El algoritmo MinMax k -means se utiliza ampliamente para hacer frente al efecto de una mala inicialización minimizando los errores máximos de intraclustering. En el proceso ejecutivo intervienen dos parámetros, el parámetro de exponente y el parámetro de memoria. Dado que diferentes parámetros tienen diferentes errores de agrupación, es crucial elegir los parámetros adecuados. En el algoritmo original, se da un marco práctico. Dicho marco extiende el MinMax k -means para adaptar automáticamente el parámetro del exponente al conjunto de datos. Se ha creído que si se ha fijado el parámetro de exponente máximo, entonces el programa puede alcanzar los menores errores de intracluster. Sin embargo, nuestros experimentos muestran que esto no siempre es correcto. En este trabajo, modificamos el algoritmo MinMax k -means por PSO para determinar los valores adecuados de los parámetros que pueden someter al algoritmo para alcanzar los errores de clustering más bajos. El método de clustering propuesto se prueba en algunos conjuntos de datos favoritos en varias situaciones iniciales diferentes y se compara con el algoritmo k -means y el algoritmo original MinMax k -means. Los resultados experimentales indican que nuestro algoritmo propuesto puede alcanzar los errores de agrupación más bajos de forma automática.