图形处理器(Graphics Processing Unit, GPU)核心数量众多,相比CPU有更强的浮点运算能力。显示芯片制造商NVIDIA公司于2007年正式发布了用于GPU通用计算的开发平台计算统一设备构架(Computing Unified Device Architecture, CUDA)。经过几年的发展,现在支持CUDA的GPU在性能上有显著的提升,功能上也在不断完善。利用GPU进行并行计算研究也是近年来高性能计算领域的一个热点。基于信息熵的遗传算法引入了信息熵的概念,构造各种群的空间收缩因子,控制各种群寻优搜索时解空间的收缩,有效控制了算法收敛,增强了算法的寻优目的性。在此基础上,本文通过CUDA开发平台对算法进行并行优化。在伪随机数的生成过程中采用了更适合于并行的梅森旋转方法,并实现了遗传算子以及收缩因子的并行计算。通过与原串行程序进行对比,分析了影响加速比的因素,检测了并行程序的计算精度。测试表明,GPU加速的基于信息熵的遗传算法具有很高的计算效率和计算精度。虚拟筛选作为一种计算机辅助药物设计,有效地节省资金缩短药物发现的周期。SHAFTS(SHApe-FeaTure Similarity)是一种用于三维分子相似性打分的虚拟筛选方法,这种方法采用了混合的相似性衡量标准,综合了分子形状叠合以及化学特征匹配两种方法的优点,和一些其它的虚拟筛选方法相比提高了筛选的效率以及命中率。在这个方法的基础上采用CPU和GPU异构的并行模式,对程序进行了并行优化。与原串行程序相比,在CUDA平台上高斯体积部分的并行计算能达到300多倍的加速比,而整个程序也能获得10倍多的加速比。