傳統(tǒng)的k-means算法采用的是隨機(jī)數(shù)初始化聚類(lèi)中心的方法，這種方法的主要優(yōu)點(diǎn)是能夠快速的產(chǎn)生初始化的聚類(lèi)中心，其主要缺點(diǎn)是初始化的聚類(lèi)中心可能會(huì)同時(shí)出現(xiàn)在同一個(gè)類(lèi)別中，導(dǎo)致迭代次數(shù)過(guò)多，甚至陷入局部最優(yōu)出現(xiàn)錯(cuò)誤的聚類(lèi)結(jié)果。針對(duì)傳統(tǒng)的k-means算法初始聚類(lèi)中心的缺點(diǎn)，本文提出了p-K-means算法，該算法采用了數(shù)學(xué)幾何距離的方法改進(jìn)k-means算法中初始聚類(lèi)中心分布不均勻的現(xiàn)象多個(gè)聚類(lèi)中心出現(xiàn)在同一類(lèi)簇中的現(xiàn)象，這種方法能避免k-means聚類(lèi)算法聚類(lèi)過(guò)程中陷入局部最優(yōu)，另一方面降低了聚類(lèi)過(guò)程中的反復(fù)迭代次數(shù)。本文通過(guò)實(shí)驗(yàn)的方式來(lái)對(duì)兩個(gè)算法進(jìn)行分析比較后發(fā)現(xiàn)改進(jìn)的算法在收斂速度上優(yōu)于傳統(tǒng)k-means算法，也不容易陷入局部最優(yōu)。