数据挖掘技术旨在从海量数据库中发掘出潜在的重要知识。数据挖掘技术与日俱兴的同时,在挖掘过程中,私人或敏感知识被泄露出来的风险也越来越高。然而商业合作中数据共享是必不可少的一个环节,共享数据很可能泄露相关的敏感知识,最终造成数据所有者的重大的经济损失。因而,我们需要对共享数据进行恰当的处理,使得其能在尽量不影响正常数据挖掘的前提下,避免其中的敏感知识被泄露。本文主要解决频繁模式挖掘中的隐私保护问题,致力于保护数据中敏感的频繁项集,删除原始数据库中部分事务来降低敏感项集的频繁度,从而在数据挖掘的角度下达到隐藏它们的目的。遗憾的是隐藏敏感项集技术伴随着副作用的产生,已证为NP-hard问题,过去的一些方法主要的缺点在于仅仅考虑单一目标,只能求得局部最优解。此外,已有的基于演化计算算法的敏感项集隐藏方法严重依赖适应性函数中各个副作用的预设权重,预设权重的大小将严重影响实验结果。针对以上问题,本文主要采用基于多目标优化算法框架来解决问题。本文的主要研究内容和贡献如下:从全局优化角度出发,为了减少敏感项集隐藏算法清洗数据库所带来的副作用,本文提出pNSGA2DT算法来将敏感项集隐藏问题转化为多目标优化问题,并采用带精英策略的非支配排序的遗传算法(NSGAII)来求得敏感项集隐藏算法的最优解集。对比现有算法,此算法产生的最优解集对应于副作用内的不同折衷,这可以为用户提供按照偏好或经验自由选择符合自己需求的最优解的机会。此外,算法采用Pre-large概念和改进快速非支配解排序算法等策略,来提高算法运行效率。实验结果表明pNSGA2DT可以得到相关的Pareto最优解集,能为用户提供多个最优解选择。实验结果还表明,提出的优化策略能大幅提高算法运行效率。pNSGA2DT算法在运行过程中,需要大量的交叉变异选择操作,不仅需要花费大量时间,解集的分布性还有不小的提高空间。本文提出基于多目标粒子群优化算法(MOPSO)框架的敏感项集隐藏算法(MOPSO2DT),不仅能节省大量时间,还在解集的分布性有一定的提升。此外,本文还提出基于聚类算法的改进策略。实验结果表明,MOPSO2DT算法在解集的分布性和算法运行效率方面,相较提出的pNSGA2DT算法有着一定的提高。为了进一步提高算法的运行效率和解集的分布性,本文提出基于Pareto蚁群优化算法(PACO)框架的敏感项集隐藏算法(PACO2DT)。此算法不仅继承了蚁群算法(ACO)运行效率快的优点,还采用有效的外存池更新策略来提高解集的分布性。此外,我们还提出新颖的非支配解判别算法来提高算法运行效率。实验结果表明,PACO2DT算法在解集的分布性和算法的运行效率方面,相较之前提出的多目标优化算法有着显著提升。本文针对现有敏感项集隐藏算法存在的问题,创造性的采用多目标优化算法来解决问题,并提供全局最优解集给用户选择。此外,本文设计了大量实验来验证算法的优势,证明提出的算法在解集分布性和运行效率等方面均有不俗的提高。