1.一种基于聚类分析算法的组串群选优化联动控制技术，其特征在于，包括以下步骤：
步骤1：从大数据存储服务器当中获取选配过程数据案例；
步骤2：联动控制系统对历史数据预处理，按预制条件剔除不合规定的选配指标案例；
步骤3：选配过程聚类规则自学习，即优化聚类中心；
步骤4：基于快速搜索与密度峰值cfsfdp聚类算法对装配线的数据进行分析；
步骤5：基于cbr机制进行组串群选参数预测；
步骤6：由在线组串数量预测、缓存尺寸链预测及组串群选参数预测数据产生优化选配方法；
步骤7：物联网系统将当前选配过程信息发送至大数据服务器，将学习优化后的参数部署至各选配流程控制设备，完成后跳到步骤1.
2.如权利要求1中步骤4，聚类算法基于截断核的计算方式和基于高斯核的计算方式。使用截断核计算局部密度ρi的方式如公式所示:
3.如权利要求1中步骤4，聚类算法数据点之间的距离δi根据公式计算得到：
4.如权利要求3，计算各数据点的dij具体过程为：
步骤1：划分数据集分区分成p个，分布到p个worker节点；
步骤2：将完整的数据集拷贝到这p个分区；
步骤3：在每个分区划分到该分区的数据点与整个数据集其他数据点的距离，以点为键归约所有距离，master归约所有worker上的距离。
5.如权利要求4，计算局部密度ρi具体的过程为：将上一步计算得到的dij矩阵广播到之前的p个worker节点，在每个分区的数据点对应的exp(-(dij/dc)2)矩阵，使用breeze并行计算各数据点的局部密度ρi，并返回ρi给主机，master对所有ρi进行降序排列。
6.如权利要求5，计算局部密度δi具体的过程为：将权利要求5计算得到的按局部密度降序的排名num广播到之前的p个worker节点，然后在每个分区为该分区内的数据点取得num比其大的数据点，在每个分区为该分区内的数据点对应的距离dij排序，按照公式求距离δi，以点为键规约所有距离，master归约所有worker上的距离δi。