i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。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。本文对群体智能,尤其是微粒群算法进行了较为系统地分析和研究,结合关联规则算法提出了一些改进的算法,主要包括以下一些内容:(1)群体智能技术的概述。介绍了群体智能的基本概念、分类、主要功能、关键技术以及典型应用等等。(2)群体智能模式的研究。介绍了群体智能的两种常用模式,通过具体实例对当今国际上先进的群体智能算法进行了对比,并得出了结论。(3)关联规则挖掘的综述。本文对关联规则挖掘领域的代表算法进行了分析,提出了关联规则挖掘的典型要求,并基于这些要求对关联规则挖掘中常用的算法作了比较,以便于人们更容易、更快速地选择一种适用于具体问题的挖掘算法。(4)基于微粒群的抽样算法在关联规则中的应用,提出了一种改进的关联规则挖掘算法。传统的一次性抽样算法虽然在理论上保证了结果的高精度,然而当用于商品种类过多,交易量非常大的关联发现,则计算时间是相当可观的,甚至是不可在有限年内解决;并且很难应用于联机分析,这些问题将限制Apriori算法的使用。基于序贯抽样理论设计的可升级性算法ASAR,APASAR算法可以有效地产生频繁集,并且比一次性抽样算法需要更少的样本。但是仍然会出现理论样本量过高的表现。本文提出一种群体智能技术中的微粒群算法(PSO)与Apriori算法相结合的算法,称之为PSASAR算法。利用群体智能技术加快挖掘过程,增加智能性,在数据库扫描时,利用群体智能技术,替代全数据库扫描,提高效率,这种扫描比随机选样要有效。