2005年,人工蜂群算法作为一种新型群体智能优化算法应运而生,该算法基于仿生学的某种生物种群通过某种搜索策略进行搜索的智能优化算法。人工蜂群算法的优点包括:控制参数少,计算复杂度低,易于实现等。但是该算法仍有一些不足之处,如局部搜索能力差、精度低、收敛的速度慢的问题。本文对人工蜂群算法的原理、模型等进行了深入探讨,并将其应用于嵌入式系统中软硬件划分优化。针对该算法在软硬件划分中的不足,提出了一种改进方法,将原始蜂群算法和粒子群算法、蚁群算法、人工鱼群算法、遗传算法进行对比,实验表明人工蜂群算法在软硬件划分中具有明显优势,且较之原始蜂群算法,改进后的算法能大大提高系统效率。首先,对软硬件划分的建模、划分中的问题及其相关理论进行详细介绍,对人工蜂群算法,包括人工蜂群算法的原理、特征、编码方式和适应度函数进行全面的分析。然后,分析了软硬件划分模型的性能指标、划分模型、系统结构,并将人工蜂群算法应用于到划分优化问题。最后,对原始的蜂群算法进行改进,提出了基于自适应邻域搜索的方法。通过对原始蜂群算法的搜索策略进行改进,表现为原始蜂群算法中通过改变编码信息中的某一比特位进行搜索,直到达到搜索次数限制为止。而改进的方案为,当蜜蜂对某一食物源(编码方案)搜索的次数达到一定的限制条件时,不能寻找到更好的食物源(编码方案),搜索策略是通过改变若干位进行搜索,直到达到搜索限制的次数。实验结果表明,在对不同节点的DAG图划分实验中,改进的蜂群算法最优解不仅没有变差,甚至更优,最优解出现的次数也有所提高,针对任务节点数分别为19、49、69和109的情况,分别约为原来的3.75倍、3倍、1倍、1.43倍,通过算法得到的解更集中在最优解的附近、任务的平均执行时间开销降低。基于上述研究,最后对本文研究和工作进行了概括和总结,并对今后的研究方向做出了规划和展望。