实验结果表明，融合PSO和DE的改进的K-means算法，有很强的全局寻优能力，是一种可靠的聚类方法。同时，也增强了PSO和DE算法的应用性。