خوشه بندی یک فرآیند بدون ناظر است که یک مجموعه از اشیاء را به گروه های متجانس تقسیم می کند. خوشه بندی یکی از مهم ترین روش های داده کاوی می باشد ولی در زمینه های دیگری مثل شناخت الگو، فنآوری اطلاعات، پردازش تصاویر، زیست شناسی، روانشناسی و بازاریابی نیز به کار می رود. هدف اصلی خوشه بندی پیدا می باشد k ?? means کردن یک ساختار معنادار برای داده ها می باشد. یکی از معروفترین الگوریتم های خوش هبندی که در سال ???? انتشار یافت و در حال حاضر هنوز هم ازآن به طور گسترده ای استفاده می شود. متأسفانه این الگوریتم وابسته به مقادیر اولیه مراکز خوشه هاست و به همین دلیل همیشه خوشه بندی را بطور کاملا صحیح انجام نمی دهد. با توجه به قرار گیری خوشه بندی در دسته ی مسائل غیر قطعی- سخت، لزوم استفاده از الگوریتم های فرامکاشفه ای و تکاملی جهت دستیابی به پاسخ مناسب در زمان منطقی مشخصمی باشد. در این پایان نامه ابتدا مروری بر جدید ترین الگوریتم های تکاملی انجام شده است و تعدادی از جدید ترین الگوریتم های تکاملی را که تاکنون برای مسئله خوشه بندی مطرح شده اند را مورد بحث و بررسی قرار داده ایم. با بررسی آنها متوجه می شویم که ضوابط مد نظر تعریف شده را به طور کامل نمی توانند ارضا نمایند. بنابراین می توان راهکاری جامع تر و کامل تر ارائه نمود که بهتر از راهکارهای مورد بررسی باشد لذا هدف از این پایان نامه ارائه یک الگوریتم خوشه بندی بر مبنای الگوریتم های تکاملی می باشد که بتواند نسبت به الگوریتم های مورد مقایسه بهبودی را حاصل نماید. در این پایان نامه دو الگوریتم برای مسئله خوشه بندی بیان شده است. این الگوریتم ها به صورت ترکیبی می باشند و الگوریتم پیشنهادی اول ترکیبی از بهینه سازی ذرات و جستجوی فاخته و الگوریتم پیشنهادی دوم ترکیبی از الگوریتم تکامل تفاضلی و جستجوی فاخته می باشد. نتایج الگوریتم های پیشنهادی و کارآیی آن ها با هفت مجموعه داده استاندارد ارزیابی شده است. نتایج ارائه شده نشان می دهد که الگوریتم های پیشنهادی الگوریتم هایی کارا و موٍثر برای خوشه بندی می باشند.