优化是人们在科学研究、工程技术和经济管理等诸多领域中经常碰到的问题。其目的是找到使目标函数达到最小或最大的条件。已有的许多优化方法在处理人们所面对的复杂问题时,往往很不令人满意。近年来,一种新的优化方法——和声搜索算法逐渐成为学者关注的研究方向之一。它的主要特点是简单、收敛速度较快,且所需领域知识较少。粗糙集理论是继概率论、模糊集理论、证据理论之后的又一个处理含糊性和不确定性的数学工具。属性约简算法是粗糙集理论的核心内容。粗糙集属性约简的研究在知识获取、机器学习、模式识别、决策分析、模型建立等实际应用中有重要的意义；但是,由于属性约简被证明是一个NP问题,因此,研究更为有效的属性约简算法,有效地获取较优的属性约简,降低算法的时间复杂度,寻求快速的约简算法仍是粗糙集理论的主要研究课题之一。本文主要研究了全局最优和声搜索算法的改进及其在粗糙集属性约简问题中的应用。本文首先介绍了粗糙集理论的基本概念和相关知识。对粗糙集理论中基于区分矩阵、属性重要度、属性依赖度的属性约简算法进行了系统描述,并且对几种粗糙集属性约简算法进行了分析。其次对目前和声搜索算法进行分析,介绍了基本和声搜索算法的基本原理,算法步骤,参数选择；改进和声搜索算法是对基本的和声搜索算法的两个重要参数进行改进,这两个参数是迭代次数的函数；自适应和声搜索算法是利用和声库内的信息自动调整这两个参数的大小；全局最优和声搜索算法是把全局信息引入和声库中。再次提出了改进全局最优和声搜索算法,这种改进方法是结合自适应和声搜索算法和全局最优和声搜索算法的优点。改进的全局最优和声搜索算法中利用和声库内当前解的情况,自适应调整解变量的大小,从而避免和声库中解存在相同的情况,提高解的多样性；另外加入全局最优解的信息,使解能够更快的收敛到最优解。通过五个具有代表性的多峰值、复杂的标准测试函数进行测试,从不同的迭代次数的测试结果可以看出,和声库内的解变量逐次收敛到最优解。该改进算法与其它和声搜索算法做比较,从比较的图中可以看出,该改进算法具有较高的跳出局部最优的能力。最后将改进全局最优和声搜索算法应用到粗糙集属性约简中,对粗糙集属性约简进行分析,提出基于改进全局最优和声搜索算法的粗糙集属性约简,并以汽车属性为例对汽车的决策表进行约简,与现有方法比较可以看出,改进全局最优和声搜索算法能够更快找到最优约简。