خوشه بندی یکی از روش های مهم و اساسی در زمینه داده کاوی است، که نمی توان جایگزین مناسبی برای آن پیدا نمود به همین دلیل یافتن الگوریتمی مناسب در این حیطه بسیار ارزشمند می باشد. هدف از این پژوهش معرفی روشی کارآمد به نام الگوریتم ژنتیک دسته بند در زمینه مسائل خوشه بندی است. این الگوریتم برگرفته از الگوریتم ژنتیک کلاسیک مسائل گروه بندی می باشد که تاکنون در زمینه خوشه بندی مورد استفاده قرار نگرفته است. از جمله ویژگی هایی که آن را از الگوریتم اولیه متمایز می سازد عبارتند از کروموزومی که از دو قسمت گروه و عنصر تشکیل شده و دارای طول متغیر است، که باعث می شود دیگر نیازی به پارامتر ورودی برای بیان تعداد خوشه نباشد و همچنین اصلاحات و نحوه پیاده سازی متفاوت عملگرهای تقاطع و جهش با توجه به شکل کدگذاری کروموزوم ها می باشد که بسیاری از مسائل و مشکلات الگوریتم ژنتیک کلاسیک برای مسائل گروه بندی را برطرف می نماید. در ادامه با ترکیب الگوریتم ژنتیک دسته بند و k-mean و انجام اصلاحاتی بر روی عملگر تقاطع و جهش، الگوریتم آسان و مناسبی را برای مسائل خوشه بندی ارائه نموده و نتایج حاصل را بر اساس میزان درصد خوشه بندی و شاخص های معروف دیگری بر روی داده های واقعی و غیر واقعی مورد بررسی قرار داده ایم، نتایج ارزیابی بیانگر مناسب بودن روش های بررسی شده نسبت به الگوریتم های معروف خوشه بندی در زمینه های گوناگون می باشد.