La tarea de encontrar agrupaciones naturales dentro de un conjunto de datos explotando la proximidad de las muestras se conoce como clustering, un enfoque de aprendizaje no supervisado. Los algoritmos de clustering basados en densidad, que identifican agrupaciones de formas arbitrarias utilizando dimensiones espaciales y aspectos de vecindad, son sensibles a la selección de parámetros. Por ejemplo, DENsity CLUstEring (DENCLUE), un algoritmo de clustering basado en densidad, requiere un enfoque de prueba y error para encontrar parámetros adecuados para agrupaciones óptimas. Los intentos anteriores de automatizar la estimación de parámetros de DENCLUE han dependido en gran medida de la elección de la distribución previa de datos (que podría variar en diferentes conjuntos de datos) o fijando un parámetro (que podría no ser óptimo) y aprendiendo otros parámetros. Este artículo aborda este desafío aprendiendo los parámetros de DENCLUE a través de la técnica de optimización de evolución diferencial sin suposiciones previas sobre la distribución de datos. La evaluación experimental del enfoque propuesto demostró un rendimiento consistente en conjuntos de datos (conjuntos de datos sintéticos y reales) que contienen agrupaciones de formas arbitrarias. El rendimiento del clustering se evaluó utilizando métricas de validación de clustering (por ejemplo, Puntuación de Silueta, Índice de Davies-Bouldin e Índice de Rand Ajustado) así como un análisis visual cualitativo en comparación con otros algoritmos de clustering basados en densidad, como DPC, que se basa en secuencias de densidad local ponderadas y asignaciones de vecinos más cercanos (DPCSA) y DENCLUE basado en KDE variable (VDENCLUE).