优化问题伴随着管理决策科学不断发展。一些经典的最优化理论开创了优化理论研究的先河,科学地描绘了最优解的特征。但是,直到有了计算机,人们才能够对各类较大规模的优化问题利用计算机实施求解,从而使对最优化问题的求解成为在实际生活中进行决策、管理中的有效工具。而随着计算机体系结构和各种新型架构的发展,各种异构体系结构产生的运算能力越来越强。如何利用巨大的算力、利用并行加速技术,有效提升优化问题的求解性能,成为了当前研究者们关注的重点之一。在本课题中,本文对两种具有代表性的优化问题及其求解算法进行了并行加速技术的研究。在生物信息学领域中,PairHMM前向算法在寻找基因组序列的最佳比对结果方面,在多种不同的生物序列分析工具中都非常流行。它是基因组序列比对任务中应用最为普遍的一类动态规划算法。在交通网络领域,对于起点-目的地（OD）流量的估计十分重要。针对流量估计问题,研究者提出了一种新的线性正向模型,其中包含着对多目标的迭代优化问题。如何通过并行优化技术对这两类优化问题进行加速,是实际运用中亟待解决的应用问题之一。首先,本文研究了相关优化问题以及并行优化技术的发展及成果。第二,本文利用Open MP工具、负载均衡等方法对PairHMM前向算法进行了基本的优化,最后给出了算法的性能提升情况,目的是为进一步在FPGA平台进行算法的并行加速器设计提供基本的比较。第三,本文设计并实现了一种基于现场可编程门阵列平台的PairHMM前向算法加速器。该加速器采用非协作结构以组织处理单元,并采用任务级并行方案。本文设计了非合作处理单元来独立完成PairHMM前向算法的计算。此外,基于非合作PE结构,本文为加速器设计了一种新的链式拓扑。实验表明,本文的新拓扑结构进一步地提升了PairHMM前向算法加速器的性能,性能最高提升20%。最后,对于网络流量估计问题中的线性前向模型,本文通过对其进行压缩并提出了进一步的改进模型,实现了对这个应用的加速。本文将原始模型中的带有非线性约束的多变量优化问题转化为一个标准的带约束二次规划问题。通过模型层面的优化,本文的改进模型达到了1.13倍的加速比。进一步地,通过算法选择和实现层面的优化,与之前的模型相比,本文实现了最大加速比达到了49.78倍。