近年来,随着科技的日新月异,物联网的规模与种类正在以令人吃惊的速度发展。物联网高速发展给人们的生活带来便利的同时,随之而来的还有算力不足、带宽昂贵、环境污染等负面问题。一方面,为了解决算力与带宽的问题,学者们提出了移动边缘计算(Mobile Edge Computing,MEC)的概念,MEC技术可以有效利用本地与MEC服务端的算力,降低计算时延,同时具有更灵活的部署空间。另一方面,对于传统供能方式带来的环境污染问题,基于射频信号(Radio Frequency,RF)的无线能量传输(Wireless Power Transfer,WPT)技术被认为是此问题的有效方法。因此,结合MEC技术与WPT技术的物联网架构能够有效解决当前物联网大规模部署面临的问题。然而,此架构也面临着诸如计算模式选择、用户调度等新挑战。基于此,对结合边缘计算与无线能量传输的物联网架构进行研究具有重要的现实意义。本文主要关注于WPT-MEC架构下用户的调度策略优化技术,从物联网设备调度策略的角度出发,围绕着最小化网络平均计算时延的目标,展开了深入的探索与研究。具体研究工作如下:第一,针对WPT-MEC架构下的物联网场景,本文研究了以最小化网络各设备平均时延为目标的调度优化问题。首先,根据边缘计算与无线能量传输的特性构建了 WPT-MEC架构下的物联网通信模型,并在能耗、计算频率等约束条件下形成了目标为最小化网络时延的优化问题,该问题存在大量可能组合且存在具有时变性的变量,难以求得最优解。本文首先使用詹森不等式(Jensen Inequality)计算出最优本地计算频率,从而得出最小本地计算时延。在此基础上,本文提出了基于Q-learning的强化学习方法进行优化问题的求解并证明了算法的收敛性。仿真结果表明,本文所提出的基于Q-learning的强化学习方法在求解此优化问题时,算法是有效的,所获得的次优解与全局最优解的误差小于0.9%。本文提出的算法能够充分利用本地端与MEC服务端的算力,有效应对信道状态衰落、计算频率变化等带来的影响,取得较优的效果。第二,针对WPT-MEC架构下的物联网场景,本文研究了在设备数据量预测的基础上,以最小化网络各设备平均时延为目标的调度优化问题。首先,本文分析了第一部分工作中存在未对物联网设备进行差异化处理的问题,此部分工作中计算的全局最优解是在限定本地设备传能时间基础上得到的,因此本文使用强化学习方法求解的结果虽然极其接近此最优解,但仍然具有优化空间。其次,本文基于实际网络通信数据特性,构建回声状态网络(Echo State Network,ESN)对物联网设备的数据量进行预测。进而,本文给出了 WPT-MEC架构下基于数据预测的物联网模型,并给出了根据预测数据决定本地设备传能时间的计算方法,基于此进行了目标为最小化网络平均时延的优化问题建模。该问题仍然存在大量组合以及具有时变性的变量,本文使用基于Q-learning的强化学习方法进行求解。仿真结果表明,本文使用ESN进行设备数据量的预测是有效的,同时,基于预测的调度算法可以在第一部分工作的基础上进一步降低网络平均时延,取得更优的效果。此部分研究工作可以帮助物联网设备根据其需求进行了差异化处理,因而具有现实意义。