聚类是应用于数据挖掘中的一个主要关键性技术手段,将模糊理论应用到模糊聚类分析中,为实际生活中许多的具有“中介性”属性的数据处理提供了模糊处理的能力。其中FCM聚类算法作为模糊聚类算法中的典型代表,它具有简单易于实现、收敛速度快、局部搜索能力较强的优点。目前,将其与智能算法相结合已经成为其研究发展的主流方向,越来越多的混合算法已经被学者们研究出来,取得了比较优良的聚类效果,与此同时,也加快了算法的收敛速度。群体智能算法就是一种通过模拟自然界生物的群体行为和生物特性来构建的随机优化算法。而人工蜂群算法作为群智能算法中较年轻的一种优化算法,由于其易于实现、控制参数少及鲁棒性强等优点,在处理优化问题时有着卓越的表现,已经被越来越多的学者接受和推广,目前已经成功应用到了多个领域中了。然而,FCM聚类算法存在对初始聚类中心的选择和噪声数据敏感的缺点,以及人工蜂群算法全局搜索能力不够强,针对以上的不足,本文通过搜集国内外相关资料,提出了一种基于连续分布估计的人工蜂群算法,并将改进后的人工蜂群算法和FCM聚类算法结合得到了基于混合人工蜂群算法的模糊C-均值聚类算法,研究内容主要有:(1)研究基于连续分布估计的人工蜂群算法:研究的目的主要是把人工蜂群算法得到的局部“微观”信息与分布估计算法获得的全局“宏观”信息相结合,提出一种新的蜜源生成策略,得到一种将连续分布估计算法和人工蜂群算法混合的混合人工蜂群算法,使得算法在收敛速度、鲁棒性等方面得到明显的改善,从而使ABC算法的全局探索能力得到加强。(2)研究基于混合人工蜂群算法的模糊C-均值聚类算法:利用基于连续分布估计的人工蜂群算法来确定FCM的初始聚类中心,使其克服了对初始聚类中心很敏感这一缺点,从而加快了FCM算法的聚类速度,也提高了它准确性。(3)研究基于混合人工蜂群算法的模糊C-均值聚类算法在Web日志挖掘中的应用:通过对用户聚类可以将具有相似浏览习惯的用户分为一组,利用这些信息,在给用户提供具有个性化服务以及电子商务等应用中时具有重要的意义;通过对页面进行聚类能够将内容相关联的网页组进行分类,为页面结构的整改和网上的搜索引擎的设计等方面提供有价值的信息。