粗糙集(Rough sets)理论是由Z.Pawlak教授于20世纪80年代初提出的一种用于处理不确定性和含糊性知识的数学工具，其基本思想是在保持分类能力不变的前提下，通过知识约简，导出概念的分类规则。它无需提供相关数据集合以外的任何先验信息，适合于发现数据库中隐含的、潜在有用的规律，即知识，找出其内部数据的关联关系和特征。近年来，粗糙集理论和应用取得了很大的成功，已成为软计算方法的重要分支，其涉及的领域包括模式识别、机器学习、决策分析和决策支持、知识获取、知识发现等。 首先本文介绍了经典(Pawlak型)粗糙集的基本理论。其次介绍了信息熵、遗传算法的基本思想。在此基础上提出了一种新的属性约简算法。本文以信息论角度定义的属性重要性度量作为启发式信息，通过构造一个modify pop(t+1)算子来引入启发式信息，使得选择的属性子集的分类能力不变。该算子体现了一种利用启发式信息的局部搜索技术，使得算法既保持整体优化特性，又具有较快的收敛速度。主要用于求解决策表中的相对属性约简。