传统的K-medoids聚类算法的聚类结果随初始中心点的 不同而波动，且计算复杂度较高不适宜处理大规模数据集； 快速K-medoids聚类算法通过选择合适的初始聚类中心改进 了传统K-medoids聚类算法，但是快速K-medoids聚类算法 的初始聚类中心有可能位于同一类簇。为了克服传统的K- medoids聚类算法和快速K-medoids聚类算法的缺陷，提出 一种基于粒计算的K-medoids聚类算法。(The traditional K-medoids clustering algorit

在粗糙集与粒计算中，对于常见的几种非线性规划的函数，运用PSO算法求出了相应的决策属性的权重(In rough set and granular computing, PSO algorithm is used to calculate the weights of the corresponding decision attributes for the common functions of nonlinear programming)

可以实现复杂环境下的预测，模糊粒计算下的支持向量机(Support Vector Machine Based on Fuzzy Granular Computing and Prediction in Complex Environment)