1、科技的高速發(fā)展帶來了數(shù)據(jù)的爆炸式增長，數(shù)據(jù)挖掘能在紛雜，海量的數(shù)據(jù)中提取對人類生產(chǎn)生活有用的信息。聚類分析因其獨特的優(yōu)勢，現(xiàn)階段已變?yōu)閿?shù)據(jù)挖掘領(lǐng)域一個重要研究方向。同時由于聚類算法本身存在一些缺點，如對初始化化敏感，中心點搜索更新能力弱和目標(biāo)函數(shù)極易陷入局部極值等，需要進(jìn)一步完善和改進(jìn)該算法，使得聚類算法更具有重要的實際價值。
　　本文基本建立在傳統(tǒng)的聚類算法理論上，探討了包括K-medoids聚類算法存在的缺點以及最新研究成果，

2、并對此提出了相應(yīng)的改進(jìn)優(yōu)化方案。本文具體研究工作如下：
　　本文引用了粒計算理論來解決傳統(tǒng) K-medoids聚類算法聚類中心初始化敏感的問題，并提出一種基于改進(jìn)的粒計算對傳統(tǒng)K-medoids算法進(jìn)行初始化處理。該算法在Iris數(shù)據(jù)集中進(jìn)行實驗檢測，實驗結(jié)果表明：該算法的準(zhǔn)確率明顯較高，迭代過程顯著減少。
　　本文通過利用改進(jìn)的基于模擬退火的聚類算法全局優(yōu)化性能優(yōu)化K-medoids算法易陷入局部最優(yōu)的缺陷，以便增強K-m