摘要：本文首先提出一种基于适应度权重的改进粒子群算法，该算法能够根据群中粒子收敛情况动态地调整构成粒子运行速度。然后将已提出的改进粒子群算法与K-means算法结合，使结合后的聚类算法取改进粒子群算法之所长，补K-means算法之所短。通过分析证明，在算法的有效性和算法效率上比其他算法都有明显的提高。

关键词：粒子群算法；聚类算法

1. 引言

粒子群优化(Particle Swarm Optimization，PSO)是一种群智能(Swarm Intelligence)方法的进化计算技术。其具有原理简单，便于理解，算法容易实现、操作参数少、易于收敛等优点。聚类分析(Cluster Analysis)利用数据间的相似性对数据进行分类。使得不同类别中的数据尽可能相异，而同一类数据之间尽可能相似，从而发现数据其中隐含的、有用的信息[1]。各种聚类算法中，K-means算法凭借其便于理解，算法简单易行，以及收敛速度快等特点，成为了最著名、最常用的聚类算法。但是其本身具有易陷入局部最优解，处理海量数据效率低下等不足。如何改进K-means算法，一直以来受到了广泛的关注和研究。

2. 基于适应度权重的改进粒子群算法

基于对粒子群优化算法的分析，本文将引入粒子运动适应度权重这一概念，并以此为核心提出一种改进的粒子群优化算法FWPSO。FWPSO将每个粒子的适应度和整个粒子群粒子的适应度进行计算，得出粒子的适应度权重，并将该权重引入到粒子速度的计算中。虽然增加了一定的计算量，但能够使粒子的运动速度和方向更加合理，从而提高算法收敛解的精度，有效避免算法陷入局部最优解，提高算法的性能。……