نظر به اینکه خوشه بندی داده ها یکی از زیرشاخه های مهم و پرکاربرد حوزه یادگیری ماشین بوده و با توجه به کاربرد گسترده خوشه بندی داده ها در حوزه هایی مانند بازاریابی، تحلیل سیستم ها، پزشکی و غیره، در این پژوهش یک رویکرد نوین برای خوشه بندی داده ها با استفاده از نظریه بازی ها و سیستم های چند عاملی پیشنهاد شده است. مولفه اصلی در رویکرد پیشنهادی، عامل هایی هستند که وظیفه خوشه بندی داده ها را بر عهده دارند. در ادبیات سیستم های چندعاملی، رویکردهای مختلفی برای تببین تعامل بین عامل ها وجود دارد. در این پژوهش، تعامل بین عامل ها با استفاده از نظریه بازی ها طراحی و پیاده سازی شده است. در رویکرد پیشنهادی، به ازای هر خوشه، یک عامل مستقل در نظر گرفته شده و در ابتدا یک توزیع تصادفی از داده ها بین عامل ها پخش می شود. هر عامل دارای دو هدف خواهد بود: کم کردن فاصل? درون مجموعه ای بین داده هایی که به آن عامل تعلق دارند و بیشینه کردن فاصل? برون مجموعه ای بین داده های متعلق به عامل و داده های متعلق به سایر عامل ها. پس از تبیین و پیاده سازی مدل، برای سنجش کارایی مدل در عمل، الگوریتم مورد نظر با داده های واقعی نیز آزمایش شده و نتایج گزارش شده است. نتایج حاصل نشان دهنده کارایی رویکرد پیشنهادی و کارایی بهتر الگوریتم در مقایسه با بعضی الگوریتم شناخته شده خوشه بندی است.