聚类算法通常是收敛的。

在数学和统计学中，聚类算法是一种无监督学习算法，用于将数据集中的对象（如数据点或实体）分成多个组或簇。聚类算法的目标是使得同一个簇内的数据点相似，而不同簇的数据点不相似。

许多聚类算法都基于迭代过程，通过不断更新数据点的簇分配来优化聚类结果。在每次迭代中，算法会根据某种准则（如距离、密度等）将数据点分配到不同的簇中，然后更新簇的中心或质心等参数。

当算法达到一定的停止条件（如迭代次数、时间限制等）时，算法就会收敛，即不再进行新的迭代，而是输出当前的聚类结果。

需要注意的是，不同的聚类算法可能会有不同的收敛性质和停止条件。一些聚类算法可能无法保证收敛到全局最优解，而是只能收敛到局部最优解。因此，在选择和使用聚类算法时，需要了解其收敛性质和适用场景，并根据具体问题选择合适的算法。