在講Lloyd’s 算法之前先介紹Voronoi圖
在數學中，Voronoi圖是基於到平面的特定子集中的點的距離將平面划分成區域。預先指定一組點（稱為種子，站點或生成器），並且對於每個種子，存在相應的區域，該區域由更接近該種子的所有點組成，而不是任何其他點。這些區域稱為Voronoi細胞。
在最簡單的情況下，如圖所示，我們在歐幾里德平面上給出了一組有限的點{p1，...，pn}。在這種情況下每個站點pk只是一個點，其相應的Voronoi單元Rk由歐幾里德平面中的每個點組成，其與pk的距離小於或等於其與任何其他pk的距離。每個這樣的單元是從半空間的交點獲得的，因此它是凸多邊形。 Voronoi圖的邊界是平面中與兩個最近的站點等距的所有點。 Voronoi頂點（節點）是與三個（或更多）站點等距的點。
Lloyd’s algorithm 過程：
（1）首先在數據集中隨機選定k個初始點
（2） 計算k個站點的Voronoi圖。
（3）整合Voronoi圖的每個單元格，並計算質心。
（4）然后將每個站點（k）移動到其Voronoi單元的質心。
如下圖迭代過程
K-Means算法過程：
（1）隨機初始化k個聚類中心的位置
（2）計算每一個點到聚類中心的距離，選取最小值分配給k(i)
（3）移動聚類中心（其實就是對所屬它的樣本點求平均值，就是它移動是位置）
（4）重復（2），（3）直到損失函數（也就是所有樣本點到其所歸屬的樣本中心的距離的和最小）
最后整體分類格局會變得穩定。
如下圖
通過對比，可以發現這兩個算法之間有許多相似之處，都是迭代的尋找聚族中心的位置。
然而，Lloyd’s算法與k均值聚類的不同之處在於，Lloyd’s的輸入是一個連續的幾何區域，而不是一組離散的點。
因此，當重新划分輸入時，勞埃德算法使用Voronoi圖而不是像k-means算法那樣簡單地確定每個有限點集的最近中心。