(杭州电子科技大学计算机学院，浙江 杭州3150018)

0 引 言

传统的关联规则挖掘算法采用的“支持度-置信度”度量标准存在一定的不足。第一个问题是生成的规则数量随项集数成指数级增长，其中也包含弱关联规则和误导规则。第二个问题是如何从规则中提取出有效的规则。很多学者通过遗传算法对关联规则算法进行改进以解决上述问题。文献[1]提出了一种基于遗传算法和模糊集的关联规则算法进行web 挖掘。为了提高规则的精确度，文献[2]用遗传算法来找到所有潜在的优化规则，文献[3]提出了一种新的遗传算子SSOCF，该算子能够使数据集中的有效信息一直被遗传下去。本文利用遗传算法对Apriori算法进行改进，使用多个度量标准构成适应度函数来综合度量规则的有效性。

1 基于遗传算法的关联规则

1.1 关联规则

一个关联规则是形如X→Y的蕴涵式，其中X 称为规则前件，Y 称为规则后件，且X和Y 都是事务数据库中的频繁项集，X∩Y=Φ。规则的置信度和支持度是度量规则有效性的两个重要标准。大部分关联规则挖掘的任务就是提取出满足这两个阈值的所有规则。

1.2 遗传算法

遗传算法(Genetic Algorithm，GA)中包含了编码、适应度函数和遗传算子。由于GA是一种全局优化算法，避免了搜索过程中局部最优，因此应用遗传算法进行关联规则挖掘能够得到较好的关联规则，且复杂度低于其他的关联规则算法[4]。遗传算法的终止条件有:遗传代数达到最大遗传代数，或者最优个体适应度达到给定的阀值，或者最优个体的适应值和群体适应度不再上升等。……