随着移动通信产业的高速发展,人们对于更低时延和更加丰富的移动应用需求与日俱增。因此,为了提供更加多样更高质量的应用服务,摆脱用户设备的资源限制,移动边缘计算（Mobile Edge Computing,MEC）应运而生。移动边缘计算是将计算能力从云端下沉到网络边缘节点（MEC节点）,用户通过接入这些边缘节点获取需要的服务。由于大量智能设备的涌入,需要大量的MEC节点提供相应的服务。然而部署过多的MEC节点会造成成本浪费,而MEC节点数量不足的则需要将用户请求进行远距离调度或者等待近距离但负载较重的MEC节点来处理,这将大大增加用户请求响应时延。因此,如何放置MEC节点,使其能在动态变化的网络状态下为用户提供高质量服务并控制运营商成本成为亟待解决的问题。基于上述问题,本文从满足用户需求同时最小化运营成本的角度出发,设计了基于在线调整的MEC节点放置机制。在此基础上,考虑到用户对于服务的多样化需求并防止远端云出现负担过重的情况,设计了基于联邦强化学习的MEC服务放置机制。具体研究内容如下:（1）MEC节点放置机制。该机制由MEC节点的初始放置以及MEC节点的在线调整两部分组成。首先,考虑到网络初期的用户需求和网络特性,基于节点历史平均负载情况,将节点的初始放置问题构建为一类集合覆盖问题,利用深度优先搜索的回溯算法,得出最优的MEC节点初始放置策略。随着网络状态的不断变化,当节点放置策略无法满足要求时,需要对节点的放置进行调整。以用户QoE作为重要指标,通过模糊神经网络做出调整时机的判断。并在考虑多项约束的情况下基于深度Q网络（Deep Q Network,DQN）算法进行节点放置调整的智能决策。仿真结果表明本文所设计的节点放置机制能够在动态环境下保证服务质量的同时最小化运营成本。（2）MEC服务放置机制。考虑到用户对MEC服务更加多样化的需求以及远端云负担较重的情况,结合更加智能化通信网络的研究趋势,设计了基于联邦强化学习的MEC服务放置机制。该机制考虑最小化时延和成本,以及数据共享时的隐私安全问题。同时,为了解决节点资源有限的问题,考虑了节点间的协作。该机制将单个节点视为智能体,并利用强化学习来进行自身的缓存及协作决策。与此同时,通过结合联邦学习训练出对环境适应力更强的决策模型。考虑到分布式的节点间的非完全信息环境可能导致资源竞争的问题,设计了基于优先级的冲突缓解策略,通过对存在冲突的节点智能体按优先级执行相应决策,避免了由于同时竞争资源造成的冲突。仿真结果表明本文所提的服务放置机制能节约更多运营商成本同时使智能体拥有更快的训练速度和环境适应力。