随着计算机技术以及网络的普及程度越来越高,不可避免的会产生大量的数据,当产生的数据量规模越来大时,想要在庞大的数据海洋中获取有用的数据信息,成为一件备受关注的问题。而依靠传统的数据库查询渐渐力不从心,查询出的数据往往不能让人满意。进而,出现了大数据,数据挖掘,云计算等越来越多需要进行数据计算的技术。有效的数据信息能够帮助管理者,决策者作出正确的决定措施,想要从海量的数据中挖据出有效的数据信息,找出数据之间千丝万缕的关系,就需要数据挖掘的帮助。而聚类分析是数据挖掘中的一个方法分支,有着广泛的应用,但传统的聚类算法往往存在着一些弊端,需要作出一定的优化,更好的用于实际的工作中。本文首先介绍数据挖掘的基本概念以及较为常用的聚类挖掘算法K-means算法,该算法是聚类分析中的一种经典算法。但是该算法容易受到初始聚类中心的影响而不一定能够获取到最优解,具有一定的局限性,是一种局部的搜索技术。针对聚类中存在的问题,进而引出遗传算法,遗传算法是一种生物类型的进化算法,根据达尔文进化论,孟德尔遗传学说而来,物竞天择,优胜劣汰是它的特点。遗传算法虽然具有天然的优势,但同样传统的遗传算法具有过早收敛,易陷入局部最优值的缺陷。提出并对现有的遗传算法进行改造,利用多种群机制、动态分配交叉变异概率、模拟退火算法中收敛速度较慢、可跳出局部最优解等优点,提出动态分配多种群模拟退火遗传算法。将该算法与聚类中的K-means算法结合在一起,用于聚类分析中,起到了良好的效果。将优化后的遗传算法与聚类算法结合在一起,通过实验数据进行试验后,实验数据表明,优化后的遗传算法与K-means算法,比只使用K-means算法和标准遗传K-means算法要有一定的优势。在实验结果表明,动态分配多种群模拟退火K-means算法在数据准确度上有了较为明显的提升。说明在使用优化后的遗传算法同K-means算法结合在一起,会使算法更加高效合理,聚类效果更加优秀,适用于聚类分析中。