21世纪是信息和数据的时代,随着社会的计算机化快速发展使得大量的数据从我们生活的每个角落涌出。数据量的增长速度在各行各业中呈现几何指数增长,这是比以往任何时候都要快的,不但提高了人们对数据处理技术研究兴趣,也使得数据挖掘这个学科逐渐受到了社会的重视。聚类分析作为数据挖掘技术的一个重要的组成部分已经植根于许多应用领域,如生物学、安全商务智能和Web搜索等。本文主要探讨了人工鱼群算法,K-medoids聚类算法,粒计算,粗糙集理论,主要研究工作如下:1.分析人工鱼群算法和K-medoids算法的优缺点。提出了一种基于人工鱼群与K-medoids的混合聚类算法。算法首先改进人工鱼群算法,然后结合K-medoids进行混合聚类,实验表明:该算法比标准的鱼群算法和传统的K-medoids算法在准确率和稳定性方面都得到了更好的聚类效果。2.分析粗糙集与粒计算对聚类算法的影响,提出了一种基于粒计算与粗糙集的人工鱼群聚类算法。算法引入粒计算理论,并依据粒密度和最大最小距离积法选择初始化人工鱼群,避免算法易受随机性的影响;通过结合粗糙集的决策系统和属性约简,提高算法处理边界数据的能力;采用类内紧致性和类间分离度的原则构建适应度函数,并将其作为算法的终止判断条件。通过仿真实验及分析说明该算法提高了聚类精度,增强了获取全局极值的能力,具有良好的聚类效果。