استخراج قوانین انجمنی (ARM) به‌طور گسترده برای کشف الگوهای پنهان در داده‌های تراکنشی به کار می‌رود؛ با این حال، روش‌های متعارف اغلب تعداد بسیار زیادی قانون تولید می‌کنند که ارزش عملی محدودی دارند. این مقاله یک چارچوب مبتنی بر الگوریتم ژنتیک (GA) پیشنهاد می‌دهد که با به‌کارگیری جهش دو مرحله‌ای، تقاطع ترکیبی و تابع برازندگی وزن‌دار، قوانین انجمنی مختصر و معناداری استخراج می‌کند. جهش دو مرحله‌ای، تنوع تصادفی را با هرس ابتکاری ترکیب می‌کند تا میان کاوش و بهره‌برداری تعادل برقرار شود. تقاطع ترکیبی، بازترکیب تصادفی را با راهبرد معنایی که مجموعه‌ اقلام را در ابعاد مکمل (مانند عوامل اقلیمی و خاک) ادغام می‌کند، ترکیب می‌نماید و در نتیجه تنوع ساختاری را افزایش می‌دهد. تابع برازندگی وزن‌دار با ادغام معیارهای پشتیبانی (Support)، اطمینان (Confidence) و Lift، از اهمیت آماری و همبستگی قوانین اطمینان حاصل می‌کند. نتایج تجربی بر روی سه مجموعه‌داده‌ مرجع — Mushroom، Chess و Connect — اثربخشی چارچوب پیشنهادی را نشان می‌دهد. این چارچوب به میانگین اطمینان 0.87 در Mushroom، 0.91 در Chess و 0.85 در Connect، و به مقادیر ارتقاء 1.42، 1.18 و 1.20 به ترتیب دست یافت. الگوریتم تنها 6 تا 8 قانون تولید می‌کند، در حالی که روش‌های رقیب 12 تا 22 قانون تولید می‌کنند، که کاهش چشمگیری در تعداد قوانین محسوب می‌شود. عملکرد زمانی نیز رقابتی باقی ماند؛ به‌طوری که اجرای الگوریتم به 109 ثانیه در Mushroom، 113 ثانیه در Chess و 2413 ثانیه در مجموعه‌داده Connect نیاز داشت.