رشد روزافزون تجارت الکترونیکی و استقبال مشتریان از این شیوه تجارت سبب ازدیاد حجم اطلاعات و تنوع محصولات و در نتیجه سخت شدن انتخاب برای مشتریان شده است. سیستمهای پیشنهاددهنده در حل این مشکل به کمک بشر آمده اند و در این راستا از شیوه پالایش اطلاعات استفاده می کنند که از جمله آنها روشهای خوشه بندی ترکیبی می باشد. یکی از روشها، ترکیب الگوریتمهای تکاملی با الگوریتمهای خوشه بندی پایه است. در این مقاله برای خوشه بندی دادهها الگوریتم ترکیبی GCM بکار گرفته شده که ترکیبی از الگوریتم ژنتیک با الگوریتم خوشه بندی C-means می باشد. با افزایش حجم اطلاعات یکی از مشکلات سیستمهای پیشنهاددهنده، مسئله مقیاس پذیری است که برای حل این مسئله از الگوریتم خوشه بندی C-means کمک گرفته شده است. این الگوریتم به افزایش دقت این سیستمها نیز کمک می کند. اما الگوریتم C-means خود از مشکل گیر افتادن در نقطه بهینه محلی رنج می برد که الگوریتم تکاملی ژنتیک برای حل آن به کار گرفته شده است. در این پایان نامه الگوریتم پیشنهادی با الگوریتم مشابه ای به نام GKM و الگوریتمهای پایه K-means، C-means مقایسه می شود. در ارزیابی این الگوریتمها مشخص شد الگوریتم پیشنهادی GCM نتایج بهتری نسبت به بقیه دربر داشته، دقت سیستم پیشنهادی را به طور چشمگیری بالا برده و مسئله مقیاس پذیری را حل کرده است.