随着应用要求的提高以及监测环境的复杂化,需要传感器网络具有更好的监测能力,于是无线多媒体传感器网络(Wireless Multimedia Sensor Networks, WMSNs)应运而生。无线多媒体传感器网络是在无线传感器网络(Wireless Sensor Networks, WSNs)的基础上增加了多媒体技术的一个新兴研究领域。在WMSNs的研究分支中,覆盖控制是一个重要组成部分,它反映了WMSNs对物理世界的感知能力,是否被节点良好的覆盖直接影响整个网络的服务质量(Quality of Service, QoS)。与WSNs不同,WMSNs中节点的感知具有视角性、方向性。同时,由于大多数应用都是随机部署节点,很可能在监测区域形成监测盲区以及重叠区的情况,因此节点的部署以及覆盖优化是WMSNs中非常重要的问题。本文基于无线多媒体传感器网络的有向感知模型,研究基于改进量子遗传算法的无线多媒体传感器网络的覆盖优化问题。遗传算法(Genetic Algorithm, GA)是一种具有高度并行性的自适应随机搜索优化算法,而量子遗传算法(Quantum Genetic Algorithm, QGA)是在遗传算法基础上增加了量子计算理论的一个新兴算法,相比于GA, QGA拥有收敛速度较快、种群多样且规模小、寻优能力强等优点,效率表现较为优秀。然而量子遗传算法也具有诸如收敛速度有待提高,易收敛于局部最优解、全局搜索能力欠佳等缺陷。本文基于QGA的优缺点,提出改进的QGA算法对无线多媒体传感器网络进行覆盖优化,改进算法主要从以下三个方面对传统的QGA进行改进：首先,传统QGA算法在引导种群迭代的时候只选取当前最优的染色体,这种策略由于只注重暂时最优而容易导致算法陷入局部最优解,改进的算法采用从多条最优染色体构成的集合中随机选取优化目标来引导算法迭代,这样就可以在保留算法收敛速度的同时改善其易收敛于k局部最优的情况。其次,传统QGA算法的量子旋转角的选择是固定的,其不可以根据迭代的具体情况采取变化,显得过于机械,改进算法采用自适应旋转角策略,这样就可以根据算法执行的情况选择合适的变化方式,从而达到加快算法的收敛速度的效果。最后,在QGA算法中,量子变异的过程较为简单,只是互换量子比特的概率幅值,改进算法采用新的量子变异策略来加快算法的收敛速度,避免了简单地量子变异过程带来的搜索时间延迟。实验对GA、QGA以及改进的QGA的覆盖性能进行比较、分析。仿真结果包含了节点数目、感知半径、迭代次数等因素对算法覆盖度的影响。实验表明,改进的QGA算法对于网络的覆盖优化更加优秀。