K-means算法原理以及java实现

我做了一个小例子，将k-means算法用在我最近做的一个系统中。以下介绍k-means算法。

（1）k-means算法的简介

本系统使用k-means算法来计算一维数据的聚集程度，实现圈子的划分，这里的一维数据是所有的点，用A、B、C、D来表示每一个点，任意两个点之间的最短距离的计算方法已经封装成为接口，直接调用即可。K-Means算法的基本思想是初始随机给定K个簇中心，按照最邻近原则把待分类样本点分到各个簇。然后重新计算各个簇的质心，从而确定新的簇心。一直迭代，直到簇心不再发生改变为止，算法结束。

（2）k-means算法的设计思想
如图所示，图中共有5个点，分别是A、B、C、D、E,灰色的点是种子点，也就是用来找点群的点，因为有两个种子点，所以k=2.

（3）k-means算法的具体步骤

 如上图所示，随机在图中取K（这里K=2）个种子点。
①然后对图中的所有点求到这K个种子点的距离，假如点Pi离种子点Si最近，那么Pi属于Si点群。（上图中，可以看到A，B属于上面的种子点，C，D，E属于下面中部的种子点）。
②接下来，需要移动种子点到属于他的“点群”的中心。（见图上的第三步）
③然后重复第2）和第3）步，直到，种子点没有移动（可以看到上图中的第四步上面的种子点聚合了A，B，C，下面的种子点聚合了D，E）。

我做的例子中对于k-means的应用具体步骤：

①随机在数据库中取K个种子点，一般情况下，取数据库所存储数据的前n个数据作为初始种子点。
②然后对数据库中的所有点求到这K个种子点的距离，假如点Pi离种子点  
   Si最近，那么Pi属于Si点群。这样就将所有点划分成了k个圈子。
③接下来，要移动种子点到属于他的“点群”的中心，移动思路是使得点群中所有点到中心点的距离之和最短，我们将这个中心点称点群的中心。求最短距离之和的过程中，本系统使用了Dijkstra算法，将求某个点到其余所有点的最短距离之和的过程写成了接口，返回更新后的种子点和最短距离之和。
④然后重复第(2）和第(3）步，直到，种子点不再发生变化。则分圈结束。       

（4）k-means算法的流程图

（5）k-means算法的结果测试：
本系统设定将所有的点分成三个圈子，程序总共循环分圈了两次，进行两次分圈之后，中心点不再发生变化，于是程序停止运行。