本项目实现了一种增强型的近邻传播（Affinity Propagation, AP）聚类算法，旨在结合无监督聚类的灵活性与半监督学习的先验知识引导能力。传统的AP算法通过在数据点之间传递“责任度”和“可用度”消息来自动确定聚类中心和簇的数量，但在复杂数据分布下容易陷入局部最优或产生不符合物理意义的聚类。本项目通过引入成对约束（Pairwise Constraints）机制来改进这一过程，具体功能包括：1. 数据预处理与相似度矩阵构建，计算样本间的负欧氏距离或其他相似性度量；2. 约束集成，处理“必须连接”（Must-Link, ML）和“不能连接”（Cannot-Link, CL）两类约束，通过调整相似度矩阵中特定元素的值（如将ML对的相似度设为最大值，将CL对的相似度设为最小值）或在消息传递迭代公式中增加约束项，强制算法在聚类时遵循这些先验规则；3. 执行改进的消息传递循环，迭代更新R矩阵和A矩阵，直至满足收敛条件；4. 结果解析与可视化，输出识别出的聚类中心（Exemplars）及所有样本的归属标签，并提供聚类结果的散点图可视化（针对低维数据）以便于评估算法性能。该算法特别适用于具有少量标记数据或领域专家知识的场景，如医学图像分割、基因表达数据分析等。
