近些年来,随着无线通信技术的迅速发展,无线传感器网络(Wireless Sensor Networks,WSNs)在环境探测、智能交通和工业领域有着越来越广泛的应用,而网络覆盖优化问题是其中的一个重要研究领域。随着群智能算法在优化问题上的广泛应用,近些年的研究大多是以智能优化算法实现对节点的动态部署。本文对二维平面部署环境下WSN节点的覆盖优化问题进行了针对性的研究,并设计了相应的智能优化算法。针对二维平面无障碍环境下的部署优化,在经典差分进化算法(Differential Evolution Algorithm,DEA)的基础之上提出了一种改进的差分进化算法(Improved Differential Evolution Algorithm,IDEA)。而在面对复杂环境部署问题时,基于灰狼优化算法(grey wolf optimizer,GWO)提出了一种改进的灰狼优化算法(Improved grey wolf optimizer,IGWO),具体内容如下:1.为了提升无障碍环境下WSN节点的有效覆盖率,提出了IDEA算法,并应用到WSN节点的覆盖优化之中。使用节点的有效覆盖率作为优化因子构造目标函数优化模型,以覆盖率为适应度函数值,将WSN节点的覆盖问题转化为目标函数优化问题。在优化阶段,采用混沌反向学习初始化策略丰富了初始种群的多样性,设置精英群体引导变异向量、参数自适应等机制改进算法以加快收敛速度、提升WSN节点的覆盖率。将改进后的算法在六组基准测试函数上与其他文献的三种智能算法进行不同维度的实验对比,并应用到无障碍情况下WSN节点的覆盖优化中。仿真结果表明,IDEA能有效加快收敛速度,提高计算精度,实现对无障碍环境下WSN节点部署策略的优化,提升无线传感器网络的覆盖率。2.针对复杂环境下的WSN节点优化覆盖问题,提出一种改进的灰狼优化算法,并应用到梯形障碍物环境下WSN节点的覆盖优化之中。以覆盖率为优化目标进行部署,设计了非线性收敛因子以平衡全局勘探与局部开发的关系;同时加入了精英策略以提升算法的收敛性能;提出动态权重策略进一步提升算法的收敛速度;引进自适应变异策略用于增加搜索区域内的全局寻优效率,避免算法陷入局部最优的困境。将改进后的算法与改进前的算法以及其他文献的三种智能优化算法做对比,首先用测试函数对比这几种算法的收敛性能,然后将算法分别应用在无障碍环境、梯形障碍物且存在静态异构节点环境下的WSN优化部署中。仿真实验结果表明,相比其他四种算法,IGWO算法能够有效提升梯形障碍物情况下WSN的节点覆盖率,可为WSN部署提供较好的解决方案。