The modeling of the electrical activity of cardiac cells has a large medical and scientific interest. The main objective of this work is to avaliate a metodology based in Genetic Algoritms (GA) that aims to automaticaly adjust a celular electrophysiology model to experimetals data. Those inverse problems are, computationally, extremely expensive. Thus, were evaluated two different techniques to accelerate the GA execution: Parallel Computation and Metamodels. The GA were parallelized using a master-slave classic model. A metamodel was implemented whit a purpose is replace the cellular model evaluation by less expensive estimations. This metamodel is dynamically created using an historic of individuals previously evaluated by the cellular model and stored in a database, which was implemented of two forms: an contiguous list and a struct known as Kd-Tree. The GA execution in 20 processors was twice quicker than in 10 processors. Furthermore, the Kd-Tree structure accelerated the functions of search into database in up to 4000 times when compared with the implementation using contiguous list. However, was possible to estimate up to 40% of the individual’s fitness using the metamodel with no quality losses into parameters adjust, what reduced the total execution time of 3 hours (without metamodel) to 2 hours.A modelagem da atividade elétrica de células cardíacas é de grande interesse médico-científico. Este trabalho tem como objetivo avaliar uma metodologia baseada em Algoritmos Genéticos (AG) que visa ajustar automaticamente modelos da eletrofisiologia celular a dados experimentais. Esses problemas inversos são extremamente custosos computacionalmente. Dessa maneira, avaliamos a combinação de duas técnicas para acelerar a execução do AG: Computação Paralela e Metamodelos. O AG foi paralelizado usando o modelo clássico mestre-escravo. Além disto, foi implementado um metamodelo cujo objetivo é substituir a avaliação de indivíduos por estimativas menos custosas. O metamodelo é criado dinamicamente por um histórico de indivíduos já avaliados armazenados em uma base de dados, a qual foi implementada de duas formas: via lista contígua e via Kd-Tree. A execução paralela do AG em 20 processadores foi duas vezes mais rápida do que a execução em 10 processadores. A estrutura Kd-Tree acelerou as funções relacionadas ao armazenamento e busca na base de dados em até 4000 vezes, comparada à implementação via lista contígua. Foi possível estimar as aptidões de até 40% dos indivíduos via meta- modelo sem prejuízo da qualidade do ajuste de parâmetros, o que reduziu o tempo total de execução de 3h (sem metamodelo) para 2h.