数据生成的快速发展，数据收集中自动化工具的可用性以及海量数据带来的数据存储成本的持续下降。 另外，数据本质上是不可扩展的，高维的，异构的和复杂的。 这种情况在提取所需信息时不可避免地增加了挑战。 因此，数据挖掘发展成为一个肥沃的领域，并受到许多研究人员和业务分析师的关注。 数据挖掘是一种将传统技术与复杂算法融合在一起的方法。 其中，关联规则挖掘是一种有效的模式发现技术，可在大型数据库中发现隐藏，有效，新颖，有用，可理解，有趣且最终相关的模式，这些相关规则为任何组织在决策中使用都会创造巨大的商业价值。制作过程。 然而，在实时应用中，随着源数据动态更新，相关性不断变化。 这种动机需要有效和最佳地找到并更新具有不同支持的频繁项目集。 为了克服传统关联规则挖掘中所继承的挑战，本文的作者提出了一种最佳频繁模式系统（OFPS）。 OFPS采取了截然不同的方法，并将其设计为三重系统，使用遗传算法可以有效地发现最佳的频繁模式。 最初，OFPS的第一个重点是在知识专家的指导下准备领域特定的数据，包括数据选择，清理，集成和转换。 随后，OFPS的第二版重点在于构建频繁模式树（FP-Tree），然后通过以自下而上的方式探索树来发现频繁模式，以帮助快速快速地访问各个频繁模式。 OFPS的第三部分最终集中在使用遗传算法生成最佳的频繁模式，该算法模拟具有自学习能力的生物学评估程序。 为了验证提议的OFPS在几个数量级上的性能，进行了许多实验，结果证明了这一点。
