粗糙集理论的提出为处理不确定、不完整的信息提供了有力的数学工具。最小属性约简是粗糙集理论中的一个重要内容,它是消除数据中冗余信息、得出最简规则所必须的步骤。但属性最小约简的求解是一个NP难问题,传统约简算法较适于处理低维度小数据量的最小属性约简问题,随着属性个数的增加,它的计算复杂度呈指数级的增长。因此,有不少的改进算法相继提出,这些改进算法一部分为贪婪算法,在解空间相当复杂时,容易陷入局部最优解;另一部分则为启发式搜索算法,即使是擅长全局搜索的遗传约简算法,不容小视的全局搜索量和易于出现的早熟现象,也促使我们重新寻找一种快速、有效的属性约简算法来解决当前的问题。PSO优化算法是一种启发式搜索算法,它具备和遗传算法同样的全局搜索功能。因为算法简单,易于实现,已被成功应用于人工神经网络的训练方法,在函数优化、约束优化、极大极小问题、多目标优化等问题中均得到了成功的应用。PSO算法主要适用于连续空间函数的优化,如果稍加改变,也可以将PSO算法应用于离散空间优化问题。本文提出并设计了一种基于PSO的粗糙集属性约简算法:通过属性二进制编码,属性依赖度定义适值,PSO优化运算,二进制解码对应属性来实现属性约简过程。该算法引入计算机高速缓冲思想来减少算法的复杂度,使用简单,有比较好的优越性。MATLAB仿真的数据结果表明,该方法可以快速、有效地获得属性约简,当属性个数较多时,更能体现它的高效性。因此,对于高维大数据量下的最小属性约简求解,与其他算法相比较,标准PSO属性约简算法是十分有效的。