奎因－麦克拉斯基算法（Quine-McCluskey算法）是最小化布尔函数的一种方法。它在功能上等同于卡诺图，但是它具有文字表格的形式，因此它更适合用于电子设计自动化算法的实现，并且它还给出了检查布尔函数是否达到了最小化形式的确定性方法。
方法涉及两步：
尽管在处理多于四个变量的时候比卡诺图更加实用，奎因－麦克拉斯基算法也有使用限制，因为它解决的问题是NP-困难的：奎因－麦克拉斯基算法的运行时间随输入大小而呈指数增长。可以证明对于个变量的函数，素蕴涵项的数目的上界是3/。如果 = 32，则可能超过6.1 * 1014，或617万亿个素蕴涵项。有大量变量的函数必须使用潜在的非最优的启发式方法来最小化。
最小化一个任意的函数：
你能轻易的形成这个表的规范的积之和表达式，简单的通过总和这个函数求值为一的那些极小项(除掉那些不关心项)：
当然，这的确不是最小化的。为了优化，所有求值为一的极小项都首先放到极小项表中，不关心项也可以加入这个表中与极小项组合：
现在你可以开始把极小项同其他极小项组合在一起。如果两个项只有一个二进制位的数值不同，则可以这个位的数值可以替代为一个横杠，来指示这个数字无关紧要。不再组合的项标记上 "*"。
没有项可以继续进一步这样组合，所以现在我们构造一个本质量蕴涵项表。纵向是刚才生成的素蕴涵项，横向是早先指定的极小项。
这里的每个本质素蕴涵项都标记了星号 - 第二个素蕴涵项能被第三个和第四个所覆盖，而第三个素蕴涵能被第二个和第一个所覆盖，因此都不是本质的。如果一个素蕴涵项是本质的，则同希望的一样，它必须包含在最小化的布尔等式中。在某些情况下，本质量蕴涵形不能覆盖所有的极小项，此时可采用额外的简约过程。最简单的“额外过程”是反复试验，而更系统的方式是Petrick方法。在当前这个例子中，本质量蕴涵项不能处理所有的极小项，你可以组合这两个本质量蕴涵项与两个非素蕴涵项中的一个而生成：
最终的等式在功能上等价于最初的（冗长）等式：
