随着在科学定律发现、微积分方程求解等方面取得不断成功，符号回归成为计算机科学的重要研究课题，但是对于求解高维物理系统自然规律隐式挖掘这个多世纪难题，则有待符号回归的进一步研究。目前，GP算法是符号回归问题的主流解决方法，结合随机偏导对概念，已经在4维物理系统中试验成功，但在拟合公式的多样性、收敛速度、计算效率等方面存在诸多不足，很难向高维空间继续扩展。本文在GP符号回归基础上，采用基因表达式编程算法（GEP），在个体表达、偏微分计算、遗传算子、常数生成等方面进行了改进，并采用―CPU+GPU‖异构模式并行加速适应度值计算，最终GPU并行部分获得了18-20倍的加速比，GEP算法整体较之其CPU版本获得了3-5倍的加速，而GEP算法较之GP算法则获得了200倍的速度提升。本文先后尝试了CGP、GEP等线性表达取代GP有向无环图表达形式，采用自动微分代替符号微分，改进了遗传算子操作，引入随机选择、差分进化、最小二乘法等常数生成方法，最后提出GPU并行方案并讨论了不同层次与粒度并行带来的不同加速效果。实验结果证明，GEP算法有效提高了符号回归问题的解决效率，为高维系统的高效符号回归提供了更大的可能性。