知识发现(Knowledge Discovery in Database,KDD)的主要目标是通过转换、抽取等一系列手段从原始知识库中挖掘出对人们有价值知识的过程。属性约简(或称特征选择、特征降维)是一种通过某种方法从原始特征空间中删除不必要的属性达到降低数据维度的有效方法,它是机器学习和数据挖掘领域中数据预处理的重要步骤之一。目前特征选择已经广泛应用在图像处理、文本分类、语音识别等领域。近年来,信息科技的高速发展不仅给人们生活带来便捷体验,同时还给各个领域带来了前所未有的机遇和挑战,数据的共享使得数据类型更加多样化。如何从这些高维度、复杂、动态变化的数据中挖掘出有价值的知识已成为学者们关注的研究内容之一。本文以优势关系粗糙集在动态环境下如何高效获取属性约简为出发点,分别针对优势决策信息系统中动态改变对象、属性、属性值的情况下,高效动态属性约简获取的问题进行相关的研究。本文的主要研究内容如下:1.对象动态变化时,阐述了优势决策信息系统中增加单个对象时优势集的变化规律,给出了优势决策信息系统动态更新属性约简的定理,设计了增加单个对象后优势决策信息系统增量更新属性约简的算法,通过UCI机器学习数据库中的数据集进行实验验证,实验结果表明提出的增量算法和非增量算法相比在计算效率上和分类精度上都有一定的提升。(第3章)2.属性动态变化时,阐述了优势决策信息系统中添加单个属性时优势关系变化的规律,提出一种基于二进制编码矩阵的方式维护更新。设计了添加单个属性时动态更新属性约简的算法。实验结果表明提出的增量算法的有效性。(第4章)3.属性值动态变化时,阐述了优势决策信息系统中多个对象的属性值变化时,讨论了属性值对优势关系影响的情况,提出一种基于字符组合编码的方式对对象的优势关系进行编码,并给出字符组合编码矩阵动态更新的方法。设计了属性值变化时基于字符组合编码矩阵的动态更新属性约简算法,通过在10个数据集上的实验对提出的算法的有效性进行验证,结果表明提出的增量算法在计算约简的时间消耗和分类性能上都优于非增量算法。(第5章)4.分析了Spark框架下优势关系粗糙集并行属性约简的问题,给出了大数据下的启发式属性约简的并行策略。实验结果表明Spark能有效处理大数据集的启发式属性约简。(第6章)