近20年来,随着信息技术发展的越来越迅速,各个领域产生的数据量也越来越多,因此大数据的概念也随之引起了社会各界的重视。面对大量繁杂的数据人们逐渐发觉其是人类进步的重要资源,急需从这些海量数据中发现有价值的信息。数据挖掘是通过算法搜索出隐藏于海量数据中的信息的过程,通过这个过程可以从大量繁杂的数据中找到有价值的信息。其中K中心点聚类算法具有易实现、效率高等优点,因而被人们广为接受。随着人们对数据挖掘技术不断探究,数据挖掘领域有了众多的创新发展,将智能优化算法较好地应用到K中心点之中就是创新发展之一。布谷鸟算法作为进化计算范畴里新兴起的一种群体智能优化方法,引用了生物学进化论,参数更少,随机搜索更有效。本文首先对布谷鸟算法进行改进,之后将改进布谷鸟算法与K中心点进行结合,使其在指定初始质心的情况下完成聚类分析。最后将结合算法运用到Map Reduce框架下进行并行实验分析。具体工作如下:(1)简述了聚类分析、K中心点算法、布谷鸟算法、Map Reduce框架的相关概念、分析了两种算法的思想、流程、优缺点等。(2)对布谷鸟算法引入自适应发现概率。通过将布谷鸟算法中的固定值参数发现概率改为动态变化的自适应发现概率,使算法在前期加快收敛速度,后期提高收敛精度,更有效更快速地搜寻到最优解。(3)将改进后的布谷鸟算法运用到K中心点算法中,得到了基于改进布谷鸟算法的K中心点优化算法。此算法利用了基于自适应发现概率的布谷鸟算法以及K中心点算法在数据集中各自搜索寻优的优势,弥补了原始K中心点算法受初始质心影响较大和难免陷入局部极值的缺陷,提升了算法的效果。(4)将基于自适应发现概率的布谷鸟算法的K中心点优化算法运用到大数据平台上进行并行实验,表明该算法在大数据聚类分析方面有着优越的应用远景。通过算法在测试函数和数据集上的实验表明,改进布谷鸟算法具有更快的收敛速度和更好的寻优效果。布谷鸟算法与K中心点的结合算法具有更高的聚类质量和准确性,同时收敛速度也有所提升。最后结合算法的并行实验也进一步证明了该算法的高性能。