在21世纪,大数据和互联网金融领域都得到了巨大发展。国家对此领域的重视程度也逐渐提高。点对点(P2P)是一种创新的借贷模式,是对传统金融业的有力补充。相较于传统金融借贷行业,它更加高效便捷。但随着科技和金融的迅速发展,也为这个行业带来了相当严峻的挑战,例如用户违约等一些风险。通过科技的手段为行业降低风险,但随着科技的飞速发展,这一行业的数据量呈现爆炸性增长态势,庞大的数据量和海量的特征在传统的计算领域显得无力,但目前的大数据计算和人工智能正好填补这一空缺。本文通过研究传统的智能优化算法-灰狼优化算法(GWO)的优缺点,对该算法进行优化改进,并结合大数据计算平台Spark实现该算法。本文的主要工作内容如下:(1)对传统的灰狼优化算法进行介绍并分析不足,结合实际实验场景,对灰狼优化算法进行二进制改进。由于在庞大的数据量下,算法在本地运行时对该数据量无法有效处理,对传统的算法进行并行化处理,分别在本地环境和分布式环境对传统的GWO算法和改进的GWO算法进行测试,分别在算法的收敛性和速度方面进行比较,最后实验结果证明基于Spark改进的灰狼优化算法能更快速、有效和稳定的处理大量的数据。(2)针对灰狼优化算法在迭代计算中容易陷入局部最优,收敛速度慢等问题,本文使用Gaussian分布对随机初始化的种群映射;在灰狼种群位置更新时使用Gaussian-Cauchy组合变异算子进行扰动,本文提出了一种改进的二进制灰狼优化算法,实验结果证明,改进的CBGWO有效提高了传统GWO的收敛速度问题和早熟现象。(3)针对大量而高维的信贷数据集先进行数据预处理,然后结合CBGWO进行特征选择,尽可能选出重要的特征,最后结合分类器建模。本文分别使用了逻辑回归和随机森林分类器进行建模和模型调优。最后实验结果表明,基于Spark的改进灰狼优化算法与随机森林结合预测模型效果最佳,同时提升了模型的运算性能。