由于科学和工业领域中数据的快速增长,传统的数据挖掘算法从数据存储和计算复杂性的角度都面临着挑战。作为数据挖掘的重要预处理技术,属性约简有助于通过消除冗余和不相关的属性来减少特征空间并提高分类性能。传统求解约简的启发式算法采用单一的度量指标作为约束条件,但这一策略并不能保证约简满足多重度量指标下约束需求。并且绝大多数的约简定义是建立在考虑所有决策类基础上的,而忽视了不同决策类别所对应的度量指标在约简前后的变化情况。除此之外,在单个节点的串行计算策略下难以处理海量数据并在庞大的搜索空间中探索有效的解决方案。针对以上问题,本文将从局部多约束角度出发,基于CUDA模型设计并实现一种并行属性约简算法。主要研究内容如下:(1)局部多约束的属性约简方法研究。首先介绍传统启发式约简算法,采用单一度量指标作为约束条件,如近似质量和条件熵。接着从局部的视角出发,分别对每一个决策类别进行约简。于是提出一种面向局部多约束的属性约简策略,其目的是使得每个决策类别都能够满足多重度量指标下的约束条件。实验结果展现了该约简方法的有效性。(2)邻域粗糙集近似和条件熵并行算法研究。首先分析CPU和GPU的结构差异,并介绍CUDA编程模型。接着讨论局部多约束条件的计算步骤,设计一种计算邻域等价类和决策类的并行算法,通过CUDA划分数据集并基于Multi-GPU计算局部条件熵和邻域粗糙集的上下近似。最后,通过三种度量指标评估并行算法的性能。实验结果表明了该算法的可行性。(3)并行属性约简算法研究。首先阐述传统属性约简算法的局限性,接着分析属性约简的并行性,给出三种并行策略的时间消耗。然后通过CUDA实现一种数据与任务并行的算法,不同决策子系统通过属性重要度得到候选属性。最后,候选属性子集进一步约简得到最终结果。实验结果表明了该算法具有较好的加速比和扩展性,可以有效处理数据挖掘中的海量数据。