近年来,随着计算技术的进步和发展,各行业每天都会产生成千上亿的数据和信息。为了有效地利用隐藏在这些数据中的信息,数据挖掘技术应运而生。如在工业生产领域,光伏产业近些年呈现迅速发展趋势,太阳能电池凭借其较高的性价比在光伏市场占据主导地位,多晶硅是太阳能电池一种主要材料,多晶硅材料生产过程中会产生大量的生产数据,如何充分利用这些数据挖掘有用信息指导生产是本项目研究重点。聚类分析作为数据挖掘领域的一个研究热点,可用于对无标签数据按照数据分布规律进行类簇划分。本文将聚类分析用于多晶硅生产数据配料方案选择,以实现在成百上千种原料数据中找出成本低廉,经济效益较高的原料配比方案。聚类分析的主要目的是将数据划分为多个类簇,使不同类簇中样本间的相似程度尽可能小,而相同类簇中样本间的相似程度较大。其中,基于划分的聚类算法由于其简单、高效、易于实现和扩展且计算复杂度接近线性而在生活中得到广泛应用。经典的基于划分的聚类算法包括K-means、K-means++和FCM等算法。这些算法灵活简单、算法收敛速度快且较容易扩展新的功能,但是也存在较多不足之处,如初始聚类中心的选择对算法结果影响较大,此外算法运行过程中以样本之间的欧式距离判定相似程度,难以利用算法迭代过程中产生的信息,一定程度上降低了算法的运算速度。针对已有的基于划分的聚类算法对初始聚类中心较为敏感的缺陷,以及算法迭代过程中以欧式距离划分样本所造成的时间复杂度较高的问题,本文提出了一种基于强化学习的聚类算法（Reinforcement Learning Clustering,RLC）。该算法不需要通过随机选择进行聚类中心的初始化,在聚类任务中引入了强化学习的奖惩机制,通过建立Q表存储算法运行过程中智能体（Agent）学习到的“知识”,通过Agent选择行为的方式代替了计算欧式距离的过程,提升算法的运行速度。使用K-means、K-means++、FCM以及RLC算法在10个小规模数据集上进行实验,结果表明RLC算法具有较高的聚类准确率以及较好的聚类性能。相对于经典的聚类算法,RLC算法虽然具有一定优势,但对于小规模数据集,该算法的运行时间较长。为了解决该问题,本文进一步提出了一种基于DPRI（Discretized Pursuit Reward Inaction）的单行为强化聚类算法（Single Behavior Reinforcement Clustering,SBRC）。该算法引入了DPRI的离散化奖励技术,同时去除了RLC算法中各行为累积奖励之和为1的约束,算法运行过程中只对Agent所选行为的累积奖励进行更新,其余Agent未选择行为的累积奖励则不更新,进一步减少了算法的运算量。SBRC算法中将贪婪系数设置为一个随迭代次数增加而增大的动态值,使之得到更加稳定的聚类结果。在RLC算法实验所用数据的基础上进一步添加两个中规模和一个大规模数据集对SBRC算法进行性能分析。实验结果表明,与RLC算法相比,SBRC算法在具有较高准确率同时,对小规模数据集的处理速度得到显著提升,处理中规模和大规模数据时具有更大的时间优势。多晶硅生产工艺复杂,工序繁多,其产品质量受多种因素共同影响。工业生产领域常使用物理和化学等方法对多晶硅生产流程和原料的化学成分进行分析以提高产品的质量,并未考虑生产成本的问题。多晶硅实际生产过程中原料种类和配比方案复杂多样,使用传统的分析方法难以从中找出成本低廉,经济效益较高的原料配比方案。本文以上述创新算法为关键技术,将聚类算法用于多晶硅生产数据原料配比方案选择,提出采用聚类算法对多晶硅生产数据进行分析的创新思路,根据少子寿命值等指标从不同类簇中找出经济效益较好的原料配比方案。同时采用DB指数和轮廓系数指标进行评价,结果表明,本文提出的算法具有较好聚类效果,可用于多晶硅实际生产过程中原料配比方案选择。