人口是社会发展中最基本的要素,对社会经济的发展影响深远。传统基于人口的研究多以行政区划统计数据为基础,结论聚焦于全局和整体。随着计算机的发展,基于精细尺度人口数据的仿真模型被广泛地用于传染病传播、舆情扩散以及交通流量模拟等多个领域,但这些研究都需要微观人口数据为基础,由于高成本和个人隐私问题,现实中高精度人口微观数据集较缺乏,导致相关研究深入不足。目前,通过计算机模拟与实际人口分布特征相符的人工人口生成是这一问题的有效解决方案。人工人口生成方法主要有合成重构法和组合优化法两种。合成重构法多采用迭代比例拟合方法生成人工人口,其难以同时兼顾个人和家庭两个层面的属性分布,组合优化法采用启发式算法较好地解决这一问题。现有组合优化方法多采用模拟退火算法,本文则重点对遗传算法进行人工人口生成的方法及应用展开研究。本研究展开过程为:首先,对已有的人工人口生成方法的国内外文献和基础理论方法进行综述与总结,奠定本研究的理论和方法基础;然后,以成都市为研究对象,探索遗传算法及其改进方法构建人工人口的过程、步骤,并与传统迭代比例拟合方法进行有效性比较;最后,以构建完成的成都市人工人口为基础,进行人口分布空间分布与生物气溶胶扩散模型的应用研究,验证其实用性。研究发现:第一,微观人口数据源与人口属性交叉表是影响人工人口数据质量的关键因素,微观样本数据越全面,属性结构越准确,合成的人工人口数据集的精度越高。第二,遗传算法的参数设定对人工人口合成精度有显著影响,相比于标准遗传算法,采取模拟退火算法生成初始解和精英选择策略的遗传算法构建人工人口数据精度更高且更稳定。第三,通过与传统的迭代比例拟合算法比较,发现在家庭属性的拟合上迭代比例拟合算法误差更小,但是在个人单一属性上遗传算法误差更小,此外,同样数据量下,遗传算法的运行时间要大于迭代比例拟合法。最后,对构建的人工人口数据集的进行应用研究,表明其可以为实证提供更精细尺度的人口数据。