امروزه الگوریتم های خوشه بندی چند هدفه جهت کاربری های مختلفی به کار گرفته می شوند. این کاربردها در تمامی زمینه ها از فرآیندهای تصمیم گیری گرفته تا یادگیری ماشین و تشخیص الگو می باشد. خوشه بندی چند هدفه عناصر مشابه را بر اساس چندین معیار مختلف که می توانند متناقض هم باشند، به گروه های مختلفی تقسیم می کند. یکی از روش هایی که اخیرا جهت این نوع خوشه بندی مورد توجه قرار گرفته است، خوشه بندی بر اساس نظریه بازی ها می باشد. نظریه بازی ها علاوه بر توانایی در بهینه سازی معیارهای متناقض، توانایی منحصر به فردی در حل کردن مسائل به صورت توزیع شده دارد. اولین روش پیشنهادی در این پایان نامه روشی مبتنی بر الگوریتم k-means و نظریه بازی ها می باشد. در این الگوریتم که egtkmeans نام دارد، یک تابع پرداخت نوین ارائه گردیده است. علاوه بر این، الگوریتم پیشنهادی توانایی حل کردن بازی هایی با تعادل نش مختلط را نیز دارد. بدین ترتیب با اعمال کردن این الگوریتم خوشه هایی به مراتب بهتر با کارایی بالاتری خواهیم داشت. الگوریتم پیشنهادی دوم که egtmoc یک روش استنتاج جمعی بوده که در آن نظریه بازی ها بر اساس پارامترهای ارائه شده در الگوریتم egtkmeans می باشد. این روش با حذف k-means و تقسیم فضای مسئله به چندین قسمت مجزا کارایی بسیار خوبی را از خود نشان داده است. نکته ی مهم در نظریه ی بازی ها، افزایش پیچیدگی محاسباتی و زمانی با افزایش تعداد نمونه های پایگاه داده می باشد. جهت رفع این مشکل الگوریتم سومی پیشنهاد شده است که بر روی اندازه ی مجموعه ی استراتژی ها، اندازه ی ماتریس پرداخت و به همین ترتیب سایز مسئله تاثیر ویژه ای دارد. این الگوریتم که با روش انتخاب استراتژی خوانده می شود از بین استراتژی های هر بازیکن تعدادی را انتخاب می کند. این عمل به صورت یک خوشه بندی محلی در داخل هر خوشه در نظر گرفته می شود. بدین ترتیب به جای انتقال تنها یک نمونه در بین خوشه، مجموعه ای از نمونه ها جا به جا می شوند.الگوریتم های پیشنهادی بر روی مجموعه داده های واقعی و ساختگی آزمایش شده است و کارایی خوب آن توسط معیارهای مختلفی از جمله شاخص های انصاف، معیار های پیجیدگی محاسباتی و زمانی و در نهایت معیارهای خوشه بندی بررسی و تحلیل شده است.