信息时代技术发展越来越快,数据量剧增,例如在工业生产领域,多晶硅及碳碳复合材料生产过程中涉及到的生产因素比较多,会产生大量的生产数据。如何充分利用数据挖掘技术对上述数据进行分析以提高实际生产效率是本项目的研究重点。聚类算法是数据挖掘中一种重要的数据分析手段,模糊C均值算法（Fuzzy CMeans,FCM）作为软聚类算法,主要采用隶属度确定样本所述类簇。FCM主要缺陷是需要人工设定类簇数目及初始聚类中心,运算复杂度偏高、聚类结果易导致局部最优等。采用智能算法对其优化是近年研究趋势。强化学习是一种智能体与环境交互来获得反馈从而不断对全局解进行优化的算法,采用奖惩机制获得最优动作,常被用于游戏规划等。主要包括学习自动机、Q-Learning、Sarsa、Policy Gradient等算法,基于强化学习奖惩机制及全局优化能力对已有模型进行性能优化近年呈现增长趋势。为此,针对模糊聚类存在的缺点,利用强化学习的全局优化能力对模糊聚类算法进行改进,在迭代过程中通过奖惩机制对聚类效果不断调整,以提高算法的性能。本文工作主要包括以下几方面。模糊聚类算法FCM采用隶属度矩阵表征各样本隶属于每个类簇的程度,其初值及求解方式直接影响聚类性能。学习自动机作为一种强化学习算法,具有高效的自主学习能力,其运行在概率空间,具有良好的噪声鲁棒性以及全局调优能力等优点。为此,本文提出了一种基于学习自动机的模糊聚类算法（Fuzzy c-Means Based on Learning Automata,LAFCM）,所提出算法将学习自动机的Q表映射为FCM算法隶属度矩阵,以利用学习自动机的自主学习能力更新各样本隶属度,充分考虑了聚类中心和新旧隶属度矩阵之间的关联,同时引入平均类内距离作为更新策略;利用学习自动机的奖惩机制,根据平均类内距离和目标函数变化对Q表及聚类中心进行更新。根据Q表各行最大值确定样本所属类簇。实验结果表明,LAFCM算法具有较好的聚类效果。LAFCM算法在聚类性能上有一定的提升,但是其在对目标函数进行求解时,未考虑上次迭代及当前目标函数值对下一次迭代性能产生的影响,使得在部分数据集上聚类效果较差。本文分析表明,该信息对聚类性能提升有显著影响。Q-Learning属于一种经典的强化学习算法,Q-Learning优点在于其寻找最终状态s的过程是一个反向优化的过程。在算法迭代过程当中,在每次迭代过程中将现在的结果与下一状态的预期结果进行误差比较。为此,本文进一步提出了基于Q-Learning的强化学习聚类算法（FCM algorithm based on Reinforcement Learning,RLFCM）。该算法引入了QLearning的梯度学习策略,并将其用于目标函数更新,将上次目标函数值与下次预估目标函数值的偏差考虑在内,以充分挖掘目标函数中有效信息,提高聚类性能。实验结果表明,与K-means、FCM、IEWLFCM、LAC四种算法相比,RLFCM算法在准确率等聚类性能指标上都有较好的提升。本文最后利用提出的LAFCM算法及RLFCM算法对多晶硅数据、碳碳复合材料生产数据进行分析,构建了工业生产数据聚类分析模型。实验结果表明,本文提出的聚类算法用于工业生产数据分析具有良好的聚类效果,可以用于企业实际生产中选取更优的生产方案,具有一定的实用价值。