随着无线通信技术的发展,将大量的计算任务从无线设备传输到附近的接入点或基站成为可能,这触发了有意义的云计算应用,例如在线游戏、虚拟/增强现实和实时媒体流。移动边缘计算通过在用户端部署计算服务器,避免将应用程序生成的流量回溯到远程数据中心,为用户和边缘服务器之间架起桥梁提供了一种有效的方法。它减少了执行计算任务的延迟,并为那些对延迟敏感的云计算应用程序节省了能源消耗,然而,当移动边缘网络中有多个边缘服务器和移动设备可用时,如何进行计算分流决策是一个挑战。本文针对单边缘服务器网络和多边缘服务器网络设计了基于深度学习的分流策略,主要成果如下:1.针对单边缘服务器网络,本文研究了移动边缘网络中,多个无线设备选择将其计算任务分流到一个边缘服务器。为了节约能源,保持无线设备的服务质量,将联合分流决策和带宽分配优化问题转化为混合整数规划问题。然而,该问题在计算上受到维数的限制,一般的优化工具无法有效地解决这一问题,特别是对于大规模的无线设备。本文提出了一种基于分布式深度学习的移动边缘网络分流算法,该算法利用多个并行深度神经网络生成分流决策。我们采用共享重放记忆池来存储新生成的分流决策,从而进一步训练和改进所有深度神经网络。大量的数值结果表明,提出的分布式深度学习分流(Distributed Deep Learning Offloading,DDLO)算法可以在不到一秒的时间内生成近似最优的分流决策。2.针对多边缘服务器网络,本文研究了移动边缘网络中,多个无线设备将其计算任务转移到多个边缘服务器和一个云服务器上。考虑到不同无线设备下不同的实时计算任务,每个任务都决定在其无线设备上本地处理,或者分流到一个边缘服务器或云服务器上处理。为了保证移动边缘网络的服务质量,降低无线设备的能耗,研究了一种低复杂度的计算分流算法。针对移动边缘网络,分别研究了基于线性规划松弛(LR-based)算法和基于分布式深度学习的DDLO算法。我们进一步提出了一个异构的DDLO算法来获得比原始DDLO更好的收敛性能。大量的数值结果表明,DDLO算法比基于LR-based算法具有更好的性能保证。最后,通过python的图形库pyqt5进行GUI可视化,将DDLO算法以及异构的DDLO算法训练过程展现出来,以可视化方式展示我们的最优分流决策,为用户提供我们的模型接口以方便用户使用。