El tema de encontrar de manera eficiente el mínimo global de funciones multidimensionales es ampliamente aplicable a numerosos problemas en el mundo moderno. Se han propuesto muchos algoritmos para abordar estos problemas, entre los cuales los algoritmos genéticos y sus variantes son particularmente notables. Su popularidad se debe a su excepcional rendimiento en la resolución de problemas de optimización y su adaptabilidad a varios tipos de problemas. Sin embargo, los algoritmos genéticos requieren recursos computacionales significativos y tiempo, lo que plantea la necesidad de técnicas paralelas. Avanzando en esta dirección de investigación, se presenta aquí un nuevo método de optimización global que explota el uso de técnicas de computación paralela en algoritmos genéticos. Este método innovador emplea unidades de computación paralela autónomas que comparten periódicamente las soluciones óptimas que descubren. Aumentar el número de hilos computacionales, junto con técnicas de intercambio de soluciones, puede reducir significativamente el número de llamadas a la función objetivo, ahorrando así potencia computacional. Además, se propone una regla de detención que aprovecha el entorno computacional paralelo. El método propuesto fue probado en una amplia variedad de funciones de referencia de la literatura relevante y se comparó con otras técnicas de optimización global en cuanto a su eficiencia.