由于物联网应用往往伴随着复杂多变的物理环境，各种外部干扰和内部节点的原因都有可能导致物联网感知层终端采集的数据不可靠，因此，高效的物联网需要具备有自组织、容错性与动态自适应调整能力的节点部署和调度策略，才能保证数据采集的稳定性与可靠性。随着物联网应用的普及，对于网络部署的优化往往需要考虑的指标包括节点的覆盖质量，节点个数，网络运行周期等，然而现有理论研究的很多系统模型及网络性能评价指标并不能很好地反映真实的网络工作状态，采取的部署方法都具有一定的局限性。本研究从覆盖和能量两个指标入手，结合启发式群体算法的特点，将其应用到覆盖控制优化中，提出了一个覆盖率和休眠率加权的优化模型。根据粒子群在局部搜索方面的优化能力和遗传算法在全局快速搜索的优势，将二者融合到优化部署策略中，使得网络节点在覆盖率达到一定要求的同时，提高冗余节点的休眠率，使网络能量更加均衡。　　在大规模无线传感器网络中，一般的节点冗余判别方法仅适应于区域内部节点，对于监控区域边界的节点判别缺少有效控制，导致网络中出现的不均等休眠的问题。虽然有学者提出了各种边界节点判别方法，但是大部分采用基于节点位置的调度方法，对于资源匮乏的传感器节点来说，往往需要付出更多资源的代价。本文第四章引入了容忍覆盖区域模型，针对基于无位置信息的节点调度，在冗余判别阶段加入剩余能量因子作为判别条件，提高了网络的能量均衡。提出了一种预休眠节点调度算法，通过节点之间发送预休眠包，根据节点休眠权重，选举出冗余覆盖的预休眠节点作为每一轮调度周期的休眠节点，节省能量的同时，保证网络的覆盖质量。　　最后利用MATLAB仿真软件，建立实验数据模型，比较粒子群算法和遗传算法在覆盖优化问题中的实验结果，并对第三章提出的加权启发式部署优化方法进行实验，实验结果表明，该方法比纯粒子群算法优化有更好的效果。为解决部署优化问题提出了新的启发式解决思路。针对第四章提出的预休眠冗余节点调度算法，本文做了详细的实验，仿真实验表明，本算法比TCA算法有更好的覆盖控制能力，工作节点效率更高，有效地延长网络的生存周期。