多查询优化是加速高并发查询处理的重要方法。传统的多查询优化方法面向强相似性查询输入场景,通过各类启发式搜索策略快速获得全局近似最优解。其中,基于A*算法的多查询优化算法是传统多查询优化算法的代表,有大量研究对其进行了改进和优化。然而这些方法无法应对场景中可能出现的大量弱相似性查询。同时优化这些查询时,查询间可共享部分少,可选择的组合多,从而可能导致多查询优化的开销大于收益,无法获得较好效果。因此本文针对传统多查询优化算法在弱相似性查询输入场景中性能低下的问题,提出基于A*算法的分组多查询优化算法并在Impala系统中进行了集成。首先分析基于A*算法的多查询优化算法,并提出一种分组策略对其进行改进,加速其在弱相似性查询场景中的处理过程;接着,通过修改Impala系统的查询处理过程使其支持多查询优化,并将改进的算法集成到系统中。最后从多查询优化算法性能和分组策略执行效率两个方面在TPC-DS数据集上进行了对比实验。实验结果表明本文提出的方法能加速多查询执行过程,有效提升查询性能。