随着社会的发展,科技的进步,数据挖掘、机器学习等新型技术已经融入人们的日常生活,使生活更加便利。但随着数据量的增大,数据类型更加复杂,使得这些技术受到一定的限制。因此,如何从数据中去除冗余信息,保证数据的精简,为后续研究人员在使用这些数据进行分析提供便利显得格外重要。粗糙集理论（Rough Set Theory,RST）作为一种数据挖掘技术,最大的特点在于无需任何先验信息就可以处理不精确、不完整、不确定数据。属性约简（Attribute Reducation,AR）是粗糙集理论重点研究内容之一,同时也是数据挖掘预处理步骤之一。可以在保证分类能力同时去除数据中不重要的属性。从所有约简中选择最小基数的约简也被称为最小属性约简（MAR）。如何获得最小属性约简一直是人们研究的重点,但求解最小属性约简已经被证明是NP-难的非线性组合优化问题。本文针对传统属性约简算法求解最小属性约简困难。智能优化算法可以很好的弥补传统属性约简算法的不足。因此,通过结合智能优化算法中的社会蜘蛛优化算法来求解最小属性约简。但在实际求解过程中,求得结果往往为包含冗余属性并且求解时间长。为此,提出多种改进策略进行改进,设计出两种算法。一种侧重较高求解质量的多策略改进社会蜘蛛优化属性约简算法（MISSOAR）,另一种侧重较短运行时间的快速社会蜘蛛优化算法（QSSOAR）。本文的研究工作如下:针对社会蜘蛛优化在求解最小属性约简求解质量低的问题。首先,在种群初始阶段引入一种基于对立的初始化策略,改善初始种群中个体的表现。其次,将种群动态划分为精英群体和普通群体,设计一种改进雌性蜘蛛位置更新算子。接着,为了避免交配与替换操作失效问题,引入交叉变异策略进行弥补。最后,提出一种基于属性重要度的冗余检测机制,通过判断最优结果中属性的重要度,去除不重要属性使约简集合更加精简。实验结果表明,求得约简结果质量高。考虑到社会蜘蛛优化在求解最小属性约简耗时长的问题。首先,以一种相似度约束策略来约束初始种群,相比基于对立的初始化策略,模二加运算计算量更少。在迭代过程中设计一种自适应对立学习加快收敛速度,相比传统对立学习计算量更小。深入分析社会蜘蛛优化乃至其它智能优化算法在求解最小属性约简过程中产生庞大计算量的来源,考虑到最大计算开销来自于个体评估阶段,设计了一种快速提取策略,通过将数组与键值对进行结合,只需要简单比较就可以获得对应的值。通过实验验证算法求解质量高,运行时间短。