网络优化是指对现有网络资源进行优化,使网络质量不断趋向于网络规划的最终要求,它是一项任务量大,时间要求严格、过程繁杂的庞大的系统工程。在线运营网络的特点是优化点过多,如何制定合理的网络优化时间表,是当前网优工作的难点问题。大数据分析是一种典型的面向应用技术,它不仅能对过去的数据进行查询和遍历,并且能够找出过去数据之间的潜在联系,从而促进信息的传递。本文主要讨论网络优化工程和大数据分析应用方式的结合,研究如何将大数据分析技术应用到网络优化系统中,从而在庞大数据中找出符合需要的网络优化时序。本文首先讨论网络优化的现状和发展,并重点讨论网络优化的方法和流程。当前网优分析使用的主要方法是根据市场发展方向与网络状态分析的综合分析方法,因为分析数据量过于庞大,综合分析后网优时序以网络状态排序为主,面向全网全用户的分时序分析能力极弱。本文通过采用大数据分析与挖掘的方法,能处理大样本数据集,通过分析数据挖掘的各算法和实际应用形式,将两者结合起来研究如何将数据挖掘应用到网络优化时序确认工作。在整个网络优化数据挖掘过程中,重点工作是算法基础数据集的选择,以及数据量化准备,解决的主要矛盾是通讯网络关键指标数据单位差异过大对算法造成的异常扰动。为提高算法精度,本文使用蚁群概念对K-means经典收敛算法进行了调整优化。同时,为解决蚁群算法效率较低的问题,本文基于遗传算法对其进行了改进。改进之后的蚁群算法缩短了迭代次数,减少了计算量,聚类结果跟标准聚类结果完全相同,但聚类的效果优于基本的蚁群算法。另一方面,考虑到数据量级,本文通过Distributed Computing Toolbox利用三台计算机搭建了分布式计算实验平台,以进一步提高数据挖掘模型对超大数据集处理能力。经过不断的探索和尝试,最终形成的分布式蚁群收敛算法能够更加精准的解决超大量网络投诉指标数据的基础分类,为庞大的网络优化工作提供合理的建议和优先级时序指导。对运营企业网络优化、用户需求处理,甚至市场拓展方向提供非常有利的支持。