聚类广泛应用于信息检索、卫星遥感、金融证券、数据传输等众多领域。基于全局搜索机制的微粒群优化技术,由于不依赖问题的特性、可以快速找到问题的最优解或者次优解,近年来学者们开始将其用于聚类问题。论文分析现有微粒群聚类算法存在的不足,针对类中心数目未知情况下的静态数据聚类和流数据聚类等问题,开展其微粒群优化理论与方法的研究。(1)考虑类中心数目未知情况下的静态数据聚类问题,研究其多目标微粒群优化理论与方法。首先,针对现有多目标微粒群优化算法的不足,提出一种改进的多目标量子微粒群优化算法;给出一种结合自适应跳动算子的量子更新策略,用来更新微粒的位置;通过引入基于全局差异值GD排序的选择策略,提出一种新的微粒全局极值点的更新策略;并选择ZDT和DTLZ等典型测试函数,与多种典型算法进行比较,实验验证了所提算法的有效性。接着,将上述多目标量子微粒群优化算法用于类中心数目未知情况下的静态聚类问题,提出一种改进的多目标量子微粒群聚类算法;给出一种适于类中心数目未知情况的整数编码策略;基于canopy策略预测类中心的数目,设计一种有效的微粒群初始化策略;通过引入“与”、“并”和“差异”算子,定义一种改进的离散量子微粒更新公式;最后,通过多个UCI典型测试数据集,实验验证所提算法的有效性。(2)针对流数据聚类问题,研究其多种群协同微粒群聚类方法。借助时间窗将按序到达的流数据分成若干数据子块,采用多个微粒群协同处理收到的每个数据子块。处理某一数据子块时,利用变量分割思想将高维聚类问题划分为多个仅包含一个类中心的低维子聚类问题,一个子微粒群优化一个子聚类问题,多个子微粒群协同进化,进而求出问题完整的类中心集合;在子微粒群进化时,给出一种类中心变化趋势的预估策略,以加快算法对环境变化的响应速度;给出一种相似子微粒群的合并策略,以防止多个子微粒群同时优化一个类中心;最后,将该算法用于多个数据集,实验结果验证了算法的有效性。