蛋白质结构预测（Protein Structure Prediction,PSP）是生物信息学中重要的研究课题。从头预测法是一种常见的用于PSP的计算方法。它主要根据蛋白质的天然构象处于自由能最低状态的理论，抽象出蛋白质结构模型，直接根据蛋白质的氨基酸序列求解出蛋白质结构。本文将依据从头预测法，采用广泛被使用的AB非格点模型来预测蛋白质的二维结构。　　基于AB非格点模型的PSP问题实际上就是求解对应能量函数极小值的过程，属于函数优化范畴。不同的是，PSP模型对应的能量函数具有大量的局部极小值和很高的计算复杂性，对寻优算法的性能要求较高。使用不同采样策略的多agent模拟退火（Multi-agent Simulated Annealing,MSA）算法克服了经典模拟退火算法收敛速度慢的缺点，能够有效地提升模拟退火算法的性能。本文借鉴了MSA的改进思路，将教与学优化算法中“Learner Phase”用到的变异方式作为MSA的采样策略，得到了基于教与学优化算法的MSA（MSATLBO）算法。本文在13个标准测试函数、4条人工系列和4条真实系列上对MSA算法的不同采样方式进行了比较，结果表明，尽管没有一种采样方式在所有问题上都优于其他方式，但对PSP问题，基于粒子群优化算法的采样方式整体性能最佳。　　考虑到MSA在求解PSP问题时需要消耗大量的计算时间，本文使用CUDA编程模型在GPU上实现了MSA（CUMSA），比较了两种并行方式对应的性能差异，同时讨论了Agent个数与迭代次数，对CUMSA的性能影响，实验证明，通过GPU加速的MSA能够大量地减少算法的执行时间。值得注意的是，应该根据GPU的硬件特征合理的分配Agent个数，以平衡CUMSA的求解精度和速度。