人工蜂群算法是一种新兴的群智能算法,具有算法灵活、易于与其它技术结合、设置参数少、实用性强的优点,被广泛应用于管理科学、控制工程、图像处理、数据挖掘等领域。人工蜂群算法是群智能算法中较年轻的算法,拥有很多优点的同时也存在一些缺陷,如蜜源更新和选择机制随意性较大,算法后期收敛速度慢等缺点。本文在总结前人研究成果的基础上,从跟随蜂阶段的蜜源更新方式和选择机制两方面对基本的人工蜂群算法进行改进,接着将人工蜂群算法扩展为人工蜂群聚类算法,并提出基于模糊C-均值聚类算法和改进的人工蜂群聚类算法的混合的聚类算法。算法的应用是人工蜂群算法研究的热点,本文将基本的人工蜂群聚类算法、改进的人工蜂群聚类算法和混合的聚类算法用于Meuse数据集和中国部分县域经济数据集的空间聚类分析,取得了较好的结果。本文主要工作如下:1.分析本文的研究背景、意义,从空间聚类分析和人工蜂群算法两个方面分析国内外的研究进展,并指出当前研究中存在的主要问题。2.对本文所涉及的相关理论与技术基础做简单介绍,包括聚类分析和空间聚类分析的相关内容,模糊集合理论和模糊聚类,群智能优化算法的计算机制和特点。3.从跟随蜂阶段的蜜源更新公式和选择机制两方面对人工蜂群算法进行改进,详细阐述了改进算法的流程,选择5个常用的测试函数,对测试函数进行简单介绍后,通过实验验证算法改进的有效性。4.将人工蜂群算法扩展为人工蜂群聚类算法,详细阐述算法的流程。针对模糊C-均值算法和人工蜂群聚类算法的特点,提出基于模糊C-均值算法和改进的人工蜂群聚类算法的混合的聚类算法,给出了算法流程图,最后采用UCI数据库中5个常用数据集比较各算法的性能。5.将基本的人工蜂群聚类算法、改进的人工蜂群聚类算法和混合的聚类算法用于两个数据集的空间聚类分析,实验结果表明各算法聚类的结果与实际情况基本吻合,改进的人工蜂群聚类算法和混合的聚类算法在收敛速度、聚类准确率、寻优精度以及算法稳定性等方面与基本的人工蜂群聚类算法相比均有提高。