粗糙集理论是在上世纪八十年代由波兰数学家Pawlak提出的一种处理模糊和不确定问题的数学理论。它能够分析出隐藏在数据中的事实,而且不需要提供任何关于数据的附加信息。粗糙集理论已经在许多领域获得了成功的应用,例如知识发现、模式识别、决策分析、机器学习等领域。信息系统的属性约简是粗糙集理论的核心内容之一。寻找信息系统的最优约简或全部约简是NP-Hard问题,而基于属性重要性的启发式算法能够相对快速地计算出信息系统的约简。为了获得决策系统中属性的极小相对约简,本文将决策表中相对于每个条件属性的集合和划分的粗糙逼近精度作为衡量属性重要程度的准则,并以此作为启发式信息引入遗传算法,提出了一种在优化初始种群的基础上提高算法性能的启发式遗传算法。通过构造一个修正算子并将其引入启发式信息,以保证被选择的属性子集的分类能力不变。该算子利用启发式信息的局部搜索技术,使得算法既保持了整体的优化特性,又具有较快的收敛速度。最后的实例证明,该算法能有效地对决策系统进行约简。