在互联网加速普及的今天,信息的传递越来越快,产生的数据也越来越大,所以很多问题会产生大量的数据。在现实生活中,这些具体的问题往往无法用数学模型很好地归纳,典型的问题就是NP问题中的旅行商问题。对于这些问题的解决,一般的方式是使用优化算法来得出近似解。遗传算法(Genetic Algorithm,简称GA)是一种的经典的优化算法,在面对很多具体问题时,它具有数学建模简单,不需要问题的相关知识,对问题的适用性强的优势。但是遗传算法本身也有一些缺陷。遗传算法在单机环境下的搜索空间有限,无法在算法运行的后期有效地得到最优解,并且,随着迭代次数的增加,遗传算法的耗时也大大增加,很可能无法在可以接受的时间内得到最优解。并行化的遗传算法可以利用现在硬件多核平台的优势,使得很多问题的搜索空间进一步增大,对于复杂系统,尤其是会产生巨量数据的复杂系统,有很强的优化能力。因此,并行化的遗传算法,一直是遗传算法领域的重点研究对象。本文提出一种基于仿细粒度的粗粒度并行遗传算法。算法通过引入细粒度模型的信息交流方法,改善了传统的粗粒度并行模型的不足,有效地解决了传统并行模型下的遗传算法所存在的早熟问题。为了进一步提升遗传算法的搜索能力,选择了遗传算法在进化过程中的比较适合并行化的进化策略,在进化的过程中,通过对于不同算子的对比,引入合适的遗传算子。同时,在对于遗传算法本身的并行性进行研究后,引入了种群、基因型双层并行的策略,在一般启发式算法所用到的种群并行的基础上,将基因再次分割后在弹性分布式数据集中并行。最后,利用Spark平台内存交互数据的优势,加速算法的运行。为了验证改进后遗传算法的性能,将改进算法应用于旅行商问题Berlin52数据集的求解,实验结果表明,与传统的并行模型相比,改进后的算法可以明显缩短计算时间,增大搜索范围,早熟现象也得到了改善。