遗传算法具有广泛的应用。k-means算法是一种最常见的聚类技术，但由于对初始聚类中心的敏感性，该算法往往收敛于局部最优。　　 本文研究设计了一种融合标准遗传搜索和模式搜索的改进变异算子的混合遗传算法，理论分析证明算法的收敛性，并将该算法应用到函数优化当中。该算法保持了遗传算法结构简单的特点，改善了全局搜索能力、收敛速度、精度和稳定性。在Windows Server2003平台上，采用Matlab R2009b编程对6个评价函数：Camel函数、Griewank函数、Rastrigin函数、Ackley函数、Schwefels函数和Rosenbrock函数进行寻优测试，仿真实验结果进一步验证了混合搜索遗传算法在收敛速度和稳定性等方面的有效性。　　 本文的第二项主要研究成果是，通过融合标准遗传搜索和模式搜索的混合遗传算法来改进保险业务数据分析工作中常用的k-means类方法。针对k-means聚类算法对初始聚类中心敏感的问题，首先利用改进的混合搜索遗传算法全局搜索能力强这一特点，迭代计算得到初始聚类中心，再用k-means聚类算法对数据进行聚类分析。基于某保险公司业务数据分析的实验结果表明，本文给出的这种方法能有效地改善聚类结果，为保险数据分析工作提供了有力支持。