唐鹏飞，莫智文，谢 鑫

(四川师范大学 a.数学科学学院；b.智能信息与量子信息研究所， 成都 610066)

粗糙集理论是不确定性分析与智能计算的有效数学工具[1]。在粗糙集理论中，属性约简是核心内容与研究热点，其主要是在保持相同分类能力的前提下进行冗余属性删除，从而达到数据表的优化处理。知识粒度广泛用于不确定性测量、属性约简、机器学习。针对经典信息(决策)表，文献[2-3]提出基于知识粒度的属性约简，而文献[4-7]在不同决策信息系统下推广并改进基于知识粒度的属性约简；文献[8]从多粒度视角提出基于知识粒度的增量属性约简。寻找最小属性约简问题是NP难题[9]，因此启发式约简算法构建成为一种有效优化策略。例如文献[10]提出邻域近似条件熵来构建启发式约简算法；文献[11]利用粗糙集理论设计基于依赖计算的启发式约简算法；文献[12]提出近似质量来构建启发式约简算法；文献[13]引入广义决策保持相似度构建启发式约简算法。可见，知识粒度与启发式算法是决策表进行属性约简的重要手段，值得推广使用。

区间值决策表[14]是经典决策表的一种扩展，其属性值为区间值(即用上下边界来表示一个不确定概念)，从而能更好地刻画不确定性对象，当前具有深入研究。例如，文献[15]基于相似关系，将近似精度和近似粗糙度推广到区间值决策表中，研究了不确定性度量问题；文献[16]基于信息熵研究了区间值信息(决策)系统的属性约简，并提出2个启发式约简算法；……