一、原型聚类算法——假设聚类结构能通过一组原型刻画。（原型指样本空间中具有代表性的点）
通常，算法对原型进行初始化，然后对原型进行迭代更新求解。不同的原型表示，不同的求解方式，产生不同算法。
1、k均值算法
给定样本集
,“k均值”算法对聚类得簇划分为
,最小化平方误差：
，其中
是簇Ci的均值向量。
一定程度上，E刻画了簇内样本围绕簇均值簇均值向量的紧密程度，值越小，簇内样本相似程度越高。
算法过程：
（1）簇划分
给定样本集以及需要划分的类数k
在样本中随机初始化k个均值向量（即类中心），然后计算全部样本与初始化的k个均值向量的距离，根据最近的距离标记样本属于的簇；
（2）迭代更新
划分好簇后，计算每个簇的均值向量，将新机算的均值向量与旧的均值向量比较，不同则更新为新的均值向量，相同的话则不更新，保持原均值（实际过程中，应该用某种机制来衡量新旧均值向量的可靠性，再作判断，自己的想法，直接相等或不相等衡量感觉有点暴力）。
（3）重复上述两个迭代过程，直到均值向量不再变化，则将当前的簇划分当作结果输出。
为避免运行时间过长，设置一个最大运行轮数或最小调整幅度阈值，若达到最大轮数或者小于阈值，则停止运行。