随着网络通信的愈发便利和计算机技术的日益发展,人们的日常工作和学习生活中产生了大量的数据,数据规模的增长促进了各行各业的进一步发展。数据挖掘技术是进行大规模数据知识发现的有效方法,利用数据挖掘相关技术能有效且深入地认识到大数据中隐藏的价值。关联规则是数据挖掘领域中的重要研究内容之一,它可以在不清楚数据关系和数据分布的情况下,有效挖掘出海量数据间潜在的关联性。传统的关联规则算法由于其较高的时空复杂度和I/O开销,使其无法有效解决较大规模数据的处理分析问题。而本文充分利用了MapReduce和Spark面对海量数据时优秀的处理分析能力,研究了针对较大规模数据集进行数据间关联规则发掘的并行算法,同时将其应用在高校排课优化策略的研究中。本文的工作主要有以下3个方面:1.针对传统关联规则算法由于候选项集过多和扫描数据库过慢,而导致的算法效率低下的问题,提出了一种基于Hash的关联规则并行优化算法(HP-AR)。算法基于MapReduce框架,将关联规则挖掘过程中遍历数据库统计频繁项集的部分实现了并行处理,同时通过构建辅助Hash表来减少各阶候选项集的个数。实验表明HP-AR算法能够有效挖掘出数据间关联规则,且在处理规模较大的数据集时,能快速地挖掘出各类数据集中隐藏的关联规则,并具有良好的加速比。2.由于关联规则算法中需要大量的迭代计算,而MapReduce计算框架需要不断重复地向磁盘中读写中间结果,并不能很好的支持迭代计算。本文提出一种基于Spark技术的关联规则并行优化算法(SPAP)。算法充分利用了Spark集群所具备的内存计算优势,以及对迭代式数据处理分析的支持,继承并进一步优化了对候选项集数量的筛减。实验证明SPAP算法能够准确有效地挖掘出数据间关联规则,且在运算效率上有着更为优异的表现。3.以上述研究为基础,针对目前高校招生人数扩张所导致的高校排课资源紧张的现象,本文提出了一种基于SPAP的课程关联规则挖掘及排课优化算法(SA-CSA)。算法首先快速挖掘了学生选课数据,找到课程间的关联规则,然后将得到的课程间关联规则及其关联指标应用于高校排课优化中。实验结果表明SA-CSA算法能够高效地挖掘出课程间关联规则及其关联指标,为高校更加人性化和合理化的排课提供了有效的优化策略,使其在解决课程时间地点冲突问题的同时,满足学生对选课的需求。