K-means算法是被廣泛使用的一種聚類算法，傳統(tǒng)的-means算法中初始聚類中心的選擇具有隨機性，易使算法陷入局部最優(yōu)，聚類結果不穩(wěn)定。針對此問題，引入多維網格空間的思想，首先將樣本集映射到一個虛擬的多維網格空間結構中，然后從中搜索出包含樣本數最多且距離較遠的予網格作為初始聚類中心網格，最后計算出各初始聚類中心網格中所包含樣本的均值點來作為初始聚類中心。此法選擇出來的初始聚類中心與實際聚類中心擬合度高，進而可據此初始聚類中心穩(wěn)定高效地得到最終的聚類結果。通過使用計算機模擬數據集和UCI機器學習數據集進行測試，結果表明改進算法的迭代次數和錯誤率比較穩(wěn)定，且均小于傳統(tǒng)-means算法測試結果的平均值，能有效避免陷入局部最優(yōu)，并且聚類結果穩(wěn)定。

　　聚類算法是一種典型的無監(jiān)督學習算法，是利用樣本的特征比較樣本的相似性，將具有相似屬性的樣本劃分到同一類或簇中的算法聚類算法的應用廣泛，在數據挖掘、信息檢索和圖像分割等方面都有重要的作用迄今為止已經衍生出了眾多的聚類算法，這些算法可以分為劃分法、層次法、密度法、圖論法、網格法和模型法等.K-means是一種典型的基于劃分的聚類算法，其應用非常普遍，但是傳統(tǒng)的-means算法存在一些不足之處，比如隨機選擇的初始聚類中心通常是不理想的，易使最后的聚類結果局部最優(yōu)，而非全局最優(yōu)；另外初始聚類中心選擇的不穩(wěn)定性，也會導致算法迭代次數及聚類結果的不穩(wěn)定。很多研究人員對初始聚類中心的選擇提出了優(yōu)化的方法，中提出了一種基于最小生成樹的層次K-means聚類算法，中提出了一種基于最小方差優(yōu)化初始聚類中心的群means算法，但是這些算法在初始聚類中心選擇的效果上仍不夠理想，聚類結果的穩(wěn)定性和準確性仍有待提高。