群智能优化算法是模拟生物群体智能行为的智能计算方法,具有良好的寻优能力和搜索能力,且易于实现,实用性广,在解决大规模复杂问题和优化问题时,效率要明显优于传统的计算方法,深受各个领域内研究者的广泛关注,成为目前的一个研究热点。从第一个群智能优化算法的提出到现在二十多年时间内,先后有十多种群智能优化算法相继提出,已经成功的应用到了函数优化、工程调度、图像处理、旅行商问题、物流选址、聚类分析、生物信息研究等多个领域。聚类分析是人们认识和分析数据对象,发现数据之间联系和内在规律的基本方法,在机器学习、数据挖掘、模式识别、图像处理、生物学、统计学、市场分析等许多领域都得到了广泛的研究和应用,在推动科技发展和社会进步方面有非常重要的作用。本文对群智能优化算法的起源和优点进行了简单的概述,详细的介绍了蚁群算法、粒子群优化算法、萤火虫算法、布谷鸟搜索算法这四种主流的群智能优化算法的仿生原理和算法描述,论述了聚类分析算法的要求和常见聚类分析算法的分类,在此基础之上,将蚁群算法、萤火虫算法、布谷鸟搜索算法分别应用到聚类分析中,建立相应的聚类分析模型,设计出对应的基于群智能优化算法的聚类分析算法,并对算法进行了仿真实验和对比评价。具体来讲,主要完成了以下三个工作：第一,以物流配送中心选址问题作为研究对象,设计了基于蚁群算法的聚类算法用于求解物流配送中心选址问题。物流配送中心选址问题属于应用性和实用性比较强的一个聚类问题,在查阅资料的基础上,设计了简单的物流配送中心选址模型,将蚁群算法和物流配送中心选址模型相结合,设计出相应的基于蚁群算法的聚类算法,应用到物流配送中心选址模型进行仿真实验,并和经典的聚类算法K-means算法进行了比较。这部分工作,为以后将群智能优化算法应用到聚类分析领域奠定了良好的基础。第二,提出了基于最优类中心扰动的萤火虫聚类算法,并进行了仿真实验。在研究萤火虫算法在聚类分析应用过程中,将萤火虫算法和聚类分析问题相结合,设计出了基于萤火虫算法的聚类算法,并在UCI数据集上进行了仿真实验。实验结果表明基于萤火虫算法的聚类算法稳定性差,而且收敛速度比较慢,容易陷入局部最优值,因此,改变了算法中萤火虫的移动方式,增加了扰动策略来加强算法的全局寻优能力,避免算法陷入局部最优值,提出了基于最优类中心扰动的萤火虫聚类算法,进行了仿真实验,同时对算法中步长因子的取值做了实验比较。第三,提出了融合粒子群优化算法的布谷鸟优化聚类算法,并进行仿真实验。布谷鸟搜索算法中具有先进的莱维飞行策略,能极大的提升算法的搜索能力。在使用布谷鸟搜索算法对UCI数据集进行聚类时,发现基于布谷鸟搜索算法的聚类算法在搜索后期容易出现波动情况,而且收敛性能较差,针对这个问题,将粒子群优化算法中的“社会学习”思想引入到布谷鸟搜索算法中,提出了融合粒子群优化算法的布谷鸟优化聚类算法,选择常用的UCI数据集进行了仿真实验,实验结果表明,新提出的算法具有布谷鸟搜索算法较强的全局寻优能力,同时又具有粒子群优化算法稳定的收敛能力,其搜索能力和收敛性能均得到了显著的提升。