پیدا کردن بزرگ ترین زیرتوالی مشترک بین چندین توالی یکی از مسائل np-hard با کاربردهای فراوان در اکثر زمینه ها ازجمله بیوانفورماتیک می باشد. افزایش روزافزون پیچیدگی و اندازه داده های مولکولی، نیازمند روش های کاربردی موثرتری برای توالی های با اندازه های متفاوت است. الگوریتم های موازی برای این گونه مسائل با داده های با اندازه بزرگ بسیار مهم هستند. در این پایان نامه روشی برای حل مسئله mlcs با استفاده از الگوریتم های موازی و بستر سخت افزاری واحد پردازش گرافیکی بر اساس روش های کلاسیک حل این مسائل ارائه شده است. ماتریس امتیاز اساس کار روش های کلاسیک می باشد که هسته های واحد پردازش گرافیکی با پیمایش قطری، هر قطر این ماتریس را در یک لحظه محاسبه می کنند. نتایج ارزیابی در مقابل دو الگوریتم پرسرعت سری و موازی، با وجود پیچیدگی فضای محاسباتی بالا اما زمان اجرای بسیار پایین تر را نشان می دهد، به طوری که در اندازه های بالاتر طول دنباله ها، سرعت در حالت سری حدود 2000 برابر و در حالت موازی حدود 10 برابر الگوریتم های بررسی شده می باشد. تمام روش هایی که با استفاده از واحد پردازش گرافیکی ارائه شده اند در زمینه مسائل lcs که حالت خاصی از مسئله mlcs برای دو توالی هستند، الگوریتم هایی را ارائه کرده اند. واحدهای پردازش گرافیکی با تعداد هسته پردازشی زیاد برای مسائل با حجم انبوه داده که عملیات واحد یکسانی بر روی آن ها انجام می شود بسیار مناسب می باشند. پیدا کردن بزرگ ترین زیرتوالی مشترک بین چندین توالی نیز از این گروه مسائل می باشد.