用传统遗传算法处理规模越来越大，搜索空间越来越复杂的优化问题时，由于需要较多的个体数量和大量的计算，进化速度缓慢难以达到适时的要求，所以遗传算法传统的串行处理方式就显得无能为力。如果能把遗传算法的固有并行性和并行机的高速并行计算性能很好的结合起来，实现遗传算法的并行化，就可以最大限度的提高遗传算法的求解质量，加快它的收敛速度。而传统并行机价格昂贵，一般用户难以承担，这无疑阻碍了普通用户用并行遗传算法解决大规模组合优化问题的步伐。随着技术的成熟与价格的下降，多核CPU逐渐普及，用高性能多核PC组建的集群系统具有较小的投资风险、灵活的结构、较强的可扩展性、且易于实现，所以具有很高的性价比，可容易的利用较低的成本获得传统并行机的高计算性能。所以研究如何在多核集群系统上实现并行遗传算法(Parallel Genetic Algorithms，PGA)具有重要的理论和现实意义，同时具有较好的应用前景。　　 本文通过对并行遗传算法和多核集群的深入研究，设计了一种多核集群下的混合并行遗传算法实现模型(Hybrid Parallel Genetic Algorithms Model，HPGAM)，把当前多核PC集群的物理拓扑结构和“粗粒度-主从式”混合并行遗传算法逻辑结构相结合，将“粗粒度-主从式”并行遗传算法映射到多核PC集群上，结合消息传递和共享存储两种并行编程模型，在多核PC节点间使用消息传递模型(MPI)，对应的遗传算法为粗粒度并行遗传算法，在节点内使用共享存储模型(Open MP)，对应的遗传算法为主从式并行遗传算法，用MPI和Open MP混合编程的方式，以进程和线程两级并行在多核集群上实现混合并行遗传算法。　　 通过对选取的基准测试函数进行测试和实验数据对比验证了本文HPGA实现模型的正确性和有效性；同时理论及实验测试分析结果表明本文HPGA模型在一定程度上提高了并行遗传算法的求解质量和收敛速度，降低了并行遗传算法实现难度，扩大了PGA的应用范围。为普通用户在较低成本的多核集群的基础上应用并行遗传算法解决复杂的组合优化和函数优化问题提出了一种有效地解决方案。