粗糙集理论是一种处理不确定知识的有力工具,在各领域已得到了广泛应用。本文的研究工作主要集中在粗糙集应用过程中数据预处理和决策表约简两个方面,围绕当前存在的问题,对现有的算法进行了改进,同时也提出了一些新的解决方案。完成的工作包括: 1.用关系代数重新定义了基本粗糙集模型中的关键概念,建立了粗糙集与关系数据库之间的内在一致性,为利用关系数据库中的集合运算对决策表进行高效处理奠定了基础。 2.针对不一致决策表的处理问题,引入了作用的时间因素这一概念,提出了基于移动平均数的处理方法和基于时序粗糙逻辑的处理方法,并对进行了实验验证。 3.在系统总结现有连续属性离散化算法的基础上,对基于布尔逻辑的连续属性离散化算法进行了改进,并尝试了多种离散化算法的结合,实验表明这是进一步提高处理效率的有效途径。 4.对现有的约简算法进行了改进,并提出了一种求取较优约简的启发式算法。 5.针对超大数据集的处理,提出构建集群系统通过并行计算来完成任务和相应的任务分解方法和计算方法。 6.在前述知识和方法的基础上,给出了一个应用实例。将粗糙集应用于排队系统的仿真过程,利用粗糙集对由顾客到达原始记录形成的决策表进行约简和决策规则提取,获取影响顾客到达率的关键因素,在此前提下展开仿真,从而更好的反映了真实系统,提高了仿真结果的决策价值。 最后对全文进行了总结并指出了下一步的研究方向。