最优化方法是研究给定约束条件下如何使某一(或某些)指标达到最优的一门学科,而优化算法研究一直是该领域研究的关键问题.粒子群算法是优化算法中一个参数简单且效果出众的算法,它结合个体学习经验和社会经验调整粒子的进化方向,从而获得最优解.在互联网快速发展的今天,每天产生的数据量急速增加,数据规模从TB跃升到PB甚至EB;数据类型多且数据结构复杂,处理难度增加.目前大数据的处理和分析技术越来越受到政府和企业的关注.而大多数数据挖掘算法的本质基本上都是建立优化模型,并用最优化方法对目标函数(或损失函数)进行优化,以确定最优解.本文对优化算法进行研究,针对粒子群算法容易早熟收敛和陷入局部最优解的问题,提出一种改进的粒子群算法.并将改进后的粒子群算法应用到K-means聚类算法与大数据处理平台应用中.本文的主要工作如下:首先针对粒子群算法容易早熟收敛和陷入局部最优解的缺点,利用远离个体最差经验和最差群体经验,提出一种远离最差解的粒子群算法,并进行了仿真实验,验证算法具有良好的全局收敛性.其次将改进后的粒子群算法并行化在Spark集群上编程实现.Spark平台是目前应用最广的大数据分析平台,支持Java、Scala、Python和R等多种语言,能够无缝结合Hadoop平台等.最后将改进后的粒子群算法应用到K-means聚类算法中,对Iris和Wine数据集进行了仿真实验,实验结果较好,并将其应用到电信定位楼群中,对所得到的所属楼群用户MR信息进行聚类,聚类后提取簇间无线基站接入特征作为学习特征,以期后来无线接入特征相同或相似的MR定位到所属楼宇.