肖 斌，孙乾智

(西南石油大学计算机科学学院，四川 成都 610500)

1 引言

属性约简就是对信息系统中的特征进行选择[1]，该技术通常应用于数据处理与分析场景。约简过程中，需要从复杂属性组建的数据集内完成属性的分类与去冗余等操作[2]，但是在信息系统越来越复杂的情况下，无效冗余属性也随之复杂难辨，对于目标信息的提取产生严重干扰。尤其是在大数据应用场景中，数据规模与数据属性的动态变化，给属性约简造成严峻挑战。当数据中存在决策属性时，约简结果存在非确定性，当数据规模与数据动态变化，条件属性与决策之间的组合形式将快速增加，如何从已知条件属性中搜索出有利于正确决策的属性，变得尤为困难。

文献[3]考虑到系统信息的动态波动，将模糊理论与粒度模型结合，对数据采取融合处理；文献[4]考虑到多论域对象增量，设计了多粒度约简；文献[5]考虑到数据的散布特性，利用粗糙集推导出决策属性的相似集；文献[6]结合不一致性与正域分析，实现了动态非一致系统的属性约简；文献[7]基于邻域粗糙集对邻域信息的分析，实现了动态非确定信息系统的属性约简。可以看出，现有研究的手段主要集中在粗糙集、邻域分析，以及信息粒等方面。基于现有研究，同时考虑到启发算法的关联性，本文针对混合决策系统，提出一种启发式增量属性约简方法，用以克服系统中数据动态变化对属性约简的影响，优化混合决策系统属性约简的精度与效率。……