聚类分析作为一种无监督的分类方法是数据挖掘领域的一个非常重要的分支,被广泛的应用于各行业。K均值聚类算法作为聚类分析的一种主要算法之一,有简单、易懂等特点,但也存在一些缺点,如对初始中心点敏感、易陷入局部最优值以及需事先确定聚类数等缺陷。针对这些缺点,本文提出一种基于单亲遗传算法和k均值聚类算法的混和聚类分析算法,并通过仿真实验验证了算法的有效性。本文的主要工作有以下几个方面：首先,研究了聚类分析的有关性质、特点,详细分析了k-means聚类算法的特点以及改进策略；其次,详细分析了遗传算法求解聚类问题的特点；第三,引入单亲遗传算法求解聚类划分问题,对编码方式做了相应的改进。设计了一种新的种群初始化方法,提高了算法的效率。构造了新的变异算子,实现了对k值和聚类的优化。引入了k-means操作作为局部寻优算子。最后,验证了算法的有效性：对两组数据测试集,分别用k-means和基于单亲遗传算法的聚类算法进行性能测试。实验结果表明,基于单亲遗传算法的混合聚类算法具有较高的聚类准确率,收敛速度也显著提高。该算法具有明显的优越性