الگوریتم بهینه سازی اجتماع ذرات(pso) یکی از مهمترین نمونه های هوش جمعی است. از آنجا که پیاده سازی این الگوریتم ساده است، در سال های اخیر به سرعت توسعه یافته و در بسیاری از برنامه های کاربردی برای حل مسائل بهینهسازی در دنیای واقعی به طور موفقی مورد استفاده قرار گرفته است. بااین حال، الگوریتم بهینه سازی اجتماع ذرات سنتی در زمان حل مسائل چندمدله ی پیچیده، ممکن است در دام بهینه محلی گرفتار شود و این نقطه ضعف، استفادهی برنامه های کاربردی از این الگوریتم را محدود می سازد. افزایش سرعت همگرایی و اجتناب از بهینه محلی دو مورد از مهمترین و جذابترین اهداف تحقیقات بهینه سازی اجتماع ذرات هستند. از زمان معرفی اولین pso، انواع مختلف آن جهت بهبود کارایی الگوریتم سنتی معرفی شده اند. برخلاف بسیاری از الگوریتمهای ارائه شده که تنها بر دستیابی به یکی از دو هدف ذکر شده تمرکز داشته اند، الگوریتم تطبیقی بهینهسازی اجتماع ذرات (apso)، راه حل موثری برای فائق آمدن بر هر دو چالش الگوریتم بهینهسازی اجتماع ذرات سنتی را ارائه کرده است. این الگوریتم شامل دو مرحله ی اساسی است. در مرحله اول با ارزیابی توزیع جمعیت و برازندگی ذره، یک روش تخمین حالت تکامل (ese) اجرا می شود تا یکی از چهار روش تکامل تعریف شده شامل اکتشاف، بهره برداری، همگرایی و پرش در هر نسل ، شناسایی شود. در مرحله دوم یک استراتژی یادگیری نخبه گرا (els) اجرا می گردد. این استراتژی بر روی بهترین ذره سراسری عمل می کند تا بتواند به راحتی از مینیمم محلی پرش کند. الگوریتم apso به طور قابل ملاحظه ای کارایی نمونه های pso را در زمینه های سرعت همگرایی، بهینه ی سراسری، دقت و صحت راه حل و همچنین قابلیت اطمینان الگوریتم، افزایش می دهد. همانند سایر الگوریتمهای محاسبات تکاملی، الگوریتم apso نیز یک الگوریتم مبتنی بر جمعیت تکرارشونده است. از این رو، این الگوریتم می تواند از نظر محاسباتی، ناکارآمد باشد. به عنوان مثال، اجرای تابع محک زن zakharov برای ???? ذره به زمانی معادل با 3772.851 ثانیه برای اجرا برروی cpu نیاز دارد. هدف این پایان نامه، پیاده سازی موازی الگوریتم apso بر روی واحد پردازش گرافیکی با بهره گیری از پلتفرم کودا از شرکت nvidia است. برای دستیابی به این هدف، از روش موازی سازی سطح حلقه بهره گرفته شده است. نتایج تجربی با استفاده از شش تابع آزمون محک زن نشان می دهد که پیاده سازی مبتنی بر gpu می تواند کارایی الگوریتم apso را تا ??? برابر نسبت به پیاده سازی مبتنی بر cpu آن، افزایش دهد.