为了解决现有基于智能优化的高效用项集挖掘算法计算复杂度高、易陷入局部最优和项集丢失问题，本文设计了象群位差进化的高效用项集挖掘算法HUIM-EHO。该算法提出了基于母象影响因子的位差进化策略，有效缩减了搜索空间，显著提升了算法的执行效率。同时，设计了两阶段种群多样性维护策略，避免了算法因过早收敛而陷入局部最优，从而在种群多样性与收敛性之间实现了良好的平衡。实验结果表明，HUIM-EHO算法在高效用项集数量、时空效率以及收敛性方面具有优势。
针对阈值设置困难问题，本文设计了象群优化的top-k高效用项集挖掘算法THUI-EHO。该算法通过提出象的位置向量更新策略，显著提升了算法的时间效率。同时，为实现适应度值的快速计算，设计了基于1-项集事务索引的适应度评估策略。该策略结合动态阈值修剪技术，有效消除了大量无希望的项集，减少了冗余的适应度评估，从而进一步优化了算法性能。为验证算法的有效性，在密集、稀疏以及大规模数据集上进行了广泛的实验。实验结果表明，与现有的确定性和启发式top-k高效用项集挖掘算法相比，THUI-EHO在时间效率和可扩展性方面均表现出显著优势，验证了其在实际应用中的有效性和可行性。
参考文献（略）
