خوشه بندی فازی مبتنی بر الگوریتم های تکاملی و هوش ازدحامی یکی از زمینه های تحقیقاتی فعال می باشد که اخیراً بسیار موردتوجه قرارگرفته است. عملکرد مناسب در رویکرد خوشه بندی با توجه به معیارهایی همچون، توانایی تعیین خودکار تعداد بهینه ی خوشه ها، توانایی پیدا کردن پارتیشن بندی مناسب، دقت کلاس بندی، میزان پیچیدگی زمان محاسباتی و سرعت همگرایی برای فضای ابعاد وسیعی از مجموعه داده ها ارزیابی می شود. بنابراین، بهینه سازی روش های خوشه بندی فازی با استفاده از رویکردهای بهینه سازی به منظور بهبود عملکرد این روش ها یک هدف مهم به حساب می-آید. در این پایان نامه، دو روش خوشه بندی فازی جدید مبتنی بر یک نسخه ی جدید از الگوریتم بهینه سازی تولیدمثل غیرجنسی اصلاح شده (maro) پیشنهاد می شود. ایده ی کروموزوم های طول متغیر به الگوریتم maro اعمال می شود و الگوریتم جدید، بهینه سازی تولیدمثل غیرجنسی اصلاح شده ی طول کروموزوم متغیر (vmaro) نامیده می شود. استفاده از vmaro در روش خوشه بندی فازی c-means، رمزگذاری تعداد متغیری از خوشه ها را فراهم می سازد. بنابراین، روش خوشه بندی فازی c-means مبتنی بر الگوریتم vmaro (vmaro-fcm) قادر به کشف خودکار تعداد خوشه ها بدون یک آگاهی قبلی با استفاده از یک شاخص اعتبار به عنوان یک تابع هدف است. علاوه بر این، یک روش خوشه بندی فازی جدید چندهدفه، مبتنی بر الگوریتم vmaro-fcm، با نام خوشه بندی فازی c-means مبتنی بر بهینه سازی تولیدمثل غیرجنسی اصلاح شده ی طول کروموزوم متغیر با مرتب سازی غالب (nsvmaro-fcm)، باقابلیت بهینه سازی همزمان چندین شاخص اعتبار پیشنهاد می شود.جهت اعتبارسنجی الگوریتم های پیشنهادی تعدادی مجموعه داده ی واقعی و مصنوعی به کار گرفته می شوند. نتایج شبیه سازی نشان می دهد که الگوریتم های vmaro-fcm و nsvmaro-fcm قادر به کشف خودکار تعداد بهینه ی خوشه ها و پیدا کردن پارتیشن بندی فازی مناسب برای مجموعه داده های در نظر گرفته شده هستند. همچنین، عملکرد الگوریتم های پیشنهادی با خوشه بندی فازی c-means مبتنی بر الگوریتم کلونی زنبور مصنوعی طول رشته متغیر (vabc-fcm) که نسبت به سایر الگوریتم های معتبر و معروف قبل از خود موفق تر عمل کرده است، مورد مقایسه قرار می گیرد. نتایج نشان می دهد که الگوریتم های پیشنهادی بر الگوریتم vabc-fcm در اکثر موارد غلبه می کنند.