不知道你说的是不是这个。 宏观到微观（M2M）模型。类似于粒计算（Granular Computing）的思想，M2M模型提供了一个多层次，粒度可选的数据结构，从而灵活地选择不同的抽象层次去解决不同粒度的问题，而不必每次关注粒度宽培最小的层次。M2M模型的数据结构用O(n)时间建成，并具备高度的并行性，足够的处理器可使之在O(1)时间内建成（n为点集规模）。由于插入，删除，查询等操作都在常数时间内完成，且不会引起树结构不平衡，因此数据结构具有良好的动态性。此外，M2M模型的数据结构及其预处理过程，能够被所有基于M2M模型的算法所共享，从而大大地提高了需要多种算法共同处理的操作的效率，如图像处理和模式识别等。本文分析了基于M2M模型的算法的一般过程和共尘巧笑同特性，设计和编程实现了三种基于M2M模型的算法：最近邻算法，凸包算法和寻径算法,并与相应的经典算法和最新研究成果进行各方面的比较。 人类作为一种经历亿万年进化而不断完善的物种，值得模仿的不仅仅是其机体结构和运作机制，其思考问题的方式与及解决问题的方法，也同样经历亿万年的锤炼，其中奥妙之处更值得科学的研究与借鉴。人类在解决实际问题的时候，往往不是一开始就从粒度最细的层次去分析问题，而是先从宏观出发，粗略地排除一些不必要考虑的因素，锁定一个更窄的问题规模，然后再试图在粒度更细的层次去解决这个问题。这样不断地在粒度较粗的层次把问题的考虑范围缩小，直到一个粒度恰当的层次，可以迅速解决问题。宏观到微观算法模型（M2M model）就是这样一种模仿人类认知思维方式的算法模型。从抽象的意义来说，宏观微观算法思想利用从宏观到微观的过程实现了减治（Decrease-and-Conquer）的目的，探讨了模拟人类解决问题从宏观到微观渐进过程的新方法。 研究人类认知思维规律，模拟人类认知思维方法并应用于提高计算机智能一直是人工智能学科研究的热点。许多学者从生物体结构、遗传学原理或心理学模型出发研究人类智能的计算派含方法，而M2M算法模型则是从模仿人类思维方式出发研究人的认知过程。从这个角度来看M2M模型与粒计算（Granular Computing）的思想有异曲同工之妙。它们都是一个自顶向下（Top-down design）的多层次（Multiple levels）模型。解决问题的时候都采取在各抽象层次之间逐步细化(Step-wise refinement)的过程 [42][43] 。 M2M算法模型具有普适性，是一种指导算法设计的模型，很多经典算法问题和一些具体领域上的应用算法问题，如最近点对问题，凸包问题，TSP问题，聚类问题，寻径问题，碰撞检测问题等都可以利用M2M模型设计出高效的算法。
