根据传感器规模大、密度高以及能源有限等特点,已有研究提出一种分级分布式的大规模物联网架构,该网络架构中大量无源终端节点根据处理能力不同分为同质终端和异质终端。本文基于该网络架构,利用具有边缘智能计算能力的有源汇聚节点,对无源终端节点进行休眠调度,实现既能满足任务本身需求,又能减少能耗,延长网络生存周期的目的。针对子网中同质终端的最优覆盖问题,本文引入区域覆盖贡献概念,将在大范围内选择最优覆盖子集的问题转化为基底粒子的选择问题,并有机的结合仿生学算法中的粒子群算法,综合考虑网络生存周期、区域感知覆盖率以及迭代成本等因素,针对分级分布式的大规模物联网架构,提出了基于同质终端的最小覆盖子集休眠调度算法。为了实现整个网络的负载均衡,对粒子群算法进行了优化,设定了两个约束条件以验证基底粒子是否合法,在算法迭代过程中,基于基底粒子的合法性对非法粒子矩阵进行校正。最后,将仿真结果与传统的粒子群算法和贪婪算法做了性能对比,证明本算法在大规模场景下,能既满足任务覆盖率又能有效延长网络生存周期,同时具有较好的算法效率。在多跳网络中执行协同任务需要相当大的处理能力,这通常超出单个终端的能力。本文将协同任务划分为具有空间限制和不具空间限制的子任务,子任务之间的依赖性保证了整个任务的协同性。将不同子任务分配到多个异质终端上并行执行显然是一种很好的解决方案。而每个终端处理能力不同,多跳无线通信也会制约相互具有依赖性的子任务执行。故本文针对分级分布式的大规模物联网架构,提出基于遗传算法的任务映射方案,根据子任务的空间限制以及终端节点间最短路由,该方案仅考虑最具成本效益的部分终端节点并行处理子任务。另外,为了系统稳定性、网络寿命以及任务完成的时间约束,推导出混合适应度函数并将其嵌入到算法中。最后,将仿真结果与贪心算法和多优化目标任务分配算法对比,证明本算法在大规模部署的情况下,能综合考虑能耗均衡、调度周期、超时率、网络生存周期、系统可靠性等多个优化目标并表现良好。