随着互联网和电子商务的飞速发展，信息化、数据化成为这个时代的特征。各个行业的数据库中都储存了大量数据信息，这些数据中包含了许多有价值的信息，而关联规则挖掘就是从大量的数据信息中挖掘隐藏的、有价值的关联关系，为决策者做出明智的决策提供有力依据的一种挖掘工具。。
　　而关联规则挖掘经典算法——Apriori算法，在数据信息量庞大的情况下，效率低，运行时间长，为了弥补Apriori算法的不足，本文引入全局搜索算法——遗传算法，针对遗传算法容易产生局部最优解的缺点，对遗传算法进行改进，提出了一种基于改进遗传算法的关联规则挖掘算法，并通过对比实验，验证该算法的优越性，最后将算法应用到某商务网站交易数据和评价数据中，验证算法的实用性，挖掘商务网站大量数据中有价值的信息。本文主要工作如下：
　　（1）关联规则挖掘研究：深入研究了关联规则挖掘算法，详细阐述了关联规则挖掘的经典算法——Apriori算法，分析常用关联规则挖掘算法的优缺点，提出一种用遗传算法对关联规则挖掘改进的思想。
　　（2）遗传算法研究：全面介绍了遗传算法的相关概念和基本思想，详细比较分析了多种编码方法、适应度函数的构造方法、遗传算子的设计，提出一种改进遗传算法，并对改进遗传算法的步骤流程做了详细的解释说明。
　　（3）一种基于改进遗传算法的关联规则挖掘研究：设计了一种基于改进遗传算法的关联规则挖掘算法，并利用MATLAB对改进遗传算法、遗传算法、Apriori算法挖掘关联规则进行对比实验，从挖掘的关联规则数目、处理不同数据集的运行时间以及挖掘不同支持度阈值关联规则的运行时间上验证了本文设计的改进遗传算法挖掘关联规则的优越性。
　　（4）基于改进遗传算法的关联规则挖掘应用：将基于改进遗传算法的关联规则挖掘应用于某商务网站中，通过挖掘商务网站交易数据，发现买家购买商品之间的关联关系；挖掘商品评价数据，发现买家对不同类型商品以及同种商品价格对评价的影响，根据挖掘到的关联规则，针对现有的信用评价模型进行改进，从而为卖家制定优质的营销策略、改善网站结构、提高销售额提供有价值的信息。