聚类算法有以下几种：
一、层次聚类算法
这是一种通过将数据对象不断聚合成层次关系的方法。在算法运行过程中，基于相似度将最接近的对象进行合并，形成一个新的簇，并继续寻找下一个最接近的对象进行合并，直到满足某种终止条件。这种算法适用于大规模数据集，但计算成本较高。
二、划分聚类算法
划分聚类算法是在给定数据集中预设要生成的簇的数量，然后将数据对象分配到对应的簇中。通过反复迭代调整数据对象的分配方式，直到满足一定的评价标准或终止条件。常见的划分聚类算法有K-means算法和K-modes算法等。这类算法简单高效，但在处理复杂形状和噪声数据时可能表现不佳。
三、基于密度的聚类算法
这种算法能够识别任意形状的簇，适用于处理非凸形和非球形的数据分布。它的主要思想是通过测量数据空间中区域的密度来进行聚类，并根据这些密度连接在一起形成最终的簇。常见的基于密度的聚类算法有DBSCAN（Density-Based Spatial Clustering of Applications with Noise）等。这类算法能够发现数据中的异常点，但参数选择较为敏感。
四、基于网格的聚类算法
基于网格的聚类算法将多维空间划分为有限个单元网格，然后基于这些网格进行聚类分析。这种算法处理速度快，能够处理大规模数据集，并且可以很容易地并行处理。但网格划分的质量对聚类结果影响较大，且可能不适用于所有类型的数据集。
以上即为常见的聚类算法类型及其特点。不同的聚类算法适用于不同的场景和数据类型，需要根据实际需求选择合适的算法。