工业互联网通过连接和整合工业生产过程的所有要素,以实现进一步提升工业自动化水平、产业再次升级和高效利用各种生产要素的目标。工业互联网场景具有海量设备连接、计算任务密集和时延敏感的特点,对现有的通信网络提出了巨大的挑战。第五代移动通信技术(5thgenerationmobilenetworks,5G)和移动边缘计算(mobileedgecomputing,MEC)可以为工业互联网提供海量、可靠的通信连接和计算卸载服务,同时保证业务的时延需求,是支撑工业互联网的关键技术。但是由于无线资源日益紧张且MEC服务器计算能力有限,如何设计最优的无线和计算资源分配策略以满足工业互联网场景的需求成为亟待解决的问题。本文对工业互联网场景的无线和计算资源分配问题的研究现状进行了系统分析,提出了机器对机器通信辅助的协作卸载MEC组网结构,并以此为基础展开了无线和计算资源的联合资源分配研究。考虑到网络中可能有较多的空闲设备,本文引入休眠调度机制,在保证网络计算资源充足的前提下,通过动态调度一些设备切换至关闭无线通信模块的休眠模式,来节省系统能耗。基于此,本文以无线、计算资源和计算任务最大时延为约束条件,以最小化系统总能耗为目标进行建模,优化休眠调度策略和无线、计算资源联合分配的问题。为解决该优化问题,本文将原优化问题分解为休眠调度策略和无线、计算资源联合分配两个子问题。然后提出了一种基于深度强化学习算法的休眠调度策略,设计了基于迭代优化的联合资源分配算法。仿真结果表明,与其他方案相比,本文所提方案可以有效降低系统总能耗;并且与随机休眠调度策略相比,本章所提的休眠调度策略在节省更多能耗的同时,更能保证系统中计算任务的执行成功率。进一步考虑到多设备同时复用子信道传输数据会导致彼此间干扰,进而降低传输速率的问题,本文考虑设备的计算任务可划分为多个子任务,占用相同子信道的两个设备通过时分复用的方式轮流传输子任务至卸载目标的卸载方案。此外,本文将计算任务执行的能耗与时延的加权和定义为系统代价。基于此,本文以最小化系统总代价为优化目标进行建模,以无线、计算资源和最大时延等为约束条件,优化卸载策略和联合资源分配的问题。为解决该优化问题,本文将深度Q网络算法和深度确定性策略梯度算法相结合,设计了一种基于深度强化学习框架的卸载策略和联合资源分配算法。仿真结果表明,与其他基准方案相比,本文所提方案和算法可以有效减小系统总代价。