傳統(tǒng)的k-means算法采用的是隨機數(shù)初始化聚類中心的方法，這種方法的主要優(yōu)點是能夠快速的產(chǎn)生初始化的聚類中心，其主要缺點是初始化的聚類中心可能會同時出現(xiàn)在同一個類別中，導(dǎo)致迭代次數(shù)過多，甚至陷入局部最優(yōu)出現(xiàn)錯誤的聚類結(jié)果。針對傳統(tǒng)的k-means算法初始聚類中心的缺點，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k-means算法中初始聚類中心分布不均勻的現(xiàn)象多個聚類中心出現(xiàn)在同一類簇中的現(xiàn)象，這種方法能避免k-means聚類算法聚類過程中陷入局部最優(yōu)，另一方面降低了聚類過程中的反復(fù)迭代次數(shù)。本文通過實驗的方式來對兩個算法進行分析比較后發(fā)現(xiàn)改進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)。