在大数据时代的背景下,地理计算开始面临数据海量化与多任务资源调度的问题。如何将不同的计算任务分配到相应的资源节点上运行,以达到最优资源分配的目的是当今面临的难题。目前,并行计算是解决海量数据处理的重要手段。由于计算资源的分配将直接影响并行任务的性能,并且计算资源对不同并行任务的影响程度不一,因此为并行任务进行资源调度极其困难。在并行化空间分析算法研究中,本文以并行化求交算法为代表,针对海量复杂多边形求交计算耗时长、数据与计算资源分配不均的问题,提出了基于计算复杂度预测的高性能求交方法。首先通过多级包围盒进行二次过滤,减少求交对象的一对多关系;然后通过包围盒过滤洞、岛的方法减少不参与计算的多边形,优化复杂多边形求交处理流程;最后,通过建立非线性回归模型度量求交运算的计算复杂度,并据此优化并行计算负载。实验结果表明,该文提出的方法有效提高了海量复杂多边形求交效率。在资源调度的研究中,本文从数据复杂度与算法复杂度两方面对并行化空间分析任务开展研究,提出了并行化空间分析任务的资源调度策略。首先根据历史作业信息建立并行化算法复杂度预测模型,准确表达并行化算法的性能变化趋势;然后基于该模型,建立顾及资源利用率的静态资源调度模型;最后基于遗传算法思想建立动态资源调度模型。实验结果表明,本文提出的方法可以根据不同任务的预测运行时间,动态地对资源进行调度以达到总任务运行时间最低的需求。通过实验证明,本文基于遗传算法思想解决了多并行化任务的资源调度问题。