در این مقاله یک روش پیشنهادی جدید جهت خوشه¬بندی داده¬ها معرفی می¬گردد. هدف از خوشه¬بندی یافتن خوشه¬های از اشیاء در بین نمونه¬های ورودی می¬باشد. به طوریی که اشیاء درون هر خوشه بیشترین شباهت به یکدیگر و بیشترین تفاوت با اشیاء خوشه¬های دیگر داشته باشد و این یک فرایند یادیگری بدون نظارت محسوب می¬گردد. در این مقاله یک روش خوشه-بندی جدید مبتنی بر آمیختگیMDL و الگوریتم بهینه¬سازی شبیه ساز تبرید معرفی گردیده است. برای الگوریتم پیشنهادی ابتدا از یک خوشه¬بند پایه استفاده می¬گردد تا نتایج اولیه خوشه-بندی حاصل گردد سپس بر مبنای اصل MDL و الگوریتم بهینه¬سازی و شبیه¬ساز تبرید سعی در بهبود نتایج خوشه¬بندی می¬گردد. الگوریتم پیشنهادی بر روی مجموعه داده¬های استاندارد Iris، Wine، Nwine، Nbalance_Scale آزمایش شده نتایج به دست آمده برحسب معیارهای فیشر،NMI و دقت با الگوریتم¬های خوشه¬بند پایه K_Means ، الگوریتم¬های افرازیLinkage و فازی مورد مقایسه قرار گرفته است. نتایج به دست آمده حاکی از آن است که الگوریتم پیشنهادی در همه موارد از الگوریتم¬های خوشه¬بند پایه فوق، عملکرد مناسب¬تری داشته است.