雾计算是一种离用户更近、地理分布更广、被移动用户广泛使用的新兴云计算范式。雾计算中的资源调度是一个具有挑战性的多目标优化问题。很多性能好的优化算法已经成功应用于云计算资源调度中并取得了显著的效果。而雾计算在近几年来开始逐渐被学术界密切关注,工业界也开始研究实践平台开始对雾计算平台进行创新研究,因此在雾计算环境下结合学习自动机模型对资源调度策略研究是至关重要的。随着人工智能的发展,资源调度更加需要迎合大数据的机器学习趋势使得其具备数字化、通信化、合作化、智能化和可持续性等特点。针对物联网(IoT)中的资源调度问题,将端到端延迟最小化,实现负载均衡,减少用户的花费和服务提供者的花费。首先,提出了一种基于多代理方法的“用户-雾-云”模型,该模型能够从环境中学习,并且采用了所提出的层次化结构Q学习自动机(HQLA)资源调度策略。提出了一种层次化结构Q学习自动机模型(HQLA)用于训练和学习模型参数,通过自顶向下的服务发布和自底向上用户资源调度两种方式实现了雾计算中HQLA资源调度策略。特别地,给出了自顶向下的HQLA服务发布算法和自底向上HQLA用户资源调度算法。通过加权线性回归,将雾资源调度这个多目标优化问题转化为单目标优化问题。大量的实验结果表明,该调度策略减少了用户延迟,在负载均衡较好的情况下提高了系统的执行效率,减少了用户和雾服务提供者的花费。然后,提出了基于斯塔克尔伯格博弈的雾计算服务提供者竞争机制。建立了雾服务提供者之间的竞争模型,在雾计算环境市场地位不对称的条件下,对不同雾服务提供者的投资规模和利润之间的影响进行了讨论。提出了斯塔克尔伯格雾服务提供者竞争机制模型(SFCM),在斯塔克尔伯格模型下均衡时两个服务提供者的产量的比例为2:1。进而,通过在SFCM中引入进入成本,提出了扩展的斯塔克尔伯格雾服务提供者竞争机制模型(ESFCM)。并且通过斯塔克尔伯格模型进行斯塔科尔伯格竞争,讨论了进入成本对双方策略的影响。最终得出占市场份额大的主流大型雾服务提供者有较大竞争优势和先动优势的结论。最后,提出了雾计算环境下博弈增强学习自动机(GRLA)资源调度策略。在雾计算节点的合作博弈分析中心(CGAC),通过用户竞选的方式进行用户的联盟,在用户之间进行合作博弈。提出了一种博弈增强学习自动机模型(GRLA),通过对任务的类型和数量进行统计分析管理进行数据的预处理,采用Sarsa算法与合作博弈的结果进行雾计算资源调度。提出用户竞选算法和排序竞选算法来选择具有合作潜质的代表用户,然后提出了雾计算中基于GRLA的资源调度算法。广泛的实验结果表明,所提出的雾计算中基于GRLA的资源调度策略提高了系统的整体执行速度,在根源上杜绝了资源浪费,减小了用户和雾服务提供者的花费。