仿真实验产生了大规模的仿真数据,为了从中提取有用的信息和知识,更好地认识和改进系统,帮助决策人员分析决策,可以用数据挖掘方法来进行仿真数据分析。由于仿真数据具有维度高、规模大的特点,需要采用并行挖掘算法来提高效率。又根据仿真数据分布式存储的特点,避免大规模数据集中所带来的开销以及安全性,需要研究分布式挖掘算法。本文主要的研究工作包括以下内容:根据仿真数据固有特点和分布式存储特点,提出了并行分布式挖掘的需求。根据数据挖掘的基本流程,总结了仿真数据挖掘的一般流程。寻规律和寻优是仿真中的两种重要需求,相应地研究了两种常用的挖掘方法:关联规则和决策树,来挖掘系统中的一些关联规律,以及对仿真系统的优化。对于仿真实验寻规律的需求,将关联规则挖掘方法应用其中。对基本的Apriori算法进行研究改进,采用了向量化的数据结构,减少了输入数据集的存储空间,可以将数据集放入内存,避免对数据库多次扫描带来的I/O开销,提高了算法的效率。用vector容器替代哈希树存储候选项集,减少了算法的空间复杂度。同时为了适应仿真数据大规模的特点,根据CD(Count Distribute)算法的思想对算法进行并行化,并且对算法的拓展性进行了实验设计分析。针对解决仿真实验寻优的需求,采用了决策树挖掘方法。由于仿真数据分布式存储的特点,研究了基于元学习的分布式分类器,以及决策树的两种并行化方法,同步树构建方法和分割树构建方法,实现基于ID3算法的同步树决策树挖掘算法,最后通过仿真测试验证了算法的有效性。