近十几年来,数据挖掘技术有了长足的进步。数据挖掘己经成为数据库研究、开发、和应用活跃的分支之一,数据挖掘(Data Mining)就是从大量的、不完全的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。关联规则挖掘发现大量数据中项集之间有趣的关联或相关联系。它在数据挖掘中是一个重要的课题,最近几年已被业界所广泛研究。关联规则研究有助于发现交易数据库中不同商品(项)之间的联系,找出顾客购买行为模式,分析结果可以应用于商品货架布局、货存安排以及根据购买模式对用户进行分类。Agrawal等于1993年首先提出了挖掘顾客交易数据库中项集间的关联规则问题,以后诸多的研究人员对关联规则的挖掘问题进行了大量的研究。群体智能是在近十几年来在协同进化论基础上发展起来的一种新的优化算法。它是将由单个复杂个体完成的任务交给大量简单的个体组成的群体合作完成,而后者往往更具有健壮性、灵活性和经济上的优势。群体智能利用群体优势,在没有集中控制,不提供全局模型的前提下,为寻找复杂问题解决方案提供了新的思路,是“无智能的主体通过合作表现出智能行为的特性”。作为群体智能的典型实现模式,模拟生物蚁群智能寻优的蚁群算法和模拟鸟群运动模式的微粒群算法正在受到学术界的广泛关注。由于其概念简明、实现方便,在短期内迅速得到了国际演化计算研究领域的认可。数据挖掘技术是分析大规模数据集的有效方法。由于数据内在的不精确性和多属性之间的复杂性,有时己有的方法就失效了,而软计算技术在这两方面有着独到的优势,所以以软计算技术为手段研究新的数据挖掘方法具有重要的意义。本文力图采用群体智能研究解决数据挖掘中的关联规则提取问题。本文对群体智能,尤其是蚁群算法进行了较为系统地分析和研究,结合关联规则的特点,提出了一些改进的算法,主要包括以下一些内容:(1)关联规则挖掘的综述。在关联规则基本概念的基础上,介绍了关联规则的定义、关联挖掘的过程和关联规则的种类,并对关联规则挖掘领域的代表算法进行了分析。(2)群体智能技术和遗传算法的研究。介绍了群体智能的基本概念、系统结构、主要应用等等。尤其重点研究了常用的群体智能重要模式蚁群算法,同时对遗传算法做了介绍和分析。(3)基于群体智能的关联挖掘。本文结合蚁群算法和遗传算法的优势提出混合蚁群算法,并将其运用在关联规则挖掘中,提出了一种基于混合蚁群算法的关联规则挖掘算法。传统的数据挖掘算法虽然在理论上保证了结果的高精度,然而对于商品种类过多,交易量非常大的关联发现,其计算时间却是相当可观的。我们认为,结合蚁群算法和遗传算法的优势解决关联规则的挖掘问题具有很好的研究前景,利用群体智能技术加快挖掘过程,增加挖掘的智能性,可以大大提高挖掘效率。(4)基于群体智能的关联规则挖掘的应用研究。将基于群体智能的关联挖掘算法应用于教育领域中的教师测评系统,给出了该应用的实现技术和算法。通过应用实例证明了算法的有效性,实验效果良好。