خوشه بندی یکی از شاخه های یادگیری بدون نظارت می باشد .منظور از خوشه، مجموعه ای از داده هاست که به علت شباهت زیادی که به هم دارند در یک دسته قرار می گیرند. الگوریتم های تکاملی برای مسائل بهینه سازی به کار برده می شوند. الگوریتم های تکاملی شامل الگوریتم هایی جهت جستجو است که در آنها عمل جستجو از چندین نقطه در فضای پیچیده و بزرگ شروع می شود. الگوریتم های تکامل پذیر، روش های بر مبنای جستجوی تصادفی اند که از مدل سازی تکامل زیست شناسی طبیعی الگوبرداری شده اند. در این پایان نامه از ترکیب روش های خوشه بندی فازی و الگوریتم تکاملی جهت حل مسئله خوشه بندی استفاده شده است. یکی از روش های خوشه بندی مقاوم، خوشه بندی c میانگین فازی امکانی است که با الگوریتم رقابت استعماری برای بهبود کارایی خوشه بندی ترکیبی مورد استفاده قرار گرفته است. کمینه شدن تابع برازندگی در خوشه بندی c میانگین فازی امکانی، باعث می شود مراکز خوشه در موقعیت مناسب تر و به دور از تأثیر داده های دور افتاده باشد. در عین حال استفاده از الگوریتم رقابت استعماری (مرتب کردن امپریالیست و سپس اولویت دادن به استعمارگر و تخصیص مستعمرات به آنها) باعث افزایش کارایی الگوریتم پیشنهادی و همگرایی سریع برای یافتن پاسخ نزدیک به بهینه می شود. نتایج شبیه سازی نشان می دهد که مزیت روش پیشنهادی برای پایگاه داده های با حجم بزرگ، کاهش تأثیر داده‎های دور افتاده بر مراکز خوشه، توسط خوشه بندی c میانگین فازی امکانی و گریز از نقطه مینیمم محلی با استفاده از الگوریتم رقابت استعماری می باشد.