En la era de los grandes datos, el tamaño y la complejidad de los datos están aumentando especialmente para aquellos almacenados en ubicaciones remotas, y cuya dificultad se ve aumentada por la rápida acumulación continua de la escala de datos. Los problemas de optimización del mundo real presentan nuevos desafíos para los algoritmos tradicionales de optimización inteligente, ya que el algoritmo de optimización en serie tradicional tiene un alto costo computacional o incluso no puede hacer frente a él cuando se enfrenta a datos distribuidos a gran escala. En respuesta a estos desafíos, se propone primero un marco de algoritmo evolutivo cooperativo distribuido utilizando Spark (SDCEA). El SDCEA puede aplicarse para abordar el desafío debido a recursos informáticos insuficientes. En segundo lugar, se propone un algoritmo de optimización de enjambre de partículas de comportamiento cuántico distribuido (SDQPSO) basado en el SDCEA, donde se incorpora un esquema de aprendizaje basado en la oposición para inicializar la población y se realiza una búsqueda paralela en espacios distribuidos. Finalmente, se prueba el rendimiento del SDQPSO propuesto. En comparación con SPSO, SCLPSO y SALCPSO, el SDQPSO no solo puede mejorar la eficiencia de búsqueda, sino también buscar un óptimo mejor con casi el mismo costo computacional para el problema de optimización distribuida a gran escala. En conclusión, el SDQPSO propuesto basado en el marco de SDCEA tiene una alta escalabilidad, que puede aplicarse para resolver el problema de optimización a gran escala.