群体智能算法能够有效处理传统优化算法难以解决的优化问题,但随着求解优化问题的时间空间代价的巨幅增长,单机环境下使用群体智能算法求解,面临着计算时间过长等缺点。本文基于主流的Spark开源分布式计算框架,围绕群体智能算法求解组合优化问题展开研究。针对优化问题的高时间和空间复杂度问题,本文以置换流水车间调度作为案例研究,根据粒子群优化算法,蚁群算法,蝙蝠算法,萤火虫算法和灰狼优化算法等典型群体智能算法的不同特性,设计与实现了面向群体智能算法种群迭代和参数调优的Spark分布式并行加速方案。在面向群体智能算法的分布式种群迭代方案中,首先对种群和解进行初始化,接下来进行种群的分布式迭代进化,最后获得最优解并输出。同时为了进一步改善求解质量,使用Spark平台进行分布式参数调优。调优方案首先根据给定的参数列表生成不同的参数组合,然后通过分布式并行的方式运行不同参数组合的群体智能算法,最后比较各个算法的解并得到最优的参数组合。此外,为了进一步验证设计的分布式算法求解实际问题的适用性,本文进一步将分布式的粒子群优化算法应用于带约束的云计算资源配置问题中。本文使用基准数据进行实验对算法性能进行评估。实验结果表明,在获得解的质量相近情况下,分布式算法显著提升了算法的计算效率,在8个计算节点的配置下最高加速比可达到7倍,并能够通过参数调优进一步提高解的质量。因此,基于Spark平台的分布式群体智能算法能够显著提高算法的计算效率,为求解复杂优化问题提供了一种切实可行的方案。