实际工程应用和科学研究中，许多问题具有约束性、复杂性、多局部极值、非线性和建模困难等特点，寻找适用于各种不同需求的新型智能优化方法一直以来是很多专家学者的一个重要研究方向。粒子群优化算法(Particle Swarm Optimization, PSO)是Kennedy和Eberhart于1995年提出的一种进化算法，它源于对鸟类捕食行为的模拟。该算法在没有集中控制且不提供全局模型的前提下，为求解复杂问题的最优解提供了基础。本文具体工作如下：(1)对云模型理论进行了详细介绍，包括云模型的基本概念数学特征及云模型的统计分析等；(2)结合云模型不确定中带有确定性、稳定之中又有变化的特性，提出了一种基于云变异的自适应粒子群优化算法。该算法结合全局最优值和粒子适应度的比值体现出粒子优差的特点，利用正态云发生器自适应调整粒子个体惯性权重，并且对粒子位置进行了基于云模型的变异操作，并对粒子群各参数进行合理设置。仿真结果表明，此算法能有效找出全局最优解，提高算法收敛精度和收敛速度，且适宜于多峰值问题寻优，是一种可行而有效的优化方法。(3)研究了船舶纵向运动水动力模型，基于自适应云粒子群优化算法设计了一种船舶纵向运动水动力参数辨识算法。仿真结果表明，此算法在求解船舶纵向运动水动力参数辨识这个问题时稳定性好，且辨识精度高，较大地满足了实际需求。(4)研究了船舶航向PID控制，将自适应云粒子群优化算法运用于船舶航向PID自动舵上，优化PID控制器的三个参数，进而优化它的控制性能。仿真结果表明，经过云粒子群优化后的船舶航向PID自动舵性能得到了较大提高，系统无超调，上升快，工作稳定，具有较强的鲁棒性。