分布式聚类目前已经成为一个具有吸引力和挑战性的研究课题。尽管进化计算被认为是解决复杂数据聚类问题的有效的方法,但是目前很少有研究使用进化计算来解决分布式聚类问题。目前大多数分布式聚类算法都是基于传统聚类算法的改进,仍然会受到传统聚类算法的限制。同时由于每个节点只存储着一部分的数据,算法的准确性相较于集中式的聚类算法通常会降低。此外聚类与图划分的目的相同,随着一张图包含的数据越来越多,值得探索将分布式聚类应用于解决图划分问题。本文提出了一种分布式的粒子群优化（Distributed Particle Swarm Optimization,DPSO）算法用于解决分布式聚类算法准确性不足的问题。与传统分布式聚类算法不同的是,提出的算法在每个局部节点上使用二进制的粒子群算法迭代出最佳聚类个数,然后使用Kmeans算法挑选出代表数据点集合。最后在全局节点上,再次使用K-means算法对所有局部节点的代表数据点进行聚类以获取全局的聚类结果。此外该算法将每个局部节点上的聚类过程视为挑选代表数据,并阐述了将数据簇的中心点作为代表数据的原因。本文在不同类型的数据集上验证了提出算法的性能。首先在基于现实和随机生成的十九个凸簇数据集下的实验结果表明,相比较于其他三个分布式聚类算法,提出的算法具有更好的性能。然后通过五个具有任意形状的数据集,验证了算法针对不同类型数据集的探测能力。最后通过若干实验对局部节点的算法参数设置进行分析,同时研究了不同数据分布以及不同局部节点数量对算法最终结果的影响。本文还研究了应用分布式聚类解决路网图划分的问题。我们首先对目前的图划分工作做出分析以及对图划分的问题做出详细定义,然后具体分析分布式聚类应用于解决路网图划分问题的可行性。最后通过将三个分布式聚类算法与一种平衡图划分算法进行对比,实验结果显示分布式聚类不仅可以有效的减小分区产生的边切,而且可以有效的缓解交通路网的拥堵情况。