在信息科技时代的当下，日常生活与科学研究中很多复杂的关系都能被抽象为复杂网络，从而易于分析研究。随着计算机技术的发展，对数据信息的研究和处理都有了巨大的改变，通过对复杂网络的研究，可以对社会真实演化做出相应的推测。传统的网络结构已经不能良好的描述目前网络拓扑的复杂关系，因此本文基于集合网络模型模拟社会中社区化的真实结构。通过对网络的度分布与个体状态分析其个体博弈活动对整个网络的演化影响，并寻找改变演化状态的关键性因素。复杂网络上的演化模拟对数据量以及计算时间提出了更高的要求，因此大量的并行化技术开始涉足每个领域，已经逐渐成熟的计算机集群技术、快速兴起的异构并行化等都被广泛的使用。基于GPU的异构并行化编程以它独有的优势受到众多研究者的青睐，规整的线程分布、大量的计算单元、完善的指导手册都能帮助我们快速的了解深入这个领域。本文在演化集合网络模型下，基于公共品博弈通过不同的倍增系数改变网络合作者与背叛者的比例以及路径长度和聚类系数模拟现实复杂网络的演化过程。网络模型以集合为出发点引入足够智能的个体，个体拥有独立的思想与行为，每个个体通过对其历史收益的分析采取加入集合、离开集合、模仿邻居策略等行为改变自己的收益，适者生存，不能适应网络演化的个体在不断的退出集合，从而离开网络。通过调节参数模拟最终生成接近真实网络度分布的演化模型，在演化初始阶段本网络模型类似小世界网络度分布呈现泊松分布，随着网络的演化逐渐接近无标度网络呈现幂律特性，在网络后期基本处于稳定状态，整个演化动态模拟了一个网络由初始化到最终稳定状态的过程。在演化过程中通过实验分析发现基于公共品博弈的集合网络模型中个体的博弈状态即合作行为对网络的演化有关键的作用，合作行为能够促使网络拥有较高的聚类系数，促进网络的模块化聚合。个体的个性化行为如加入、退出和模仿都能影响网络的演化：其中加入操作促进网络的聚集以及个体的活动频率；退出操作决定网络的稳定状态；模仿则改变个体的博弈行为。另外，在博弈中的关键参数倍增因子与初始连接数都能决定网络演化的最终状态，一个更有吸引力的集合通常具有较高的倍增因子，在高收益回报的作用下往往能促使合作者抵御一定的背叛侵入行为，并对维持整个网络的合作状态起决定性作用；初始连接数决定了最初网络的联通状态，较高的连接数目会导致网络初始接近全联通，个体之间的通信频率更加频繁，初始时由于收益差较大，使得网络中合作状态变化剧烈。在与传统的演化模型对比下，本文使用基于CUDA的并行化算法，模拟了显示网络演化发展到消亡的过程，也证明了GPU并行化编程在复杂网络领域的优势及发展趋势。在本文中提出的并行化网络演化算法帮助模拟了一个接近真实社交网络的网络模型动态演化过程，验证并行化算法在复杂网络领域的可行性，为真实网络的研究提供一种新的研究方向。