随着云计算、大数据、物联网的普及,人们迎来了第三次信息化浪潮。为了从这些海量的数据中发现有趣的模式,数据挖掘方法便应运而生。数据挖掘是将数据转化为知识的桥梁,关联规则挖掘是数据挖掘的一个具体任务,旨在从数据中发现事物之间可能存在的关联或者联系。在关联规则挖掘中,频繁共同出现的项目称为频繁项集。高效用项集挖掘是频繁项集挖掘的延伸,不仅考虑了项目在事务中是否出现,而且还使用了项目的权重信息,在现实生活中应用更广泛。群体智能算法从自然界获得灵感,通过模拟个体或种群的行为来建模,具有不过度依赖具体问题的优势。不同于传统的数据挖掘方法,基于群体智能算法的高效用项集挖掘,通过结合启发性规则和随机因素来遍历搜索空间,可以自组织自适应的迭代更新,在求解组合优化问题上表现出了明显的优势。本文主要的研究内容包括:1)提出了基于集合型粒子群算法的高效用项集挖掘方法HUIM-SPSO。算法采用基于集合的粒子群算法（Set-Based Particle Swarm Optimization,S-PSO）来挖掘高效用项集。实验结果验证了基于集合型粒子群算法的高效用项集挖掘方法的先进性;提出了种群多样性的衡量方法,在群体智能算法中,种群的多样性对算法的性能有着不可忽视的作用。在HUIM-SPSO算法中,为了衡量整个种群的多样性,提出了位编辑距离,并定义了最大位编辑距离和平均位编辑距离。实验证明HUIM-SPSO算法的多样性更高,在同样的迭代次数内会挖掘得到更多的高效用项集。2)提出了基于人工鱼群算法的高效用项集挖掘方法HUIM-AF。人工鱼群算法是一种具有广泛应用的启发式算法,在高效用项集问题中,人工鱼群算法只记录当前位置信息,无需记录额外的历史信息。算法的结果并不总是分布在几个极值点附近,这与高效用项集挖掘问题是一致的。通过人工鱼的三种行为:追尾、聚群和觅食,对HUIM进行建模。详细描述了HUIM-AF算法,并在4个数据集上与两种相关的算法进行了比较,验证了算法的有效性。