随着科学技术的不断发展,现实生活中会有大量的数据产生和积累,这也促使人们不断去挖掘数据背后的信息和价值。聚类分析的结果能了解到数据本身的分布信息和对应的结构,从而更好地帮助人们解决实际应用中的问题。而在许多实际的应用中,执行未知聚类数目的自动数据聚类分析是很有必要的。演化计算在处理这类任务方面有其显著的优势,但现有的演化聚类算法仍然存在一些问题。本文提出了一个全新的弹性差分演化算法(Elastic Differential Evolution,E-DE)解决自动数据聚类问题。不同于传统的演化计算方法,算法采用的是可变长度的编码方案,该方案只编码在聚类过程中生效的中心坐标,消除了编码的冗余性,从而提高算法的搜索效率。为了让种群中不同长度的个体向量可以交换学习到正确的信息,我们设计了一个两阶段的变异算子和一个基于子空间的交叉算子。变异方法首先是通过不同个体的差分信息确定聚类数目,进而通过高斯扰动确定聚类中心坐标。而交叉方法则是利用一个选定的染色体片段构建出的子空间区域交换目标向量和变异向量中的聚类信息,通过子空间交换的方式产生新的试验变量。这些演化算子以传统的差分演化算法作为基础参考,再结合聚类空间结构上的信息,产生对应的后代解决方案。特别地,个体参数向量的每一维度都是和它相关的维度交换信息,这不仅使得算法能自适应调节类数,还避免了传统演化聚类算法存在的维间学习错误的问题。我们在现实和仿真数据集下的实验结果表明,本文提出的算法性能优于现有的聚类算法。算法不仅能找到正确的聚类数目,还可以取得一个好的聚类指标适应值。通过后续的灵敏度分析,检验本文的参数设置、演化算子的设计和空类的处理,再一次证明了本文提出的算法的有效性和鲁棒性。