در سال­های اخیر با پیشرفت فناوری­های جمع آوری اطلاعات و فراهم شدن حجم عظیمی از داده­های پیچیده همچون سری­های زمانی نیاز به روش­هایی مناسب به منظور تجزیه و تحلیل این نوع داده بیش از پیش احساس می­شود. از میان روش­های مختلف داده­کاوی موجود تکنیک خوشه­بندی داده­ها با هدف ساده سازی مجموعه داده­های بزرگ و استخراج اطلاعات مفید توجه بسیاری از محققین علوم کامپیوتر را به خود جلب کرده است. مسئله­ی انتخاب تابع فاصله یکی از مهم­ترین چالش­هایی است که پیش از آغاز فرآیند خوشه­بندی سری­های زمانی مورد توجه قرار می­گیرد. انتخاب تابع فاصله­ی مناسب یک مجموعه داده به شناخت ماهیت داده پیش از انجام عملیات خوشه­بندی وابسته می­باشد و از این رو امری پیچیده و زمانبر می­باشد. از سویی دیگر تاکنون توابع فاصله­ی مختلفی با ویژگی­ها و نقاط قوت متفاوت به منظور اندازه­گیری میزان تفاوت/شباهت میان سری­های زمانی پیشنهاد داده شده است. چگونگی ارائه­ی یک روش خوشه­بندی با قابلیت بهره جستن از ویژگی­های توابع فاصله­ی مختلف به طور همزمان و بدون نیاز به شناخت ماهیت داده­ها پیش از آغاز فرآیند خوشه­بندی، چالش اصلی این تحقیق می­باشد. به منظور حل این مسئله در این تحقیق یک روش خوشه­بندی با ترکیب روش خوشه­بندی Fuzzy C-Means (FCM) و الگوریتم شناخته شده­ی مبتنی بر هوش جمعی انبوه ذرات (PSO) با هدف استفاده از توابع فاصله­ی مختلف با وزن­های متفاوت در حین فرآیند خوشه­بندی پیشنهاد داده شد. انتخاب تابع هدف در این مطالعه به گونه­ای بوده است که نتیجه­ی حاصل از خوشه­بندی بیشترین اشتراک را با نتایج خوشه­بندی حاصل از توابع فاصله­ی مختلف داشته باشد. به عبارت دیگر روش خوشه­بندی ارائه شده در این تحقیق یک روش خوشه­بندی توافقی می­باشد که نتیجه­ حاصل توافق میان توابع فاصله­ی مختلف می­باشد. روش پیشنهادی ارائه شده در این تحقیق با در نظر گرفتن سه تابع فاصله­ی مختلف بر روی هفت سری مجموعه داده­ی شناخته شده از سری­های زمانی پیاده­سازی شد و با پنج روش دیگر مقایسه گردید نتایج حاصل از این مقایسه نشان داد روش ارائه شده در این تحقیق در بیشتر از 85 درصد موارد بهتر از سایر روش­ها عمل کرده است.