聚类算法是统计学研究的热点问题,是数据挖掘和处理大数据的重要工具,本文通过对聚类算法的分析研究,得到了如下结果:1.建立了基于扰动因子的准则函数下的聚类算法.针对K-均值聚类算法对于初始聚类中心异常敏感的缺点,提出利用蚁群聚类算法来搜寻K-均值聚类算法的初始聚类中心,同时给聚类准则函数增加了一个服从均匀分布的扰动因子,建立了基于扰动因子的准则函数下的聚类算法.然后对蚁群聚类算法以及改进前后的聚类算法做了对比实验,实验结果表明,改进后的聚类算法的聚类效果更好,且聚类结果更加稳定.2.建立了基于扰动因子的相似度下的聚类算法.针对K-均值聚类算法容易陷入局部极小值的缺点,给搜索空间增加了一组范围逐渐缩小的随机序列,建立了基于扰动因子的相似度下的聚类算法.然后对改进前后的聚类算法做了对比实验,实验结果说明了改进后的聚类算法的聚类能力更强,准确率更高.3.建立了基于加权马氏距离的蚁群聚类算法.针对原始蚁群聚类算法忽略了变量之间相关性的干扰以及量纲的影响,利用变异系数法确定权值,用来衡量属性的重要程度,建立了基于加权马氏距离的蚁群聚类算法.然后做了对比实验,实验结果表明,改进后的聚类算法的聚类准确率比FCM算法、M-FCM算法、ACCA的准确率更高,然后利用M-ACCA对股票进行了聚类分析研究,并将其聚类结果与ACCA的聚类结果进行了对比,结果表明M-ACCA的聚类效果更好.最后,对本文的研究内容与方法进行了全面的总结,并对以后的研究问题与方向进行了展望.