数据挖掘中的聚类技术是数据分析的重要手段,由于不同的数据集分布特征各不相同,传统的单目标聚类不能适应不同数据集的有效处理,因而多目标聚类逐渐成为研究热点。随着进化多目标优化技术的发展,进化多目标优化技术已为多目标聚类分析提供了有效方案。云计算具有分布式存储、并行计算的特征,它的出现满足了海量数据的处理需求,将数据并行化计算已在各行各业得到应用和发展。本文通过对进化多目标优化技术的研究,对传统的单目标聚类K-Means算法除了用聚类紧凑性指标函数外,增加聚类连通性指标函数进行聚类评价,使其能较大范围地适应不同数据集的处理;在加快收敛速度、保持种群多样性和跳出局最优解等方面对人工蜂群算法做出改进,通过实验验证改进算法的优越性;基于进化多目标优化技术的框架,引入人工蜂群进化范例,构建多目标人工蜂群算法模型;提出用多目标人工蜂群算法寻找K-Means聚类中心,削弱K-Means对初始聚类中心的依赖程度,同时得到理想的聚类效果。选取不同的单目标与多目标聚类算法,在不同的标准数据集上对本文算法实验测试与评估,最终从算法的收敛速度、准确率、不同的性能指标上验证本文多目标人工蜂群聚类算法有更高的指标值和准确率。本文设计多目标人工蜂群聚类算法的并行化方案,用Hadoop开源云计算平台搭建实验环境,利用MapReduce编程模型实现算法的并行化函数。实验中,选取标准数据库UCI里的数据集对并行算法测试。从算法运行时间、准确率和不同节点下的加速比等方面验证,实验表明,并行化聚类算法在数据量越大的数据集上效果越好。