在数据挖掘中,数据聚类是一项重要的任务。数据聚类通过优化特定的聚类指标来完成聚类划分任务,已知是一种NP难问题。进化算法是一种全局搜索算法,被大量用于解决这类NP难问题。然而,已有的进化聚类算法存在速度慢、精度不高等问题。为了解决这种问题,研究者将进化算法与k均值相结合用于数据聚类。虽然基于k均值的进化聚类算法取得了良好的聚类效果,但其仍旧存在一些问题可能会限制其聚类性能:1)进化聚类算法通常使用固定强度的k均值算子;2)算法难以有效维持种群多样性,存在过早收敛现象;3)进化聚类算法需要预先设置聚类簇数。研究一种高效的进化聚类算法仍旧是一项具有挑战性的难题,此研究也将推动进化计算领域以及聚类的理论发展。本文的主要工作和成果如下:1.针对进化聚类算法中k均值算子的使用方法过于固定的缺点,展示了一种广义k均值使用框架,该框架允许在进化搜索过程中任意调整k均值的使用强度以及频率,并基于该框架,提出了一种自适应策略来动态地调整k均值的强度和频率。此外,为了防止算法过早陷入局部最优,提出了一种反向搜索策略,并基于该策略实现了自适应k均值算子,最终提出了一种基于自适应反向k均值算子的文化基因算法用于数据聚类,并取得了较好的实验结果。2.针对小生境方法在单次进化搜索中难以同时维持已识别的局部最优解和探索新的局部最优这一缺点,提出了一种分层采样策略来驱动一个大种群存储更多已识别的局部最优解,同时构造出具有不同搜索偏向的子群来完成探索新局部最优解的任务。此外,针对进化算法局部搜索能力弱、难以提供高质量局部最优解的缺点,提出了一种基于交叉的局部搜索算子。结合分层采样策略与基于交叉的局部搜索算子,提出了一种新型差分进化算法用于多模态优化问题,并将所提算法应用于聚类问题。实验结果表明,所提算法在多模态优化问题和聚类问题上具有较强的搜索能力。3.针对进化聚类算法需要预先设置聚类簇数的缺点,提出了一种基于近邻变异的差分进化算法用于自动聚类问题。所提的近邻变异策略能够促进算法在进化搜索早期对最佳聚类簇数的搜索以及进化搜索末期对最优聚类划分的搜索。此外,对已有聚类指标进行修改得到一种新的聚类指标用于自动聚类任务。实验结果表明,所提算法能够搜索出合适的聚类簇数以及对应最优聚类划分。