气味源定位是与气味/气体有关的救援和稽查等应用中首先要解决的核心问题,但传统气味源定位方法存在安全风险高和准确度低等缺点。因此,本文分别研究了基于多个固定传感节点的和基于多个移动传感节点的气味源定位问题,前者针对气流较稳定且需长时间监控的场景,后者气流剧烈波动的场景。所取得的主要研究成果总结如下:将融合了排序适应度分配策略的遗传算法(RFGA)和最小二乘估计相结合用于无线传感器网络(WSN)气味源定位。仿真结果表明,针对WSN气味源定位这一最小二乘估计问题,基本遗传算法无法收敛,传统单点搜索算法难以克服局部收敛问题,而RFGA具有全局收敛性且可同时准确地估计出气味源位置、释放率和环境的扩散系数。提出了两种基于随机行走理论的多移动传感节点烟羽发现方法,并加入了基于人工势场的转向角计算机制。与现有同类方法相比,所提方法具有不依赖于实时风速信息的优点。仿真结果表明,所提方法可高效地实现烟羽发现,所采用的人工势场机制有利于控制不同节点搜索不同区域,从而提高烟羽发现效率。提出了基于在线强化学习的多移动传感节点烟羽循迹方法,并通过经验共享实现了协作式强化学习。实验结果表明,与现有基于离线优化的同类方法相比,所提方法对动态气流环境具有更强的适应能力。另外,基于经验共享的协作机制可进一步提高烟羽循迹成功率。提出了一种基于行为的多移动传感节点气味源定位方法框架,并提出了将进化计算用于所提方法框架中烟羽利用行为的一般模式。在此基础上,以人工蜂群算法和遗传算法为具体的进化计算方法,分别提出了两种不同的基于进化计算的多移动传感节点气味源定位方法。仿真结果表明,利用所提框架可根据不同环境条件选择不同行为来控制传感节点的运动,所提模式可利用所采用进化计算内含的协作机制实现传感节点之间的协作,所提两种基于进化计算的多移动传感节点气味源定位方法能以较高的准确度和时间效率确定出气味源的位置。