迭代重心法进行工厂选址的代码

以下是使用迭代重心法进行工厂选址的 Python 代码示例：

import numpy as np

def distance(x, y, c):
    """计算点(x, y)到中心点c的距离"""
    return np.sqrt((x-c[0])**2 + (y-c[1])**2)

def kmeans(points, k, max_iter=100):
    """
    使用K-Means算法将点分为k个簇，并返回每个簇的中心点
    points: 二维点的坐标，数组形式，如[(x1,y1), (x2,y2), ...]
    k: 簇的数量
    max_iter: 最大迭代次数
    """
    # 随机初始化簇的中心点
    centers = np.array(points[np.random.choice(len(points), k, replace=False)])
    for i in range(max_iter):
        # 计算每个点到中心点的距离
        distances = np.array([distance(x, y, c) for x, y in points for c in centers]).reshape(len(points), k)
        # 将每个点分配到离它最近的簇中
        labels = np.argmin(distances, axis=1)
        # 更新每个簇的中心点
        new_centers = [np.mean(points[labels == j], axis=0) for j in range(k)]
        new_centers = np.array([c if np.isnan(c).any() == False else centers[j] for j, c in enumerate(new_centers)])
        # 如果中心点不再变化，则停止迭代
        if np.allclose(centers, new_centers):
            break
        centers = new_centers

    return centers

def find_factory_location(points, k):
    """
    使用迭代重心法寻找最佳工厂选址位置
    points: 二维点的坐标，数组形式，如[(x1,y1), (x2,y2), ...]
    k: 工厂数量
    """
    # 将点分为k个簇，得到每个簇的中心点
    centers = kmeans(points, k)
    # 计算每个中心点到其他中心点的距离
    distances = np.array([distance(c1[0], c1[1], c2) for c1 in centers for c2 in centers]).reshape(k, k)
    # 找到距离最小的中心点对，并将它们之间的中心点作为最佳选址位置
    i, j = np.unravel_index(np.argmin(distances), distances.shape)
    return centers[(i+j)//2]

使用示例：

# 生成随机点
points = np.random.rand(50, 2) * 10
# 使用迭代重心法找到最佳工厂选址位置
factory_location = find_factory_location(points, 3)
print("最佳工厂选址位置：", factory_location)

这段代码中，我们首先使用 K-Means 算法将点分为 k 个簇，并得到每个簇的中心点。然后计算每个中心点到其他中心点的距离，并找到距离最小的中心点对，将它们之间的中心点作为最佳选址位置。