粗糙集理论被提倡为概念化和分析各种类型数据的框架，这是通过一对概念（即上下近似）发现给定数据集中模式的强大工具。 在动态决策环境下，决策行为需要不断加强，因为决策过程中的数据会随着时间变化。 增量学习是一种可以处理动态学习任务的有效技术，因为它可以充分利用以前的知识。 一组值与一个个体相关联的设定值数据在现实世界的数据集中很常见。 基于设置值决策系统中标准值的动态变化导致的知识更新需求，本文提出了当设置值决策系统中的标准值随时间变化时，动态维护近似值的更新属性。时间。 然后，提出了两种分别用于计