属性选择是数据挖掘领域常见的用于降低数据特征维度的预处理方法:在不影响原始数据核心价值的前提下,属性选择方法可以大幅约简数据集中的噪声数据与冗余属性,节约存储空间与计算资源,并提升决策分析准确率。属性选择问题的实质即在众多特征维度中寻求关键的核属性,因此求解过程中每种属性均可用关键属性(状态‘1’)或非关键属性(状态‘0’)两种状态来表示。考虑到该特性,本文提出以二元蚁群算法(Binary Ant Colony Optimization,简称BACO)作为搜索策略,分形维数作为子集评估度量准则,求解属性约简问题。针对BACO算法存在着“算法运行时间长”、“易收敛到局部最优解”与“无法并行求解”等不足,本文提出了一系列改进,并结合分形理论应用于属性选择领域。本文主要的研究工作与成果总结如下:首先,针对二元蚁群算法的固有缺陷,引入了参数控制的位置更新策略、对蚂蚁个体与种群进行交叉变异并提出局部优化策略、重新定义阻塞机制的信息素更新方法,提出改进的二元蚁群算法IBACO。其次,考虑到现有属性选择方法的计算效率难以满足云计算环境下大规模复杂数据的处理需求,应用MapReduce编程模式实现并行化算法MRIBACO,定义了算法的Map与Reduce函数设计。然后,以MRIBACO算法作为离散解空间的搜索策略,结合分形维数提出了属性选择模型。在UCI数据集上的实验结果表明了算法的有效性与稳定性。最后,将该方法应用于雾霾预测领域,分析北京、上海、广州三个城市的关键致霾因子,实验结果表明算法求解的约简结果具有较高的可信度,为后期预防与重点治理雾霾气候提供了理论支撑。