遗传算法起源于对自然现象的模拟，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。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。近年来，协同进化算法和遗传算法的并行化执行成为研究的热点。 基于病毒进化理论的遗传算法VEGA(virus co-evolution genetic algorithm)是协同进化算法的发展，它将个体分为宿主个体和病毒个体，两种个体有不同的行为，两者之间又通过感染操作而具有一种自然的协同联系。宿主个体进行GA的遗传操作，在上下代个体之间纵向传递进化基因，实施解空间的全局搜索。病毒个体进行病毒感染操作，在同代个体之间横向传递进化基因，实施解空间的局部搜索，VEGA将宿主个体的全局进化和病毒个体的局部进化进行动态结合，从而快速得到问题的全局近似最优解。 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。并行处理不但加快了遗传算法的搜索速度，而且由于种群规模的扩大和各子种群的隔离，使种群的多样性得以丰富和保持，减少了未成熟收敛的可能性，提高了求解质量。粗粒度并行遗传算法是近年来所提出的改进算法中性能较好的一种。 本文在传统遗传算法的基础上，通过研究协同进化算法，学习与进化相互作用的理论，将病毒和宿主这两种具有自然协同联系的个体引入并行算法。并且采用MPI(Message Passing Interface)技术将算法的并行与机器的并行结合起来，实现了遗传算法真正的并行，采用粗粒度模型，极大的提高了计算的速度。同时每个子种群之间相互交换病毒个体、宿主个体，使得个体的来源更加丰富，产生更优个体的可能性大大增加。每个子种群中的宿主个体在遗传操作之后，增加了病毒感染操作，提高了遗传算法跳出局部最优解的能力。 本文利用引入病毒进化模型的并行遗传算法，解决图像编码矢量量化码书设计问题。对256×256、8bit的Lenna标准图像进行矢量量化(VQ)图像压缩处理。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比和效率，同时对比了普通MPI并行遗传算法和引入病毒进化模型的MPI并行遗传算法。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。将病毒进化模型引入MPI并行遗传算法，增强了进化操作跳出局部最优的能力，同时加快了算法的收敛速度，改善了码书的性能。