粗糙集作为一种新型的数学工具用来处理一些不确定和不完整信息,利用集合中各属性之间的不可分辨关系,将系统中的信息更加简洁有效地表示出来,目前已经被应用到各个领域。经典粗糙集模型的假设分类必须是确定的,在实际应用中缺乏一定的灵活性,因而存在着很大的局限性,不能很好地处理含有干扰信息的数据。为此,众多学者在传统粗糙集的基础上引入概率阈值提出了概率粗糙集模型。属性约简是粗糙集理论研究中最主要的问题之一,从客观上来讲,冗余信息存在于各类知识决策系统当中,属性约简就是删除其中不相关的属性,对系统中的属性进行简化。所谓最小约简就是更加简明有效的属性决策规则,然而能否求出最小属性约简问题被证明是一个NP问题。要探寻一种合适的属性约简算法在日常生活中就显得尤为重要。本文针对概率粗糙集处理属性约简过程出现的不确定性,与遗传算法结合提高约简效率,对概率粗糙集属性约简进行更深入的研究,提出了两种属性约简算法,取得主要研究成果如下:1.针对基于概率粗糙集的启发式属性约简算法,必须在属性核的基础上计算所有属性添加和删除之后的概率近似精度的更新值,计算量大且所需存储空间多,导致效率低。基于此,提出改进近似精度和概率粗糙集属性的约简算法。该方法开始时计算每个属性的改进近似精度和属性重要度,不需要计算所有属性增删后的近似精度,根据属性重要度的大小顺序以及改进概率近似精度,并按这个顺序去掉属性约简中冗余的属性,从而得到最小属性约简。与原算法相比求解效率和约简准确度有了一定的提高。2.传统遗传算法和粗糙集结合进行的属性约简算法,其适应度函数存在一定的局限性,使得属性约简算法必须检查一个属性集合的所有子集。为了提高属性约简的精度和效率,结合遗传算法,提出了基于遗传算法和概率粗糙集的属性约简算法,初始化种群时用核属性加以限制初始种群个体编码的方式,计算适应度时加入修正算子,并且该方法改进原有的适应度函数,并将条件信息量作为判断依据,随时修正种群的进化方向,确保进化方向和种群的多样性,使得最后保留下来的最优个体即为最小属性约简。