matlab中用K-means进行社区划分，通过度最大的点，边的介数和点的介数求影响力最大化

本文介绍了基于K-Means算法的雷达信号预分选算法，首相对传统K-Means算法不足进行分析，然后提出相应的解决方案

对文本进行聚类，文本预处理-->构造特征向量-->聚类，压缩包内含有实验用语料

外卖业务模式高度复杂,现有文献中缺少针对外卖配送路径优化问题的研究.鉴于此,基于同时送取货VRP问题的求解策略,引入时间惩罚成本衡量外卖配送超出时间窗的情况,定义目标函数为外卖配送成本增量总和,包括新订单的固定配送成本、额外配送成本和时间惩罚成本之和.考虑随机参数对计算复杂程度产生的影响,设定配送区域范围,对新订单进行调度时,已指派但尚未完成的订单仍由原车配送,且将时间惩罚成本作为变动成本修正目标函数,直接去掉时间窗约束,降低算法求解难度.设计“商家-客户”配对策略,引入k-means对“商家-客户”进行聚类,同一类内设计“商家-客户”遗传算法,得到启发式路径优化方案.最后,采用随机模拟算法生成动态订单测试算例,通过R语言测试模型及算法的有效性.

传统室内定位中聚类算法被动依赖定位环境中接入点（Acess Point，AP）数量，导致定位效率低、误差大，室内位置指纹定位研究中AP布局是影响定位精度的关键性因素。因此，采用Intel芯片的嵌入式微系统和美国Signal Hound生产的SA44B型测量接收机共同组成传感器网络，根据电波路径损耗建立室内定位的目标函数，采用单纯形法和模拟退火算法融合算法对目标函数进行优化，从而达到最合理的AP室内位置布局，而后改进K-means聚类算法将优化后的AP位置坐标作为初始聚类中心，来提高系统的定位效率和精确度。实验结果表明，与传统K-means算法相比，经过AP位置最优化后的聚类定位算法精度提高了13.8%。

基于emgu（opencv）的Kmeans算法 C#.net

针对传统话题检测方法在微博短文本上存在高维稀疏的缺陷，提出了一种基于特征融合的K-means微博话题发现模型。为了更好地表达微博话题的语义信息，使用在句子中共现的词对向量模型（Biterm_VSM）代替传统的向量空间模型（Vector Space Model，VSM），并结合主题模型（Latent Dirichlet Allocation，LDA）挖掘出微博短文本中的潜在语义，把两个模型得到的特征进行特征融合，并应用K-means聚类算法进行话题的发现。实验结果表明，与传统的话题检测方法相比，该模型的调整兰德系数（Adjusted Rand index，ARI）为0.80，比传统的话题检测方法提高了3%~6%。

K-Means是个简单实用的聚类算法，这里对K-Means的优缺点做一个总结.

传统个人信用评估模型对客户预测的结果要么是“违约”，要么是“不违约”，但在现实生活中，未违约的人群中也存在违约可能，而违约人群中也有一定的概率选择不违约，鉴于此现象，银行会对情况相似且有相似违规率的客户进行信息等级划分，针对不同等级的客户实施不同的贷款政策。因此文中从实际情况出发，提出个人信用度，再将信用度转变成信用等级，进而以信用等级作为新的个人信用评估标准，不再仅仅输出“违约”，“不违约”作为评估标准。

使用NVIDIA CUDA的“阴阳” K均值和K-nn K均值的实现基于 。 尽管它引入了一些开销和许多对CUDA不利的条件子句，但与Lloyd算法相比，它仍然显示出1.6到2倍的加速。 K近邻采用相同的三角形不等式思想，并且需要预先计算的质心和聚类分配，类似于展平的球树。 sklearn KMeans KMeansRex KMeansRex OpenMP 塞班 克库达 kmcuda 2 GPU 速度 1倍 4.5倍 8.2倍 15.5倍 17.8倍 29.8倍 记忆 1倍 2倍 2倍 0.6倍 0.6倍 0.6倍 从技术上讲，该项目是一个共享库，可导出kmcuda.h定义的两个函数： kmeans_cuda和knn_cuda 。 它具有内置的Python3和R本机扩展支持，因此您可以from libKMCUDA import kmeans_cuda或dyn.load("libKMCUDA.so") 。 目录 K均值 该项目与其他项目之间的主要区别在于，kmcuda已针对内存消耗低和大量群集进行了优化。 例如，kmcuda可以将480个维度中的4M个样本分类为40000个