群集智能是在自然界社会性群居动物所表现出智能现象的启发下提出的人工智能模式,是对生物群体协作所产生的复杂行为的模拟。由于其所具有的分布式控制、全局性信息传播、自组织等特点,群集智能已经成为智能计算的一个重要分支和研究热点,并且在计算机科学、智能控制、网络通信、机器人等领域得到广泛应用。本文研究一种新的群集智能优化算法——自由搜索算法(Free Search, FS),并将研究成果应用于传感器网络的定位估计和覆盖控制,主要研究工作如下。(1)在探讨群集智能思想起源、运行机理和数学模型的基础上,对自由搜索算法展开深入研究,研究该算法的工作机理、算法模型和算法实现,并通过仿真实验验证了该算法的有效性。另外,从生物学背景、搜索机制、仿真结果等方面对自由搜索算法和微粒群算法进行深入比较。进而,阐述了自由搜索算法的研究方向。(2)针对基本自由搜索算法存在的不足,特别是该算法对个体邻域搜索半径敏感的问题,探讨了算法的自适应策略,提出了两种改进算法：自由搜索算法的改进和自适应搜索算法。其目的是提高算法对环境的适应性和鲁棒性,兼顾全局搜索和局部搜索。实验结果表明,两种改进算法不仅能有效地克服原算法的不足,很好地避免搜索陷入局部次优,而且比原算法具有更高的收敛速度、收敛精度和寻优成功率。(3)在深入研究混合策略的基础上,提出了基于遗传算法(GA)和自由搜索算法(FS)的混合算法——粗细粒交叉搜索算法(GAFS)。在GAFS算法中,设计了粗粒交叉和细粒交叉两种算子,通过个体之间的粗粒交叉提高算法的全局搜索能力,同时在个体搜索半径内部进行的细粒交叉提高其收敛速度,从而实现了算法在“探索”与“开发”之间的动态平衡。(4)为了进一步探索混合策略的作用,有针对性地设计了粗粒交叉和克隆变异两种算子,提出了一种新的遗传微粒群算法(GAPSO)。通过粗粒交叉克服微粒群算法在寻优过程中的微粒聚集现象,使其有效地跳出局部次优,提高搜索成功率,同时利用克隆变异解决PSO算法在进化后期收敛速度变慢、收敛精度不高的问题,从而有效地提高了算法搜索能力和搜索效率。(5)在给出基于精英策略的多目标进化模型,探讨多目标进化中的种群多样性、支配队列和适应值分配等策略的基础上,拓展自由搜索算法的适用领域,构建了多目标自由搜索算法(Multiobjective Free Search Algorithm, MOFS)。在设计MOFS算法的过程中,针对多目标优化的特点：提出了一种新的适应值定义方法；重新定义灵敏度和信息素,构建了新的搜索机制；设计了算法的自适应策略；建立了外存档案,采用基于网格的多样性保持策略。并且,通过数值仿真验证了MOFS算法的正确性和高效性。(6)将自由搜索算法和多目标自由搜索算法分别应用于无线传感器网络(WSN)的节点定位和覆盖控制。节点定位是完成部署后WSN面临的首要问题,因为没有位置条件的信息毫无意义。将FS算法引入传感器网络的节点定位问题,提出了基于FS优化的智能估计节点定位算法,利用FS寻优获得未知节点坐标的最优估计。覆盖是WSN应用中的基本问题,采用合适的覆盖控制策略,可以改善WSN感知监视的服务质量(Quality of Service, QoS),同时延长网络的生命周期。本文以传感器网络的覆盖率和生命周期为目标,提出了WSN覆盖控制的多目标优化模型,将WSN的覆盖控制转化为多目标优化问题。在传感器网络的运行过程中,利用MOFS算法对其进行实时覆盖控制,并且在覆盖控制中兼顾网络能耗的区域平衡以提高网络的覆盖质量,从而保证WSN在整个监视区域中保持高覆盖率的同时,延长其生命周期。