粗糙集理论是一种处理含糊和不确定性信息的新型数学工具,该理论自提出以来得到迅速的发展和广泛的应用。知识约简是粗糙集理论重要的研究内容之一,它的主要目的在于去除数据中的冗余信息,同时,保持原决策信息系统的分类能力不变。然而,如何获得最小约简,则一直是人们所重点研究的问题。由于寻找最小属性约简问题已经被证明为NP问题,所以引入带随机策略的约简算法改善目前的约简算法成为一种必然的趋势。粒子群算法因其简单有效而被引入到粗糙集属性约简中,但它本身有两个较大不足即收敛速度不佳和易陷入局部最优。因此,本文针对其不足从扩大搜索范围和加快收敛速度这两个方面进行了相关的研究。本文首先对粒子群算法本身进行了分析,找出其搜索低效的源头,在解决如何扩大其搜索范围问题的同时,提出了改进的量子粒子群约简算法。此算法主要是利用量子系统具有较大的搜索范围,能够使每个粒子在远离目前全局最优的区域进行搜索,从而达到避免算法过早收敛于局部最优,找到最优约简的目的。在本文随后的研究中,针对粒子群约简算法收敛速度不够快的不足,在分析比较了它和遗传算法的异同之后,借鉴遗传算法中的选择、变异等操作来加强量子粒子群约简算法对整个种群信息的利用,从而使整个种群的有效信息得到更好的利用和保留,使得算法在收敛性速度上得到可观的改进。以上有关改进都有利于提高知识约简的效率,进一步增强了粗糙集数据分析能力。