随着Internet在全世界的飞速发展，网络广告异军突起，成为21世纪最有希望、最具活力的新兴广告形式，同时，网络广告效果评估、收益及其影响因素控制也成为越来越受关注的问题。网络广告形式多样，和其他的网站推广方式相比，搜索引擎推广是最重要的。搜索引擎广告可以有效地向那些可能对广告商品感兴趣的目标人群展示广告，避免了向非目标客户展示广告。对于期望的网络广告收益，如何确定广告收益的影响因素变化范围?并针对搜索最大响应配置广告费用? 针对网络广告收益控制问题，本文首先建立网络广告评价指标体系及评估神经网络模型，为了对网络广告收益影响因素进行有效控制，提出了区域优化遗传算法，对某一范围的期望广告收益，求解影响因素的对应变化范围，实现广告收益的区域优化控制。在此基础上，以基于遗传进化的聚类优效划分算法确定搜索关键字，对广告费用进行合理的配置。 聚类分析已被广泛地应用于许多领域。但聚类分析仍存在一些难以解决的问题：第一，类的数目往往会影响到聚类的效果，但有效的聚类的数目并不容易确定，通常都是由用户自己定义，容易产生盲目性；第二，异常点的确定非常困难。当异常点被迫归入某些类中，就会导致产生效果不好的类，也使得该类的语义难以定义。 本文针对聚类有效性函数对聚类进行最优划分的类数目和异常点难以确定的问题，建立了基于遗传算法的聚类最优划分模型。把样本编码与类划分相结合形成问题解集，并以类间和类内距离建立适值函数，通过实现三重随机的交叉、变异运算，优化确定聚类数目和样本分类，并对异常点进行识别，在已知样本数据下分别比较了遗传优化划分与聚类有效性函数划分的结果。研究结果表明，基于遗传进化的聚类优化划分模型更有效。