PAM算法的原理：

    选用簇中位置最中心的对象，试图对n个对象给出k个划分；代表对象也被称为是中心点，其他对象则被称为非代表对象；最初随机选择k个对象作为中心点，该算法反复地用非代表对象来代替代表对象，试图找出更好的中心点，以改进聚类的质量；在每次迭代中，所有可能的对象对被分析，每个对中的一个对象是中心点，而另一个是非代表对象。对可能的各种组合，估算聚类结果的质量；一个对象Oi可以被使最大平方-误差值减少的对象代替；在一次迭代中产生的最佳对象集合成为下次迭代的中心点。
PAM算法的伪代码如下：
输入：簇的数目k和包含n个对象的数据库 
输出：k个簇，使得所有对象与其距离最近中心点的相异度总和最小
（1） 任意选择k个对象作为初始的簇中心点 （2） Repeat
（3） 指派每个剩余对象给离他最近的中心点所表示的簇
（4） Repeat
（5） 选择一个未被选择的中心点Oi
（6） Repeat
（7） 选择一个未被选择过的非中心点对象Oh
（8） 计算用Oh代替Oi的总代价并记录在S中
（9） Until 所有非中心点都被选择过
（10） Until 所有的中心点都被选择过
（11） If 在S中的所有非中心点代替所有中心点后的计算出总代价有小于0的存在，then找出S中的用非中心点替代中心点后代价最小的一个，并用该非中心点替代对应的中心点，形成一个新的k个中心点的集合；
（12） Until 没有再发生簇的重新分配，即所有的S都大于0.
该算法的优点与缺点：
(1) 消除了k-平均算法对于孤立点的敏感性。
(2) K-中心点方法比k-平均算法的代价要高
(3) 必须指定k
(4) PAM对小的数据集非常有效，对大数据集效率不高。特别是n和k都很大的时候。