社会各个领域的问题都离不开计算机科学,而计算机学科中的优化问题是当下重要的研究热点。进化算法是具备随机搜索能力的启发性搜索算法,具有鲁棒性并且不依赖求解问题本身的数学特征,是解决优化问题的高效手段。但是随着信息化时代的不断发展,云计算、大数据以及高性能计算技术的出现使得传统的串行执行的进化算法面临严峻的挑战,如求解问题复杂、数据量庞大、计算成本高昂、实时性要求高等。因此,进化算法的并行化需求与日俱增。分布式进化算法具有效率高、可扩展性强、设计灵活等特点,受到了科学研究者和应用开发者的广泛关注。池模型是一种异步、松耦合的分布式进化算法模型,能够克服其他典型的分布式进化算法模型的大部分劣势并且具备设计和实现简单、可扩展性高等优势。然而,经典的基于池的分布式进化算法模型面临着一些尚未解决的问题,比如种群人口控制问题、工作量冗余问题、简陋的个体选择替换策略问题以及个体丢失问题等。因此,本文旨在研究基于池模型的分布式进化算法模型的设计、实现与应用。针对上述提到的池模型的问题,本文提出了一种新颖的基于池模型的分布式进化算法模型PEAB。PEAB通过选择区与缓存区的池设计、重聚合机制以及针对池模型的迁移策略解决池模型存在的固有问题。选择区与缓存区的池模式设计能够加速PEAB对于初代种群的接收效率,消除了个体丢失的可能性,以及避免了池模型的工作量冗余问题;重聚合机制,使得PEAB能够有效地控制进化算法的种群大小,并且提供更全局的个体选择替换机制;针对池模型的迁移策略能够有效地传播优秀的个体从而加速算法的收敛。在本文的实验部分,我们使用基准测试程序验证了PEAB的收敛效率、初代接收速率、人口控制以及可扩展性等性能。实验表明,PEAB比另一个基于池模型的分布式进化算法模型Evo Space收敛速度快59.7%,可见PEAB具有良好的性能优势。另外,实验部分还讨论合探究了PEAB针对池模型的迁移策略对于收敛效率的影响。