作为获取信息的重要手段,无线传感器网络因其布设便捷、自组织、环境适应性强等优点成为森林、草场等广阔区域的重要监测措施。本文围绕无线传感器网络的传感器布局和调度进行研究。首先根据节点感知特点和布局问题的子模性,建立基于互信息的概率布局模型。为提高布局的鲁棒性,减少节点不确定性造成的监测效果损失,提出基于CVa R(Conditional Value at Risk)互信息布局模型和OS(Ordered Searching)-LE(Lazy Evaluation)-Greedy算法。然后,对节点不确定性中无人机部署误差的传感器布局问题作进一步优化,提出基于互信息的误差补偿传感器布局模型,并提出SOG(Submodular Online Greedy)算法减少部署误差对后续节点的部署影响。最后,将传感器布局和调度优化结合,提出基于互信息的均匀布局—调度模型,并改进传统分组算法提出BG(Balanced Grouping)算法,完成对传感器布局和调度的同时优化。本文的主要工作如下:(1)提出基于CVa R的互信息布局模型和OS-LE-Greedy算法。针对节点存在不确定情况如何保证传感器布局取得最优效果的问题,本文在初始部署时考虑节点存在的不确定性,设计基于CVa R的互信息布局模型以最小化这种不确定性对传感器网络布局效果的影响。同时改进传统贪婪算法,根据模型中参数对全局最优解有序搜索,并引入lazy evaluation减小算法的时间复杂度,以快速有效获得模型的最优解。实验表明,OS-LEGreedy算法获取的互信息较传统算法和随机部署方法分别提高14.2%和68.4%,且在节点死亡以及节点偏离预期位置情况下,基于CVa R的互信息布局模型造成的损失小于传统子模效益模型的损失。(2)提出基于互信息的误差补偿传感器布局模型和SOG算法。根据无人机部署布局存在的部署误差,本文提出基于互信息的误差补偿传感器布局模型,节点实际部署位置为考虑误差后的预期位置和偏差量之和。为得到考虑误差后的预期部署位置,本文提出SOG算法,以预期部署位置和实际部署位置间的协方差为输入,每次选择令网络互信息增加最多的节点作为下一个部署位置。实验表明,SOG算法实际部署网络的互信息分别达到传统贪婪算法和随机部署方法的133.34%和174.36%,且补偿模型的实际布局效果更接近于预期效果。(3)提出基于互信息的均匀布局—调度模型和BG算法。对传感器布局与调度优化,采用同时布局—调度的思想,在布局初期将传感器网络分组,建立基于互信息的均匀布局—调度模型,通过最大化监测效果最差组的互信息以优化结合传感器布局与调度。为完成均衡调度,本文提出BG算法对每组以阈值c为基准再分配。实验表明,基于互信息的布局—调度模型的互信息明显大于先布局—再调度模型的互信息,且BG算法分组后每组互信息相差不大,说明所提模型和算法保证监测效果的同时可有效延长网络寿命。