星系分组作为天文物理学中的一大研究领域,对于探索星系组的形成与演化以及宇宙大尺度结构具有重大意义。Halo-based Galaxy Group Finder(HGGF)是一种有效的基于暗物质晕的星系分组算法,它根据星系的空间位置、红移、质量等多种属性对星系进行处理,形成星系组,从而为上述研究提供重要依据。然而,当前算法的OpenMP实现版本受限于其编程模型,仅能利用单个节点中提供的内存与处理器资源,这使其在大规模星系分组问题上的应用受到限制。解决这一问题的一种思路是利用具有大量CPU核心与内存资源的一致性共享内存(Coherent Shared Memory,CSM)计算机进行问题求解,然而其高昂的价格令人望而却步,同时该类型计算机对此算法的适用性也值得考量。另一种解决思路是采用多机并行,从而利用多个集群节点的资源来处理更大规模的星系分组问题并缩短执行时间。这需要对算法进行重新设计与实现,而实现此目标的一大挑战是算法中存在大量半随机性远端内存访问,在多机并行环境下会对性能造成重大影响。为克服这一难题,我们在设计中提出了邻接星系链表思想,并采用Unified Parallel C(UPC)进行程序实现。对于核代码部分,使用4,8,16节点时,相较于单节点可分别取得2.25,2.78,5.07倍加速比。同时,对于单个节点的内存需求也显著减少。此外,OpenMP版本在SGI UV 2000上的实验结果显示,受限于程序的访存特性与机器体系架构的特点,类似HGGF算法这样具有随机数据访问特征的程序,很难有效利用具有NUMA结构的CSM计算机所提供的大规模线程与内存资源以直接取得高加速比。在分布式内存集群上采用两级并行设计以更好地利用局部性原理可以使HGGF算法更加高效。