蛋白质结构预测(Protein Structure Prediction,PSP)是生物信息学研究的重点和难点。随着基因组测序的完成,大量冗余的蛋白质序列需要一种有效的方法测定它的空间结构,而这些序列空间结构的确定,将对生物和医学等方面产生重要作用。本文采用从头预测法对蛋白质结构进行预测。这种方法根据蛋白质的天然构象在自由能最低时最稳定这一假设,将PSP问题转化为函数优化问题。从头预测法所需解决的关键问题是如何找到一个能真实反应蛋白质结构的可靠模型以及开发一种效率快精度高的算法去求解这个模型所对应能量函数的最优值。因此,本文采用更能反应蛋白质真实结构特性的AB非格点模型,并使用近些年在蛋白质结构预测中应用较广的智能优化算法——粒子群算法(Particle Swarm Optimization,PSO),对该模型的能量函数进行计算从而预测蛋白质的二级结构。针对粒子群算法计算蛋白质能量函数速度慢和精度低的缺点,文本提出了以下改进策略:首先,用CUDA实现基于GPU并行的全局粒子群算法和局部粒子群算法,通过在基本测试函数和蛋白质序列上同CPU串行的粒子群算法进行仿真实验比较,证明了 GPU并行的粒子群算法能大量的减少计算时间。同时将GPU并行的全局粒子群算法和局部粒子群算法进行比较,证明了 GPU并行的局部粒子群算法在多峰函数以及蛋白质能量函数的计算速度和精度上都优于GPU并行的全局粒子群算法。其次,针对粒子群算法在蛋白质能量函数计算中精度较低的问题,本文提出了混合学习策略。该策略将几种不同特点的学习策略组成策略池,并在迭代过程中实时调整个体的学习策略,从策略池中选择更合适的策略指导个体完成全局寻优。该策略能够在保留算法程序并行化结构的同时,增加算法在蛋白质能量函数计算中寻找全局最优的能力。经过仿真实验表明,加入混合学习策略的算法在计算蛋白质能量函数中能取得更低的能量值。