粗糙集是一个处理不确定性和含糊问题的数学工具,由于它不需要先验知识或附加信息,因此在数据挖掘和知识约简等方面都有很好的应用前景。作为粗糙集理论的核心内容,属性约简是需要在保证分类和决策能力不变的前提下将数据库中的冗余属性约简,简化知识的表示,从而提高系统的处理效率,方便用户的决策,对它的研究在知识获取、机器学习、模式识别、模型建立等实际运用中都有很重要的意义。当前研究更加有效的属性约简算法,降低算法时间复杂度和获取较优的属性约简结果仍然是粗糙集理论的主要研究课题。本文研究了粗糙集理论中基于区分矩阵、属性重要性、属性依赖度的属性约简算法以及启发式遗传约简算法和蚁群约简算法,重点分析和比较了现有的基于遗传和蚁群的属性约简算法,根据算法的优点和缺点,提出了两种新的约简算法:一是基于遗传蚁群算法的属性约简算法,该算法的主要优点在于将决策属性对条件属性的依赖度引入到适应度函数中,通过遗传算法优化蚁群算法,不但加快了蚁群初始时刻的寻优速度,保留了蚁群算法收敛快的优点,并且通过遗传算法隐形并行的特点,使整体算法不易陷入局部最优。二是基于自适应蚁群算法的属性约简算法,该算法吸收了蚁群算法收敛速度快的优点,同时通过将蚁群分组并行运行、引入信息素交流机制和设置交流概率的方法使算法能够有效地跳出局部最优,以达到算法速度与求解质量的统一。最后实验数据和对比分析,验证了基于遗传蚁群算法和自适应蚁群算法的属性约简算法是求解属性约简时都是行之有效的,但却拥有各自不同的使用空间。