流式计算是一种动态环境下的数据计算方法,按照动态数据的流动方向,流式计算可分为增量、减量以及增减并行三种方法,其中增减并行方法可以有效提高动态数据的处理效率与知识的更新速度。Spark是一种典型的实时流式计算框架,可有效处理复杂动态流式数据的计算问题,基于Spark流式计算框架的并行计算算法研究已经成为新的热点问题。概率粗糙集三支决策理论通过对数据的数理计算和推理,发现其中隐含的知识、并揭示潜在的规律,是一种处理不确定性问题的工具。近年来,三支决策在理论研究和实践应用领域均取得了瞩目的成果,动态决策环境下的三支决策动态学习更是其重点研究问题。然而,当前以增量学习算法为主的研究占大多数,基于动态流式数据并行计算方法的三支决策计算算法研究较少。本论文的研究意义体现在以下两个方面:第一,以概率粗糙集三支决策作为基本研究对象,在动态决策环境下,对决策信息系统中单数据对象移入移出的动态变化机制进行研究,分别提出了三支决策单对象增量学习与减量学习策略,并基于时分复用的思想,提出一种动态决策环境下的三支决策动态增减计算算法。最后将算法在Spark平台上予以实现,并与经典计算算法对比,验证其有效性;第二,由于上述基于时分复用的动态增减计算算法是一种伪并行计算算法,因此我们在此基础上做了一定改进:借助实时内存计算的思想,给出了一种基于内存滑动窗口的单对象动态流数据计算模型,对此类数据变化模式进行了统一建模,并根据上述模型,对动态移入移出的单数据对象进行局部并行化处理,快速推导出不同变化模式下的三支决策条件概率及三支区域的变化规律,最后提出一种动态决策环境中的三支决策动态并行计算算法;通过Spark平台的对比实验,我们发现动态并行计算算法的性能更佳、稳定性更好。