通过知网可以查到这篇文章。于2020年3月发表在计算机应用研究。
背景
K-means是聚类算法的经典算法。由于运行时，初始聚类中心点和簇数的不确定性，使聚类结果存在很大不稳定性。两个缺点：一是要初始化中心，随机选择，具有不确定性；二是要有几个中心，也具有不确定性。
一般对K-means的改进，是中心点选取的改进，减少算法迭代次数，提高收敛速度和准确性。
Spark核心组件MLlib实现了基于RDD的K-means算法，没有改进。
K-means综述
K-means是一种无监督学习，基于划分的聚类算法，需要预先指定聚类数以及中心，不断更新聚类中心，逐步降低目标函数误差值，当目标函数收敛，得到最终聚类结果。
会造成局部最优解。
K-means的改进
使用网格优化、残差分析、hash算法、萤火虫优化、基于密度和距离改进等优化方法预先确定初始聚类中心店，解决算法随机选取中心点带来的不稳定性。
或者使用余弦相似度度量距离、基于方差的聚类评估标准改善算法的聚类效果，提高准确性。
基于Spark的K-means算法优化策略
一般有三个阶段map,combine,reduceByKey。
map过程，初始化中心点，计算每个数据到中心的距离，选取距离最小的中心点作为中心点。
combine过程，将同一中心点数据汇聚，计算同一中心点数据之和，局部聚类。
reduceByKey过程，汇总局部聚类结果，计算距离并更新中心点，判断是否收敛。
基于数据划分的改进策略
有研究人员使用二叉树、四叉树将数据空间划分为单元格，对数据进行划分。
采用KD树对数据划分，改善随机选取初始中心点的缺陷。马菁等人实现了在Spark环境下的KD树并行预处理的K-means算法，在大数据集上表现良好。
初始化中心点的K-means算法改进
算法过度依赖初始化的中心点。一部分学长采用预聚类、预抽样，先选取K个中心，改进了随机选取中心的过程，达到算法稳定性。
基于Canopy预聚类算法的改进方法。
徐鹏程等人在Spark并行计算框架下，引入Canopy算法消除了K-means算法初始K值的不确定性。
还有结合最大最小距离算法。
结合粒子群算法。
结束语
基于内存计算框架 Spark 的 K-means并行化编程。Kmeans 在对大规模数据聚类时，通常由于其大量的迭代计算无
法快速完成，需要借助现有的内存计算框架对算法过程进行加速。所以对 K-means 算法的改进除了改进算法本身处理过程之外，还需要针对 K-means算法迭代计算的特点， 将其部署在适用机器学习迭代计算的 Spark框架上进行。目前， 已有很多学者将改进后的算法结合 Spark特性并行化编程， 为更多的大规模数据应用提供了有效支撑，因此这也是一个具有重要价值的研究方向。