云计算是一种新兴的计算范式,以虚拟化为基础,以网络为载体,为用户提供无限的计算和存储服务。目前,CPU/GPU异构环境下的高性能计算能有效求解大规模工程问题,但其计算成本高、专业性强。云计算中心整合大规模普通机器提供高性能计算和存储服务,成本较低;设计新的编程框架和数据结构,提供友好的编程接口,使得用户容易实现并行计算。随着工程问题计算规模的不断增大,大规模数值计算的工程实用价值尤为明显,研究其在云环境下的实现,具有重要探索意义。本文提出基于Hadoop MapReduce框架的域分解时域有限差分法(DD-FDTD)并行算法,在6节点的Hadoop+Spark实验室集群上,以上海某地区发生的雷电传播过程为数值算例,测试不同计算子域所获得的加速比,结果显示,计算模型越大、计算节点越多,加速比也大,在本文的计算环境下,最大加速比为2.4。然后,本文提出基于MapReduce框架的线性有限单元法并行算法,包括总体刚度阵组装和CG法求解线性方程组,在Hadoop+Spark实验室集群上,通过空间桁架结构进行数值验证。结果表明采用本文所提的算法进行有限元并行计算简洁、易用;在总刚组装阶段,网格模型越大,计算节点越多,计算性能越好;但求解方程组阶段,计算性能不理想,有待改善。为此,本文又提出了基于Spark RDDs(Resilient Distributed Datasets)的大规模线性有限元并行算法,探索在云平台上有效地实现迭代算法。在Hadoop+Spark实验室集群上,通过空间桁架进行算例验证,并与基于Hadoop MapReduce的线性有限元并行算法进行性能比较。结果表明,在本文搭建的集群上,基于RDDs的并行算法能求解15000000个自由度的空间桁架问题,远大于Hadoop平台上的3000000个自由度;对于小模型,Spark获得200倍以上的加速比,对于大模型,获得7-8倍加速比。