聚类作为机器学习中的一种无监督学习方法,是从数据中理解和学习结构信息的重要途径。原型聚类方法是使用最广泛的聚类算法之一,在图像分割、文本分析、基因分析和社交网络等领域都有大量的应用。但它主要有两个缺陷,一是需要事先知道聚类的个数,但聚类簇的数量通常不是预先可知的。二是算法对初始聚类中心敏感,导致聚类结果不稳定。将遗传算法引入聚类中的方法有巨大的潜力解决上述缺陷。本论文深入研究了基于多目标遗传算法的聚类方法,探讨了多目标方法相对于单目标方法的优势,并提出了一种新的聚类方法NSGAII-GR(Non-dominated Sorting Genetic Algorithm-II using Gene Rearrangement)。NSGAII-GR纯粹以目标函数为指导,通过进化算法产生代表聚类划分的个体并进行筛选,使它们尽可能在目标函数上表现最优。该方法能够自适应地确定聚类簇的数量,并取得稳定良好的聚类结果。本文主要进行了以下几个方面的研究:1.研究了基于多目标遗传算法的聚类模型框架,根据该框架实现了一个基于多目标遗传算法的原型聚类方法。它不需要预先指定聚类簇数,也能得到良好的聚类结果。并且与单目标方法相比,该多目标方法有相对更好的性能。2.探讨了算法中目标函数选择的问题,提出把广义样本方差和用作一个目标函数,把Calinski-Harabasz指数用作另一个目标函数。可以将解集中的聚类簇数的范围控制在更合理的范围,使得算法更容易取得正确的聚类簇数。然后,设计了一个第二阶段选择算子,让算法能够在不需要任何先验信息的情况下确定最佳聚类簇数,并从数量不确定的解集中选择出三个推荐解作为输出。3.对前述方法,对于基于多目标遗传算法的聚类方法进行了改进,提出了一种基因重排技术结合簇间融合来加快算法收敛速度,并取得更好的聚类结果。改进的基于多目标遗传算法的聚类方法NSGAII-GR能够在没有任何先验信息的情况下,在多个人工数据集和真实数据集中自适应地确定聚类簇数,并取得良好且稳定的聚类结果。