无线传感器网络(Wireless Sensor Network,WSN)的一个重要研究领域是对网络覆盖优化问题的研究。网络覆盖优化是指通过移动传感器节点的位置实现对WSN的监测对象或监测区域的有效覆盖最大化。近年来,针对WSN覆盖优化问题的研究还停留在小规模上,传统的进化算法不能很好地解决大规模WSN覆盖优化问题。另外,关于WSN多目标覆盖优化的研究虽然起步较早,但是在相应的研究成果里对网络中每个目标的研究都是独立分开的,没有同时进行优化,从而解决的都是单目标优化问题或将多个目标适应值函数通过简单的线性加权求和。本文针对以上提出的关于WSN覆盖优化方面的两个问题展开研究,并提出相应的解决方案,设计了相应的算法:(1)在大规模区域构建无线传感器网络需要部署大量的传感器节点,相应地问题解的搜索空间也会变大。然而,“维数灾难”的存在,导致传统的进化算法不能很好地解决高维优化问题。本文针对大规模WSN覆盖优化问题提出了一种新的基于全局微分分组的合作型协同进化粒子群(an Improved Cooperative Co-evolution Global Differential Grouping Particle Swarm Optimization,ICC-GDG-PSO)算法。该算法使用了合作型协同进化(Cooperative Coevolution,CC)框架,该框架利用分治策略将原问题划分为多个子问题,并通过求解每个子问题再合并得到原问题的解。ICC-GDG-PSO算法在全局微分分组的基础上增加了随机分组,进一步更新了分组信息,最后对每组采用粒子群优化(PSO)算法进行求解。对比实验结果表明了ICC-GDG-PSO算法在大规模WSN覆盖优化上的良好性能。(2)大多数关于WSN多目标覆盖优化的研究都是独立分开的,没有对网络中的多个目标同时进行优化,从而解决的都是单目标优化问题或将多个目标适应值函数通过简单的线性加权求和,这往往会导致算法丢失一些好的解,因为网络的多个目标之间是相互影响相互冲突的,通过优化其中一个目标从而导致另一个目标被约束。因此,本文提出了一种改进的基于坐标变换的多目标进化算法(an Improved Multi-objective Evolutionary Algorithm Based on Coordinate Transformation,IMOEA/CT),在该算法中将网络覆盖率和节点的移动耗能这两个目标同时进行优化,从而使算法在单次运行后就能获得一组Pareto最优解,再根据实际需求由决策者在最优解集中挑选出最合适的WSN覆盖方式。最后,对比实验结果显示IMOEA/CT算法在WSN多目标覆盖优化问题上的优越性。