遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Hulland教授于1975年首先提出的有效的全局优化算法。遗传算法将遗传操作应用于一群对搜索空间编码的染色体，在进化过程的每代，它同时作用于整个搜索空间的不同区域，通过优胜劣汰，去掉较差的部分，保留较好的部分，从而能以较大的概率找到最优解。它的主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，鲁棒性强，适用于并行分布处理等。由于遗传算法具有诸多传统优化算法不具有的优点，自20世纪70年代被提出来后得到了广泛的研究和应用；进入80年代，遗传算法无论是理论研究还是应用研究都成了十分热门的课题。它作为一种基于生物界自然选择和遗传原理的高效的搜索技术，已经成功地应用于工程设计、工商管理、科学实验等领域中的复杂优化问题的求解。遗传算法可以在合理的时间内发现问题的满意最优解，但是随着问题规模和复杂程度的不断提高，遗传算法的搜索过程会被成倍地延长。因此，很多专家一直致力于提高遗传算法的搜索速度，其中一个重要的研究方向就是遗传算法的并行化执行。 遗传算法本身是并行的，个体间并行地进化，只是传统遗传算法在计算时将其串行化。多种群并行遗传算法(MultiplePopulationParallelGeneticAlgorithm，MPPGA)是近年来所提出的改进算法中性能较好的一种，但算法的并行一般都是采用多线程实现，没有将算法的并行与机器的并行结合起来，也未达到提高计算效率的目的.为了克服遗传算法的上述缺点，本文采用MPI技术实现了遗传算法真正的并行。通过并行遗传算法搜索多峰函数最优点和求最大和问题，在实验的基础上对基于MPI的并行遗传算法进行实时分析，探讨了并行遗传算法的加速度、选择压力与群体多样性。最后研究了基于MPI的快速Pareto并行遗传算法解决多目标约束问题。实验结果表明并行遗传算法基于MPI的并行实现在提高遗传算法搜索能力的同时也提高了遗传算法的效率。 基于MPI(MessagePassingInterface)的并行遗传算法的并行实现为提高遗传算法的效率，实现实时计算，求解复杂度高的问题提供了参考。并行遗传算法的计算效率与所要解决的问题和并行计算的实现方法有密切的联系。为了进一步提高遗传算法的实时性，设计算法就要基于问题的知识，并结合实时并行运算机制，使遗传算法向实时逼近。将遗传算法应用到更广阔的领域。