自适应聚类算法根据数据对象本身的特点,不需要预先指定聚类簇的数目,通过对数据对象之间相互联系的演化设计,数据蕴含簇的数目以及簇的成员自动涌现出来,已经成为近年来数据挖掘领域研究的热点。当前基于群体智能的自适应聚类算法中Agent搜索目标过程由于缺少智能选择机制,浪费一定的计算资源。此外,数据位置更新时,仅采用随机移动规则而难以做出适应度提升决策,导致聚类结果质量和运行效率存在缺陷。本文根据上述问题,提出两种自适应聚类算法,即基于密度的虫媒传粉自适应聚类算法和基于引力模型的虫媒传粉自适应聚类算法。基于密度的虫媒传粉自适应聚类算法将传粉昆虫与植物交互过程中的自适应Agent系统微观-宏观行为的映射机制及其非线性动力学特征有效地转换为具有理论依据的数学模型。利用Agent传粉昆虫在搜索目标过程中的智能评估特性,克服了由于较低的随机搜索机制效率而浪费了大量计算资源的缺陷。此外,对算法模型相关预设的参数值进行参数敏感性分析,避免仅凭人为经验设置的带来的缺陷。采用面向局部和面向全局的更新策略,提高了聚类综合质量,同时,本算法的基于高斯核函数相似度度量方式会依据运行结果实时更新,找到正确划分数据对象的依据,从而可以适应不同数据集的空间结构特征。引力模型根据空间距离将目标对象更新至密度较高的邻域范围内,基于该原理,在引力模型中引入数据对象间的特征相似度的评估机制,改进的引力模型以特征相似度和位置坐标为权重,通过评估邻域范围内其他数据点相似度和坐标距离,从而得到数据偏移后的新位置,使得数据在面向局部和面向全局更新后的位置具有更高的适应度,克服了传统自适应聚类算法中数据仅凭随机移动而难以做出适应度提升决策的缺陷。本算法适用多种类型数据集,并且对噪声不敏感。两种基于虫媒传粉的自适应聚类算法的有效性和性能均通过仿真实验验证,仿真结果表明,本文提出的两种自适应聚类算法在聚类结果质量和稳定性方面总体优于现有的基于群体智能的自适应算法。两种算法的可行性和有效性实现了将生物智能系统自组织和协同控制策略有效地转换为可用的人工智能算法框架的目标。