La agrupación de datos es un proceso de organizar datos similares en diferentes grupos basados en ciertas características y propiedades, y cada grupo se considera como un clúster. En las últimas décadas, varios algoritmos de optimización inspirados en la naturaleza demostraron ser eficientes para varios problemas informáticos. El algoritmo de luciérnagas es uno de los algoritmos de optimización metaheurística inspirados en la naturaleza considerado como una herramienta de optimización para muchos problemas de optimización en diferentes áreas como la agrupación. Para superar los problemas de velocidad, el algoritmo de luciérnagas puede integrarse con el popular algoritmo de optimización de enjambre de partículas. En este documento, dos algoritmos de luciérnagas modificados, a saber, el algoritmo de luciérnagas locas y el algoritmo de luciérnagas de tamaño de paso variable, se hibridan individualmente con un algoritmo estándar de optimización de enjambre de partículas y se aplican en el dominio de la agrupación. Los resultados obtenidos por los dos algoritmos híbridos planificados se han comparado con el algoritmo de optimización híbrido existente de luciérnagas y enjambre de partículas utilizando diez conjuntos de datos del Repositorio de Aprendizaje Automático de UCI y ocho conjuntos de formas para la evaluación del rendimiento. Además de esto, se han utilizado dos medidas de validez de agrupación, Compact-separated y David-Bouldin, para analizar la eficiencia de estos algoritmos. Los resultados experimentales muestran que los dos algoritmos híbridos propuestos superan al algoritmo de optimización híbrido existente de luciérnagas y enjambre de partículas.