在复杂网络研究领域,为了观察网络各方面所具备的拓扑特性,人们通常需要生成相应的零模型将二者进行比较,零模型在确定网络的拓扑结构中扮演着非常重要的角色。大规模网络背景下采用随机置乱算法构建零模型将耗费大量的时间,目前尚未有学者对该算法实现优化加速。另外,对于随机置乱的次数到底应该达到怎样的规模才恰到好处,其与网络的规模及拓扑特性之间的关系如何,进而如何评估零模型是否足够好,人们还未做过量化的研究。本文为了对零模型进行高效评估,将随机置乱算法移植到GPU上进行,为了解决并行置乱对零模型有效性的影响,提出了一种基于随机分配的随机置乱算法(PRABPA)。针对规模大到GPU显存无法一次性加载的网络,在PRABPA算法的基础上,利用数据分组思想,提出了一种基于分组加载的随机置乱算法(PRABPL),并保证了零模型整体的随机性。通过对不同规模的实际网络进行实验,结果表明相比于串行随机置乱算法,本文提出的PRABPA算法和PRABPL算法在保证零模型有效性及随机化程度的同时,在构建零模型的效率上得到了大幅提升。在此基础上,本文通过对零模型构建过程进行分析,发现通常置乱次数方式的设定不利于对零模型的评估,提出了成功置乱次数这一概念,将通常零模型构建过程中的尝试置乱次数更换为成功置乱次数并应用到0阶、1阶、2阶零模型构建算法中,通过一系列复杂网络拓扑指标对零模型进行评估实验,结果表明这一设定方式明确了使零模型趋于稳定的置乱次数,为研究学者在应用零模型过程中提供了很好的参考价值。