现代飞行器设计是一个复杂的多学科设计优化过程,过程中存在着费时、复杂的仿真分析模型。在对飞行器轨迹优化过程中,庞大的计算量成为了难题和瓶颈。优化算法的运算效率很大程度上决定了整个优化设计的效率。作为一种较好的全局优化算法,粒子群优化算法由于其算法便于实现,计算能力强等特点而被广泛的应用于飞行器轨迹优化以及各类参数整定。但是,由于粒子群优化算法需要对全局进行搜索,在飞行器轨迹优化过程中可能出现计算量大导致计算时间变慢的情况。因此,提高在计算量大情况下的粒子群优化算法的计算速度是十分有必要的。现阶段,对粒子群算法本身的改进,已经不能过多的提高粒子群优化速度。而近年来,图像处理器(GPU)以其高度并行计算能力以及良好的浮点运算等特点,被广泛用于通用计算领域。2007年,NVIDIA公司推出了通用并行计算架构(CUDA),被广泛应用到医学图像、计算流体动力学、环境科学等领域。因此,本文对PSO算法进行并行化可行性分析,并实现了基于CUDA下的PSO并行计算。本文在建立四旋翼飞行器进行线性模型后,设计了各通道下的PID控制器。利用并行PSO对四旋翼飞行器控制过程中的PID参数进行了整定,得到了较好的控制参数,并缩短了优化时间。此外,本文研究了直接打靶法,利用该方法对月球软着陆轨迹进行离散化,采用四阶龙格库塔数值积分方法对微分方程进行数值积分,实现了性能指标和约束的参数化;引入了基于罚函数法的约束处理,将月球软着陆轨迹优化问题转化为参数优化问题。并利用并行PSO算法对其进行参数优化,在更少的计算时间下得出更优的解决方案。通过以上实例,对基于CUDA的PSO智能优化算法进行应用,相比于传统的CPU串行计算在能满足相同精度要求情况下,缩短了计算时间,提高运算效率。因此CUDA并行计算在飞行器轨迹优化以及各类参数整定方面有广阔的应用潜力和应用空间。