La Asociación de Minería de Reglas Numéricas (NARM), que maneja simultáneamente atributos numéricos y categóricos, es un enfoque poderoso para descubrir asociaciones significativas en conjuntos de datos heterogéneos. Sin embargo, diseñar soluciones efectivas de NARM es una tarea compleja que implica múltiples pasos secuenciales, como el preprocesamiento de datos, la selección de algoritmos, la sintonización de hiperparámetros y la definición de métricas de calidad de reglas, que juntos forman un pipeline de procesamiento completo. En este documento, presentamos NiaAutoARM, un nuevo marco de Aprendizaje Automático Automatizado (AutoML) que aprovecha metaheurísticas estocásticas basadas en poblaciones para construir automáticamente pipelines completos de minería de reglas de asociación. Una extensa evaluación experimental en diez conjuntos de datos de referencia demostró que NiaAutoARM identifica consistentemente pipelines de alta calidad, mejorando tanto la precisión de las reglas como la interpretabilidad en comparación con las configuraciones base. Además, NiaAutoARM logra un rendimiento superior o comparable al algoritmo VARDE de última generación, al tiempo que ofrece una mayor flexibilidad y automatización. Estos resultados resaltan el valor práctico del marco para automatizar tareas de NARM, reduciendo la necesidad de ajustes manuales y permitiendo una adopción más amplia de la minería de reglas de asociación en aplicaciones del mundo real.