无线网络和智能传感器技术的进步导致了无线传感器设备的出现,这些设备构成了无线传感器网络（Wireless Sensor Networks,WSNs）,代表了物联网中实现最多的元素。无线传感器设备可用于大规模物联网应用。智能设备能够感测、通信和处理收集的感测数据,然后通过互联网将其传输到基站进行进一步分析。所以覆盖最大化问题受到了广泛关注,覆盖率是无线传感器网络的服务质量（Quality of service,Qo S）参数之一,它与功率消耗密切相关。除了覆盖范围之外,能耗和寿命也是Qo S参数。寿命覆盖最大化是指在保持适当覆盖水平的同时,所部署的传感器设备以最小的能量对目标区域进行更长时间的监控。在整个无线传感器网络中,用最少数量的传感器设备来保持所需的覆盖水平是极其重要的任务。传感器设备的电池寿命有限,通常很难更换。由于受到传感器节点电量和稳定性等性能约束,往往会造成比较大的覆盖盲区或者节点冗余现象,进而缩短网络使用寿命,降低网络可靠性,在能耗与成本上造成大量的资源浪费,因此需要对无线传感器网络中传感器节点进行自适应的调整部署,使其在监测区域分布更加均匀,覆盖率更高。从而增长网络使用寿命,提高网络可靠性。这对整个无线传感器网络具有重要的意义。本文主要讨论了关于二维平面和三维立体空间内的WSNs覆盖优化问题,并根据环境的不同设计了不同的优化算法。针对二维平面,本文提出了一种单目标增强型麻雀搜索算法来优化WSN覆盖不均问题,该算法考虑到非线性收敛因子能更好的平衡局部和全局搜索,以及柯西变异算子跳出局部最优的特点,以覆盖率为优化目标。针对三维曲面,本文选择了两种不同仿真部署环境:坡面较缓的马鞍地形和环境恶劣的多峰地形;其次考虑了三个目标:最大化覆盖率、最大化网络寿命和最大化数据传输数量;最后提出了两种改进的多目标麻雀搜索算法（Multi-objects sparrow search algorithm-I,MOSSA-I;Multi-objects sparrow search algorithmII,MOSSA-II）,MOSSA-I算法混合了反向学习策略和改进的拥挤程度计算。MOSSA-II算法加入了学习率和外部解集策略,并融入了基于参考点的非支配排序方法。仿真结果表明,在单目标实验中,所提出的ESSA算法有着更好的优化效果,在多目标实验中,MOSSA-I和MOSSA-II算法在所有相关目标方面都明显优于现有文献中的算法。