OPTICS

类似于DBSCAN，OPTICS处理数据集中的每个点，在这个过程中进行${\displaystyle \varepsilon }$-邻域查询。如果保证给定空间坐标时候，邻域查询可以以${\displaystyle O(\log n)}$的复杂度完成，可以得到总时间复杂度为${\displaystyle O(n\cdot \log n)}$。OPTICS原始论文的作者表明OPTICS算法比DBSCAN算法慢常数1.6倍。由于值过大可能会使邻域查询的的时间复杂度降至线性，这个数值可能会显著变化。

实践中，选择${\displaystyle \varepsilon >\max _{x,y}d(x,y)}$（大于数据集中的最大距离）是可能的，但由于每此领域查询会在整个数据集中进行，时间复杂度会降至平方。即使没有可用的空间索引，也会产生额外的堆管理成本。 因此${\displaystyle \varepsilon }$应当被仔细选择。

ELKI数据挖掘框架提供了OPTICS、OPTICS-OF、DeLi-Clu、HiSC、HiCO和DiSH的Java实现。

R语言中，dbscan包提供了OPTICS的C++实现。

Python中，PyClustering库和Scikit-learn库实现了OPTICS；hdbscan库提供了HDBSCAN*实现。