对于约简来说，其前提是保证知识库分类能力不变，由此引入弱约简的定义。利用区分矩阵能很容易计算出弱约简和遗传算法可以在全局寻优的优势，将染色体对区分函数的覆盖度作为适应度函数的参数，提出了一种基于遗传算法和区分矩阵的属性约简算法。算法中从粒计算的角度，重新度量粒度，对基于划分和覆盖的粗糙集决策表进行了研究。用 k 近邻算法通过准确率对弱约简效果进行评估。通过 UCI 数据集证明了该算法的有效性。该算法的时间复杂度是多项式的。

对于约简而言，其实质上是保证复合物分类能力不变，立即降低弱约简的定义。利用区分矩阵能很容易计算出弱约简和遗传算法可以在分解寻优的优势，将染色体对区分函数的覆盖度作为适应度函数的参数，提出了一种基于遗传算法和区分矩阵的属性约简算法。算法中从粒计算的角度，重新划分粒度，对基于划分和覆盖的粗糙集方法通过k近邻算法通过准确率对弱约简效果进行评估。通过UCI数据集证明了该算法的有效性。该算法的时间复杂度是多个式的。

对于约简来说，其前提是保证知识库分类能力不变，由此引入弱约简的定义。利用区分矩阵能很容易计算出弱约简和遗传算法可以在全局寻优的优势，将染色体对区分函数的覆盖度作为适应度函数的参数，提出了一种基于遗传算法和区分矩阵的属性约简算法。算法中从粒计算的角度，重新度量粒度，对基于划分和覆盖的粗糙集决策表进行了研究。用 k 近邻算法通过准确率对弱约简效果进行评估。通过 UCI 数据集证明了该算法的有效性。该算法的时间复杂度是多项式的。