分类是从训练数据集中找出一个类别的概念描述,依据概念描述来建立分类模型,并用该模型预测未知数据的类别。作为数据挖掘的一个重要分支,它在商业、医学、军事等领域都有广泛的应用。目前常见的分类方法有决策树、贝叶斯网络、神经网络方法、粗糙集、模糊集和支持向量机等。微粒群算法作为进化算法的一种,有其自身的独特性,其概念简单,易于实现,在很多领域中都被广泛应用。本文将微粒群算法应用于连续属性分类问题进行分类规则的提取。由于微粒群算法的优化性能受参数影响较大,本文提出一种新的社会系数调整策略,该策略随进化代数的增加逐步增大社会部分对速度的影响,从而能有效提高算法效率,并将其应用于分类规则的提取,结果表明该策略在一定程度上优于标准微粒群算法;其次,适应值函数的选择对于分类问题而言非常重要,针对已有的适应值函数选择存在的缺陷,本文提出了一种新的适应值函数形式,将其应用于UCI数据集分类问题,得到了比较好的效果。