数据挖掘是指从含有大量数据的数据库中提取有效的、有潜在价值的、新颖的信息和知识的非平凡过程。在许多的数据挖掘方法中,粗糙集方法是其中的一种很好的数据挖掘工具。在上个世纪八十年代粗糙集理论是由著名的波兰数学家Z.Pawlak提出的处理模糊和不确定性问题的一种数学方法,它可以分析出隐含在数据中的事实,并且基本上不需要提供任何相关数据附加信息,粗糙集理论已经在社会许多领域中获得了比较成功的应用,比如模式识别、知识发现、机器学习、决策分析等领域。信息系统的属性约简是粗糙集理论的重要内容之一。但寻找信息系统的最优约简或全部约简是一个NP问题。遗传算法是一种模拟生物进化过程的最优解的方法,具有全局搜索、鲁棒性强、可扩展性、隐含并行性等特点,已经被广泛应用到粗糙集属性约简中。为了能够快速有效地获取信息系统中属性的最小约简,在分析遗传算法与属性约简的方法的基础上,将属性重要性度量作为启发式信息引入遗传算法,构造出了一种基于启发式变异算子的属性约简算法。该算法通过构造新的变异算子来引入启发式信息,这样体现了启发式信息的局部搜索技术,并使得该算法不仅保持整体优化特性,而且还具有较快的收敛速度。差分进化算法是基于一种变异、交叉、选择的全局进化优化算法,将差分进化算法应用到多个个体组成的群体,这样得到的群体中的个体可以一代接一代地得到优化,并逐步逼近算法的最优解。该文将差分进化算法引入粗糙集属性约简中,构造出基于差分进化算法的粗糙集属性约简算法。实验结果表明,这两种方法都能快速有效地求出决策表的最小约简。