在数据挖掘中,很多工作都集中在发现能够高效地对大数据库进行聚类分析的方法上。在现有的大量聚类算法中,尤其以K-means算法应用比较广泛。K-means算法以点为原型,能够实现球形数据的聚类。该算法思想简单,易于实现,而且运行速度快,内存消耗小,能有效地处理大数据集,但是K-means聚类算法存在一些缺点:只有在初始值确定的情况下,聚类结果才是唯一确定的;算法都是局部寻优算法,容易追寻目标函数而陷入局部最优解,而且算法在一定程度上依赖于初始分类的确定,如果初始分类严重地偏离全局最优分类时,算法很容易陷入局部极小值,得到一个局部最优解。另一方面由于PSO算法结构简单,运行速度快,所以也被大量地用于聚类算法中。因此本文在前人的基础上对算法进行了改进,把两种算法进行了有机的结合。所做的工作如下:1.用变异粒子群聚类挖掘完成聚类。首先分析了粒子群算法的缺点,将粒子变异引入粒子群算法,通过增加种群的多样性来克服早熟收敛现象;其次通过对惯性权重的调整提高了算法的精度和收敛速度;最后,将K-means算法和粒子群算法结合起来形成一种混合聚类算法。该算法有效地平衡了粒子群寻优过程中的探索和开发,从而保证了粒子群算法稳定且收敛到全局最优。2.用基于种群多样性的PSO聚类挖掘算法实现聚类。首先分析现有的描述种群多样性指标的缺点;其次将基于粒子群算法的变异操作和K-means算法结合到粒子群算法中;最后,通过内部空间特性对粒子进行适当的扰动。该算法既改善了粒子群算法的局部搜索能力,又通过增加种群的多样性,避免了算法出现早熟收敛现象。3.计算机仿真。使用VC-6.0工具对提出的算法进行模拟实现,并对提出的算法与现有的成果进行比较,分析算法的优劣性。