針對現實 應用通常要求聚類的結果相對平衡的問題，提出了一種基于模擬退火與貪心策略的平衡聚類算法（BCSG），該算法包括基于模擬退火的初始點選擇算法（SACI）與基于貪心策略的平衡聚類算法（ BCGS）2個步驟，以提高平衡聚類算法的聚類效果與時間性能。首先基于模擬退火在數據集中快速定位出K個合適的數據點作為平衡聚類初始點，然后每個中心點分階段貪婪地將距離其最近的數據點加入簇中直至達到簇規模上限。在6個UCI真實數據集與2個公開圖像數據集上進行的聚類對比實驗結果表明：在簇數目較大時相比Fuzzy C-Means聚類結果平衡度最高提升了50%以上;聚類結果的準確率相比BalancedK-Means、BCLS兩個表現較好的算法平均提高了8個百分點;算法時間復雜度也更低，在較大規模的數據集上運行時間比BalancedK-Mcans最高減少了近40%。實驗結果表明BCSG具有更佳的聚類效果和時間性能。

?

　　隨著知識化。智能化時代的到來，人們已經認識到，對現實中產生的數據利用數據挖掘算法可以從中挖掘未知知識來獲得巨大價值。聚類作為數據挖掘領域的-一個常用算法，也是機器學習中廣泛運用的無監督學習方法，它可以在無任何先驗知識數據集中發現其潛在模式。自20世紀60年代至今，多種不同的聚類算法相繼被提出，包括K-Means‘s、層次聚類“、DBSCAN （ Density-Based Spatial Clustering ofApplications with Noise ） 、 Fuzzy C-Means（ FCM ） 、譜聚類141等，并被廣泛應用到多個領域，如模式識別、圖像處理、信息檢索等