标签：
K-MEANS算法: 输入：聚类个数k，以及包含 n个数据对象的数据。 输出：满足方差最小标准的k个聚类。
处理流程：
（1） 从 n个数据对象选择 k 个对象作为初始聚类中心；
（2） 循环（3）到（4）直到每个聚类不再发生变化为止
（3） 根据每个聚类对象的均值（中心对象），计算每个对象与这些中心对象的距离；并根据最小距离重新对相应对象进行划分；
（4） 重新计算每个（有变化）聚类的均值（中心对象）
K means的结果与初始点的选择密切相关，往往陷于局部最优。
首先3个中心点被随机初始化，所有的数据点都还没有进行聚类，默认全部都标记为红色，如下图所示：
迭代最终结果如下：
如果初始点为如下：
最终会收敛到这样的结果：
目前解决方法较多，但没有测底的解决方法。一般来说用户的初始种子点都是随机给的，或者是基于目视的，即进行多次聚类操作，选取相对最优的那个聚类，但这种方法不够自动。目前，研究较多的是将模拟退火、遗传算法等启发式算法与Kmeans聚类相结合，这样能大大降低陷于局部最优的困境。下图就是模拟退火的算法流程图。
“纸上得来终觉浅，绝知此事要躬行”，仅知道原理而不去实践是永远不能深刻掌握某一知识的。本人用C++实现了基于模拟退火的Kmeans算法以及普通的Kmeans算法，来进行比较分析。
1）首先我们随机生成二维数据点以便用于聚类。
2）基于原生的Kmeans得到的结果。
3）基于模拟退火的Kmeans得到的结果
由上图的实验结果可以看出，基于模拟退火的K means所得的总体误差准则结果为：Jsa = 19309.9。
而普通的K means所得的总体误差准则结果为：Jnor = 23678.8。
可以看出基于模拟退火的K means所得的结果较好，当然，此算法的复杂度较高，收敛所需的时间较长。
标签：
原文地址：http://www.cnblogs.com/LBSer/p/4605440.html
