魔鬼:为什么人类说我是魔鬼
天使:因为他们看见你杀人了
魔鬼:为什么他们说你是天使
天使:因为他们看见我救人了
魔鬼:但是我昨天救人了
天使:我看到了
魔鬼:那为什么他们还是叫我魔鬼
天使:因为他们没看到
魔鬼:你昨天杀人了
天使:是的
魔鬼:他们为什么还说你是天使
天使:他们昨天没看到
基于 Canopy 的 K-means 聚类的栅格地图分区 针对K-means的缺点，韩瑞、崔建雄提出了改进算法，基于Canopy的K-means 聚类算法。
Canopy聚类不需要事先指定聚类的个数，因此具有很大的实际应 用价值。
与其他聚类算法相比，Canopy聚类虽然精度较低，但其在寻找聚类中心点的速度上有很大优势。
(1) 分区货架比例 分区货架比例 α 为是否需要继续细分提供依据，其计算公式如图所示。 (2) 分区状态标记 如果分区内的货架较多，分区状态标记λ 取值 0 或 1。 λ 取值 0，在该分区中使用较复杂的路径搜索算法；如果λ 取值 1 表示当前分区没有货架，可使用直线路径。
(3) 分区阈值 分区阈值 β 为是否需要对分区继续进行划分的边界值， β 值越大，那么分区 的划分就越细，耗费时间越长； β 值越小，分区划分越粗糙，耗费时间越短。
(1) α = 0 ，分区没有货架，不再进行细分，设置λ = 1 。
(2) 0< α<β ，分区内货架较少，则需要继续细分。
(3) β ≤α <1 ，分区内货架较多，可停止划分。设置 λ =0 。
(4) α = 1 ，分区内只有货架栅格，可停止划分。设置 λ =2 。
步骤1：使用Canopy聚类，对所有的栅格数据进行分组处理，得到K个Canopy 集合和各个Canopy集合的中心。
步骤2：将Canopy集合的数量K初始化K-means聚类算法的要构建的划分的 数目；将各个Canopy集合的中心作为划分的K个簇中心；基于上述确定的簇数K 和簇中心对所有原始数据采用K-means聚类算法进行聚类优化处理，输出聚类优 化结果。
步骤3：根据聚类分区结果，计算每个分区的 α 值，若某个分区P i ， 0 <αi < βi ， 重复步骤1和步骤2；若 αi = 0 ，则该分区可停止划分，设置 λi =1 ，表示货架区； 若 αi =1 ，则该分区可停止划分，设置 λi =2 ，表示货架区；若 β i ≤αi <1，则该 分区停止划分，设置 λ i =0 ，表示可行区，其中i= 1,2,...,N 。 聚类分区地图的预处理流程图设计如图所示。
可看出，分区终的结果是分成两类分区：一类是没有货架的可行区，一类是货架数量达到该分区总数量 一定比例的货架区，表示货架数量较密集。
对于聚类算法，每个划分的聚类密度越大，则聚类效果越好，本文对同一 副地图的162个栅格数据，采用3个聚类算法，分别进行了聚类划分，得到如图所示的结果对比，每个聚类划分使用不相连的颜色进行标记。
从图中，可看出Canopy聚类算法得到14个聚类划分，K-means聚类设定K = 13 个聚类划分，基于Canopy的K-means聚类得到了11个聚类划分，如表所示，其数据分析结果如下。
从每个聚类算法的分区大 α 值和分区小 α 值的差值可看出，K-means 算法的聚类效果优于Canopy聚类算法，但是需要手动设定K值，采用阈值限制的基于Canopy的K-means算法聚类效果优于K-means算法，且灵活性更高。
