优化是人们在科学研究、工程技术和经济管理等诸多领域中经常遇到的问题。粒子群优化算法(PSO)是最近十年来提出来的一种启发式群智能全局优化进化算法,具有原理简单、容易实现、收敛速度快等优点,适用于求解非线性、不可微的复杂优化问题,也可应用于组合优化问题,已成为人工智能研究的一个重要分支。然而粒子群算法也存在早熟收敛、容易陷入局部最优与搜索精度不高等固有缺陷,因此,针对这些缺陷进行算法的改进研究,并拓展算法的应用领域,具有重要的理论价值和实际意义。本文在系统分析了粒子群算法的基本理论和改进的一般原则基础上,结合云模型在非规范知识的定性、定量表示及其相互转换过程中的优良特性,提出了两种形式的云粒子群算法——完全云粒子群算法(CCPSO)和云变异粒子群算法(CHPSO)。该算法利用云模型对粒子的进化和变异进行统一建模,能够自适应的控制粒子的搜索范围,使算法快速收敛到最优解。并通过正态云算子实现粒子的变异操作,从而较好的避免算法早熟收敛的问题。通过典型复杂函数测试表明,云粒子群算法能有效找出全局最优解,特别是在多峰值函数寻优中效果更加明显。软硬件划分是嵌入式系统协同设计的关键技术,它是在满足各项约束条件的前提下,为嵌入式系统各功能模块确定具体的实现方式,为系统提供最佳的软硬件划分方案。基于云模型定性与定量之间转换的思想,对克隆选择算法中的克隆算子、变异算子和选择选择进行了重新定义,并将其融入到离散二进制粒子群算法当中,形成了一种粒子群算法与免疫克隆选择算法融合的免疫粒子群软硬件划分方法。仿真实验表明该算法有效提高了解的精度,获得了更合理的软硬件划分结果。