Les problèmes de coloration sont des modèles très utilisés pour formuler un grand nombre de problèmes pratiques qui apparaissent dans de nombreux domaines. Dans ce travail, nous introduisons un nouveau cadre de résolution qui pourrait être utilisé pour différents problèmes de coloration de graphes. Nous abordons un problème combinatoire de coloration comme un problème d'optimisation continue de façon à pouvoir appliquer des techniques de descente de gradient qui sont très utilisées actuellement pour optimiser des réseaux de neurones profonds. Une population de solutions candidates est améliorée en parallèle sur un GPU (Graphics Processing Units) en minimisant une fonction de perte globale qui est conçue de façon à guider efficacement la recherche. L'algorithme implémenté est évalué sur un grand nombre d'instances pour deux problèmes de coloration de graphes différents. Il a permis d'atteindre des nouvelles bornes qui n'avaient pas été trouvées jusqu'à présent dans la littérature pour des instances difficiles du problème de coloration équitable.