无线传感器网络（Wireless Sensor Networks,WSNs）作为物联网大背景迅速发展的一个新兴产物,依靠其低能耗、低成本、扩展性强等特点,在农业方面、军工方面、环境监测等方面起到了很大的作用。无线传感器网络覆盖增强问题是其中的一个重要研究领域。在实际生产和生活的应用当中,大多数的传感器节点通过随机抛撒的方式部署在指定监测区域当中,这样可能会导致网络的服务质量不能达到预期的效果。同时,WSNs可能会被部署在战场、野外等偏远地区,由于不能给传感器节点及时补给能量而导致网络瘫痪,造成严重的后果。在传感器节点重新部署的过程中,传感器节点移动消耗的能量远远大于节点之间信号传输消耗的能量。因此,本文的主要研究工作是针对无线传感器网络的节点部署问题,通过单目标优化算法和多目标优化算法对网络覆盖率和传感器节点二次部署过程中的移动距离进行优化。以下几点是本文的研究重点:（1）基于单目标蚁狮优化算法,本文提出了虚拟力扰动改进的蚁狮优化算法（Virtual Force-Directed Improved Ant Lion Optimization Algorithm,VF-IALO）。首先,提出改进的蚁狮优化算法（Improved Ant Lion Optimization,IALO）,该算法在原有蚁狮优化算法的基础上,对蚁狮重新赋值并使参与轮盘赌竞争的蚁狮数量动态化;结合连续化蚂蚁随机游走边界收缩因子的策略;动态化蚁狮和精英蚁狮两者的权重系数,实现蚂蚁位置的更新。其次,基于IALO算法,针对WSNs的网络覆盖率和传感器节点二次部署过程中移动距离的问题,本文提出VF-IALO算法,通过限制蚂蚁的随机行走范围来减少传感器节点在二次部署过程中的移动距离;介绍了传感器节点与其邻居节点、网格点以及监测区域边界之间的虚拟力,动态化蚁狮、精英蚁狮和节点虚拟力三者之间的权重关系,实现蚂蚁位置的更新。（2）基于多目标蚁狮优化算法,本文提出了一种基于快速非支配排序算法的改进的多目标蚁狮优化算法（Non-dominated Sorting Improved Multi-Objective Ant Lion Optimization,NSIMOALO）。该算法在原有多目标蚁狮优化算法的基础上,引入了NSGA-II的快速非支配排序算法和精英策略的思想;并提出了更合理的拥挤度计算方法;引入莱维飞行策略,并动态化蚁狮、精英蚁狮与莱维飞行三者之间的权重系数,以此实现蚂蚁的位置更新。（3）将本文所提的所有算法在软件上进行仿真,在标准测试函数方面的结果表明,IALO算法有效的改善了传统单目标蚁狮优化算法收敛速度较慢和易陷入局部最优解的问题,并提高了传统ALO算法的全局寻优能力。NSIMOALO算法增加了种群的多样性,且具有更高的收敛性和分布性。将两种算法用于WSNs的覆盖增强方面,算法可以在提高网络覆盖率的同时有效降低二次部署时节点的平均移动距离。