在优化 K-means 算法时，可以采取多种方法来提高聚类效果和效率。以下是对选项的分析：

A: **可以尝试使用 BiKmeans 的方法**
- BiKmeans，即双K-means（Bisecting K-means），是对标准 K-means 的一种改进方法。它通过迭代地将一个聚类分成两个子聚类，并选择最佳分裂，直到达到所需的聚类数。这样可以提高聚类的质量。因此，A 是正确的选择。

B: **可以尝试初始点均匀的分布在数据当中**
- 初始化对 K-means 收敛结果影响巨大。K-means++ 是一种常用的改进策略，能更好地初始化聚类中心，以提高结果的质量和算法速度。因此，确保初始点合理分布是有效的优化方法。所以，B 是正确的选择。

C: **尝试去量纲**
- 去量纲（如主成分分析 PCA）可以减少噪声，降低数据的复杂性，从而提高聚类效果。然而，去量纲并不是直接提高 K-means 本身的算法效率的方法，而是通过改善数据质量来间接优化聚类效果。因此，从严格意义上讲，C 是一个间接的优化方法，但并未直接涉及 K-means 算法本身的优化。

D: **尝试随机的选取样本**
- 随机选择样本是 K-means 的基本操作，不算是优化措施。改进方法如 K-means++ 通过一个更智能的随机化方式来选择初始中心。因此，D 并不是一个有效的优化策略。

### 正确答案：
- A: 可以尝试使用 BiKmeans 的方法
- B: 可以尝试初始点均匀的分布在数据当中

### 分析总结：
通过应用 BiKmeans 方法和合理选择初始中心（如 K-means++），可以显著提高 K-means 聚类的效果和效率。这些方法帮助减少在局部极小点上的停留，提高结果的一致性和聚类质量。