迭代算法作为一种经典的算法,在现实生活中,如科学计算、数据挖掘中有着广泛的应用。随着大数据时代的到来,可以获得的数据量级不断增加,时间性能的要求也愈加苛刻。如何在保证精度的前提下,设计合适的迭代算法满足时间性能需求一直是很多学者关心的问题,本文主要完成了两个基于数据划分的迭代算法的优化与并行。一, FOR3D的优化与并行。在海洋勘测、军事研究中,三维声场重构一直很一个很热的研究问题。声音的传播满足波动方程,其是一个高阶的偏微分方程。准确的给出解析解几乎是不可能的,FOR3D模型作为重要的数值解法有着重要的应用。但是,随着对计算结果的精密程度要求越来越高,导致计算时间成为一个很大的性能瓶颈。本文在原有FOR3D串行程序的基础上,设计了相应的并行FOR3D版本。通过计算传播损失,并行的FOR3D程序实验结果表明,算法在保证精度的前提下,使得算法的计算时间基本可以随着处理器个数的增加达到一个线性加速。二, K-means算法的并行与优化。K-means算法作为聚类算法中重要的成员之一,因其简单优雅的设计机制,有着广泛的应用。本文在K-means++算法的基础上,考虑密度的因素对初始点选择的影响结合Means Shift机制,设计了一种新的初始点选择算法。我们将新的初始点选择机制运行在UCI数据集上,实验结果表明,新的初始点选择机制在大多数的数据集上都至少可以达到K-means++的计算性能,也就是算法的改进是有效的。最后,给出了改进机制的并行版本,并行版本的实验结果表明,在数据量很大,处理器之间数据传输的时间影响较小的情形下,实验可以达到很好的加速比。