优化问题在工程等领域广泛存在,具有很高的研究价值。为了解决优化问题,一系列优化算法被提出。其中一类优化算法被称为智能优化算法,这类算法从自然界中生物群体的社会性行为得到启发,模仿群体分工合作来解决问题,在应用到实际问题后取得了较好的结果。无线传感网络覆盖问题属于优化问题的一类,首先要定义可以量化的目标,根据目标不同大致分为点,栅栏和区域覆盖等。假设有数条路径,如何合理分配探测器位置和数目来保证更高的路径被覆盖率和更低的探测器使用成本是本文研究的核心问题。针对要研究的问题,本文对无线传感网络(WSN)路径覆盖问题和智能算法中的粒子群优化(PSO)算法进行了深入的研究。首先介绍了无线传感网络和智能算法特别是粒子群优化算法的国内外研究进展,针对粒子群算法存在的问题设计了两种改进算法,最后将两种改进算法应用到无线传感网络路径覆盖问题上。第一种方案采用粒子位置来计算惯性权重,引入量子粒子群算法粒子更新方式和混沌随机数生成器生成随机数,这三个方面改进粒子群算法,该方法称为基于自适应惯性权重和混沌随机数生成器的量子粒子群(AWCQPSO)算法。第二种方案采用差分进化算法中的选择变异交叉操作提高种群中较差粒子找到更好解,较好粒子跳出局部最优的概率,并对这两种操作采用不同变异方式,该方法称为引入多种变异策略的差分粒子群(AMDEPSO)算法。应用到无线传感网络路径覆盖问题时,针对路径表达方式的合理性,本文还提出了两种表达方式。一种是选定路径最大维度,在该维度上平均分割,得到路径在该维度上的坐标,再依据该维度上的路径坐标计算路径其它的维度坐标,最终得到路径的离散点坐标。另一种是随机选择一个维度平均分割得到一系列离散点,将这些离散点两两组合得到一系列曲线,计算这些曲线每段的曲折度和平均曲折度,然后遍历这些曲线并判断每段曲线曲折度与平均曲折度的大小关系。针对更高覆盖率和更低探测器成本这两个优化目标,进一步对当前方案进行改进,提出了一种基于探测器优化的粒子群优化算法。在每次迭代结束后,算法随机选择最优粒子的某一维度进行删除并比较删除维度后粒子的适应度是否不受影响,如果是则保留删除操作。实验结果表明以上三种策略在解决无线传感网络路径覆盖问题上具有良好的性能。其中AWCQPSO算法在所有情况下都取得了较好的结果,引入多种变异策略的AMDEPSO算法则在解决复杂路径下覆盖问题时有较佳表现;提出的探测器优化方法能很好的平衡覆盖率和探测器成本,能满足实际情况下对于无线传感网络覆盖率的要求和成本控制,AWCQPSO算法和AMDEPSO算法与传统优化算法相比结果分别平均提高了16%和10%。本文提出的方法将为城市交通监控,水下潜器导航路径监测等问题扩展了思路,能解决实际问题,有利于高新信息技术的发展。