خوشه بندی متون یکی از تکنولوژی های اصلی متنکاوی و بازیابی اطلاعات است. ایده اصلی خوشه بندی اطلاعات، جداکردن نمونه ها از یکدیگر و قراردادن آنها در گروه های شبیه به هم میباشد. عملکرد الگوریتم های خوشه بندی سنتی ممکن است به دلیل ابعاد بالا و یا حجم کم داده های متنی رضایت بخش نباشد. همچنین یکی از بزرگترین مشکلات الگوریتم های سنتی پرکاربرد مانندKmeans حساسیت بالا به نقاط اولیه است. این مقاله یک روش جدید برای خوشه بندی متون بر اساس آمارهای پیکره متنی و الگوریتم بهینه سازی ذرات ارائه میدهد. در این روش نقاط اولیه نه تنها از طریق یادگیریهای آماری ماتریس تشابه اسنادی که به یک مجموعه تقسیم شده است, بلکه از طریق اسنادی که هنوز تقسیم بندی نشدهاند نیز انتخاب می شوند. با این روش میتوان میزان حساسیت الگوریتم خوشه بندی نسبت به مجموعه نقاط اولیه را کاهش داد. برخی از مقادیر آستانهی مورد استفاده در الگوریتم از آمار خودکار و بصورت پویا بدست آمده است. این مقاله همچنین از الگوریتم بهینه سازی ذرات جهت یافتن بهترین مقادیر آستانه استفاده کرده است. نتایج تجربی بدست آمده بر روی چندین مجموعه داده نشان میدهد که الگوریتم پیشنهادی قادر به ارتقاء کیفیت خوشه بندی متون در مقایسه با الگوریتم های خوشه بندی سنتی میباشد. همچنین این الگوریتم در مجموعه داده های مختلف پایدارتر میباشد.