一、背景

在无人机执行任务过程中，如果有很多目标点，例如100个，但是无人机数目没有这么多，这个时候，就需要对离得较近的目标点进行分类，从而使得一个无人机可以去一个区域的多个目标点处，执行多个任务，同时使得所用时间最短。

 如上图所示，每个红圈代表一个聚类，每个类里包含多个目标点，派一架无人机去执行一个红圈里的任务。

二、计算思路

(1条消息) Kmeans聚类算法——Matlab_matlabkmeans聚类算法_清姝ll的博客-CSDN博客

1.首先随机生成一些目标点，同时在这些目标点中，随机选中k个作为初始聚类中心。

2.例如，初始目标点为100个{ }，聚成3个类{ }，计算每个类中心和这100个目标点的距离，然后目标点离哪个聚类中心近，就把这个点归到哪个类。

3.第一次计算结束后，会有3组目标点，然后根据每组目标点，求均值可以求出一个中心点，然后以这些中心点作为新的聚类中心{ }，再次重复此步骤，直到达到迭代次数。

三、代码

%  function id=my_k_means(x,k)
k=3;
x=rand(100,2);
n=size(x,1);%记录样本点总个数
%利用randperm()函数随机选取k个点作为初始中心点
c=x(randperm(n,k),:);
y=cell(1,3);
j=1;
step=[1,10,20,30];%选择4个迭代步骤
 count=zeros(4,k);% 4个迭代步骤中k个不同类中点的个数
 figure(1)
for iter=1:30%规定迭代次数为30
    for i=1:k%计算所有样本点分别到k个聚类中心点的距离
        y{i}=sqrt(sum((x-c(i,:)).^2,2));
        A=cell2mat(y);
       [~,id]=min(A,[],2);%求每个样本点到哪个中心距离最小
        c(i,:)=mean(x(id==i,:));%更新k个中心点分别为属于同类样本点的均值中心
    end
    if ismember(iter,step)
        subplot(2,2,j)
        plot(c(:,1),c(:,2),'rp','MarkerSize',8,'LineWidth',0.8);
        title(strcat(num2str(step(j)),'次迭代结果'))
       hold on
       %利用for循环完成k类自定义颜色块的绘图
       colors='bcr';
      for i=1:k 
       t=x(id==i,:);
      count(j,i)=size(x(id==i,:),1);
      plot(t(:,1),t(:,2),"Color",colors(i),"Marker",".","LineStyle","none");
      hold on
      end
      hold off
      j=j+1; 
    end
end
disp([num2str(k),'个聚类中心分别为：'])
disp(c)
% 绘出样本点以及k个聚类中心
figure(2)
plot(c(:,1),c(:,2),'r*','MarkerSize',10,'LineWidth',1);
hold on;
for i=1:k %!for循环会自动更换颜色
    z=x(id==i,:);
    plot(z(:,1),z(:,2),'.');
    hold on;
end
title('聚类结果图')
hold off