شناسایی الگوها در داده‌های لرزه‌ای از طریق خوشه‌بندی، به‌عنوان یکی از رایج‌ترین روش‌های داده‌کاوی، منجر به استخراج اطلاعات بسیار مهمی از یک حجم زیاد داده ‌می‌شود. به دلیل ماهیت داده‌های لرزه‌ای، الگوریتم‌های خوشه‌بندی فازی نتایج واقع‌بینانه‌تری را ارائه می‌کنند. اگرچه الگوریتم‌های بسیاری بدین منظور ارائه‌شده است اما حساس بودن به مقادیر اولیه و به تله افتادن در جواب‌های بهینه محلی ازجمله مشکلاتی است که در رابطه با روش‌های ارائه‌شده برای خوشه‌بندی وجود دارد. ازاین‌رو، در این مقاله الگوریتم‌های فرا ابتکاری به‌عنوان روش‌های بهینه‌سازی کارآمد به‌منظور رفع مشکلات روش‌های خوشه‌بندی پیشنهادشده‌اند. در این مقاله سعی شد تا با استفاده از ترکیب الگوریتم بهینه‌سازی توده ذرات و دو الگوریتم‌ خوشه‌بندی فازی Gustafson Kessel و Fuzzy c-means دو رویکرد برای خوشه‌بندی داده‌های لرزه‌ای ارائه شود. هریک از این دو الگوریتم که به ترتیب PSO-GK و PSO-FCM نامیده می‌شوند بر روی داده‌های لرزه‌ای ساختگی و داده‌های لرزه‌ای ایران اعمال شدند. به‌منظور ارزیابی نتایج حاصل از دو الگوریتم، سه معیار ارزیابی خوشه‌بندی فازی یعنی FHV، متوسط چگالی بخش‌بندی و چگالی بخش‌بندی مورداستفاده قرار گرفتند. مقدار FHV در الگوریتم PSO-GK به میزان 4272/0 برای داده‌های ساختگی و به میزان 0941/0 برای داده‌های لرزه‌ای ایران کمتر (بهتر) از مقدار این معیار در الگوریتم PSO-FCM می‌باشد. همچنین مقادیر دو معیار ارزیابی دیگر هم برای داده‌های ساختگی و هم برای داده‌های لرزه‌ای ایران در الگوریتم PSO-GK دارای مقادیر بهتری می‌باشند که نشان از کارایی بهتر الگوریتمی است که بر مبنای Gustafson Kessel ارائه‌شده نسبت به الگوریتمی که برمبنای Fuzzy c-means ارائه‌شده برای تحلیل داده‌های لرزه‌ای دارد.