k-means与k-medoids

详细的文章可以参考k-means和k-medoids这两篇文章

在学习VRP降维方法时提到了一种 Historical relatedness clustering decomposition

他利用已知的solution得到任意两条路径之间的相关程度，即

 

 i i'是路径，zvu表示在已记录的solutions中，vu两个客户出现在同一条路径的次数

与直接用路径的重心来组成欧氏空间从而聚类不同，这里得到的只有一个抽象的‘距离矩阵’，此时是无法用k-means的

因为k-means必须更新每一个簇的平均值，而仅有距离矩阵是无法得到该平均值

而k-medoids更新的是类似中位数的概念，在每个簇里找到与其他点平均距离最小的点，作为该簇的‘重心’

故即使没有具体的每个向量，也可以仅用距离矩阵得到该点