信息化时代的到来使信息量爆炸式增长,产生了针对海量数据集的知识发现理论(knowledge Discovery in Database,KDD),基于粗糙集的属性约简就是其中的重要内容。它尽可能的保持数据有效、简洁和精炼,使数据挖掘的结果更可信,准确性更高。 　　寻求信息系统的最小约简是一个NP-hard问题,粒子群算法已被有效的应用在属性约简中,但传统的标准粒子群算法存在早熟和收敛慢的缺点,尤其在大数据集或属性较多的情况下,收敛速度慢,寻优能力差。 　　量子粒子群优化(QPSO)算法是在标准粒子群算法和DELTA势陷的基础上,对群体智能算法特征研究后提出的,具有控制参数少、计算速度快、全局收敛性等优点。文章将病毒进化理论、蜂群搜索算子与离散二进制量子粒子群算法相结合来解决属性约简问题,提出了基于量子粒子群的属性约简改进算法。首先重新定义了宿主群的初始全局最优解、初始最优病毒种子和适应函数,使其满足量子粒子群与属性约简的条件。在进化中,通过最优病毒种子产生病毒库,对随机平均分组后的宿主群进行病毒感染,使粒子朝着更优的方向进化发展,起到很好的方向指导作用,提高了算法的收敛速度。针对粒子在迭代过程中快速产生趋同现象,导致粒子多样性降低而陷入局部最优解的问题,文章定义了新的适合在离散量子粒子群中应用的二进制人工蜂群搜索算子。利用其较强的探索能力,帮助算法快速跳出局部最优解。病毒操作和搜索算子的结合平衡了算法的探索和开发能力。最后对UCI数据集进行属性约简实验,结果表明改进算法比其他进化算法在收敛速度及寻优效率上都有一定程度的提高。