“Algoritmos de clusterização são amplamente aplicados em diversos contextos para descoberta de informações em conjunto de dados que tem-se pouco conhecimento. Ainda há muitos desafios a serem superados no desenvolvimento das técnicas de clusterização e, dentre eles, é saber a quantidade de clusters presentes em um determinado conjunto de dados e a inicialização dos pontos iniciais do algoritmo, pois ambos, muitas vezes, não refletem a disposição dos dados e impactam significativamente nos resultados. Além disso, modelos gerados através de treinamento não supervisionado precisam ter sua qualidade mensurada através de índices já desenvolvidos e consolidados na literatura para uma maior confiabilidade. A abordagem proposta dispensa intervenções nos pontos mencionados, pois utiliza parte do algoritmo GrowingSelf-OrganizingMap, que possui a característica de crescer e de organizar-se de acordo com o posicionamento e densidade dos vetores de entrada, integrado com o Artificial Bee Colony, que foca em maximizar a qualidade dos modelos através de uma função objetivo com duas métricas de análise de particionamento como variáveis: Silhouette e Davies Bouldin. A técnica apresentou ser bastante promissora, pois obteve resultados melhores na acurácia, em verdadeiros positivos e verdadeiros negativos, em relação à técnicas populares de clusterização existentes.”