Vamos analisar as características descritas e as opções de algoritmos de agrupamento: I. Algoritmo de agrupamento particional. Isso se refere a algoritmos que dividem os dados em grupos (partições) de forma que cada dado pertença a um único grupo. II. O centro do grupo é o valor de um dos objetos existentes no grupo que possui a menor dissimilaridade em relação aos demais objetos. Isso se aplica ao algoritmo k-medoides, onde o centro do grupo (medoide) é um dos pontos do próprio grupo. III. Sua função de custo é usada como critério de parada do algoritmo. Isso é verdade para algoritmos como k-médias e k-medoides, onde a função de custo (como a soma das distâncias dos pontos ao centro do grupo) é utilizada para determinar quando o algoritmo deve parar. Agora, vamos analisar as opções: - k-médias: É um algoritmo particional, mas o centro do grupo é a média dos pontos, não um dos objetos existentes. Portanto, não atende à descrição II. - árvore geradora mínima: Não é um algoritmo de agrupamento, mas sim um algoritmo de grafos. - DBSCAN: É um algoritmo de agrupamento baseado em densidade, não particional, e não se encaixa nas descrições. - complete-linkage: É um método de agrupamento hierárquico, não particional, e não se encaixa nas descrições. - k-medoides: É um algoritmo particional, o centro do grupo é um dos objetos do grupo (atende à descrição II) e utiliza uma função de custo como critério de parada. Portanto, a alternativa correta que contém o algoritmo de agrupamento que atende a todas as características descritas é: k-medoides.