Opetusalgoritmista on voidaan laatia versio, jossa yhdellä opetusaskeleella käydään läpi koko datajoukko.
Oletetaan, että naapurustofunktio h=1, jos datavektori kuuluu yksikön topologiseen naapurustoon Ni ja on muutoin nolla -- esimerkiksi kuplanaapurusto on tällainen. Voidaan osoittaa, että karttayksiköiden tasapainoasema on implisiittisesti määriteltynä , jossa vaikutusalue Vi on se data-avaruuden osa, jolle sattuvat vektorit pystyvät päivittämään mallivektoria eli . Mallivektorin tasapainoasema on siis vaikutusalueen datan ehdollinen odotusarvo. Jos h on jokin muu kuin kuplanaapurusto, lasketaan odotusarvo naapurustofunktiolla painotetuista näytteistä.
Soveltamalla K-means-algoritmin [10] tapaista menettelyä saadaan itseorganisoituvalle kartalle seuraavanlainen eräalgoritmi.
Algoritmissa ei määrätä oppimisnopeusparametria. Kun naapuruston säde on nolla, keskiarvo lasketaan vain datasta, jolle on voittajayksikkö. Tällöin algoritmi on sama kuin K-means. Eräalgoritmi toimii tehokkaasti, jos kartta on jo aluksi karkeasti järjestynyt. Mallivektorit on siis syytä alustaa lineaarisesti.