在对AP算法仿真研究过程中发现，样本数据点作为类代表点的初始偏向度取值，与算法最终聚类性能有着密切的联系。针对两者之间的数量关系展开深入研究，通过建立初始偏向度多重单目标优化模型，限定算法花费时长在可设定的范围内，确定初始偏向度最优取值，使得算法聚类准确率取得最优，同时花费时长相对较小。实验结果表明，对于三种经典的标准数据集4k2-far、wine和iris，优化后的AP算法与优化前相比，在降低花费时长的同时提高了聚类准确率，从而有效提高算法的聚类性能。