熊菊霞，吴尽昭，王秋红

1(中国科学院 成都计算机应用研究所，成都 610041)

2(中国科学院大学 成都计算机应用研究所，北京 100049)

3(广西民族大学 数学与物理学院，南宁 530006)

1 引 言

粗糙集理论是人工智能和智能计算领域的重要研究内容[1].由于现实环境下数据内容的复杂性，学者们将传统的粗糙集理论进行推广，提出了决策粗糙集模型[2]，该模型通过引入阈值来限定粗糙集上下近似的范围，使得具有更高的泛化性能.决策粗糙集模型已成为目前粗糙集理论的研究热点[3，4].

属性约简是粗糙集理论的重要应用，在传统的粗糙集理论中，属性约简的目的是为了删除数据集中的不相关属性和冗余属性，使得提高数据的分类性能[5，6].然而在决策粗糙集中，决策区域不满足属性变化的单调性，因此传统的属性约简算法在决策粗糙集下并不适用[7].由于决策粗糙集是建立在代价理论基础上粗糙集模型，Jia等[8]学者在决策粗糙集模型中提出了最小化决策代价的属性约简方法，理论分析了这种属性约简方式的合理性.在Jia的基础上，其他学者进一步地提出了多种推广的属性约简算法，例如Song等[9]学者在模糊数据环境下提出了最小化代价的属性约简算法，彭莉莎等[10]学者提出了面向特定类的最小化代价属性约简，Li等[11]学者将决策粗糙集推广至混合型数据，提出一种邻域决策粗糙集的最小化代价属性约简算法.虽然决策粗糙集不满足属性变化的单调性，但是学……