移动边缘计算(Mobile Edge Computing, MEC)将大量的计算和频谱资源转移到接近最终用户的地方，减少了服务时延。面向MEC的延迟敏感的人工智能(Artificial Intelligence, AI)应用，如情感识别，人脸识别等，通常受到能量消耗和计算资源的限制，不能满足QoS要求。计算卸载与迁移作为MEC关键技术之一，研究者们提出各种方案以解决MEC中的计算与通信问题。
　　然而，现有的移动边缘计算卸载和迁移方案有以下不足：1)大多数服务迁移策略是基于用户移动性的，未考虑实际计算服务的个性化和弹性分配；2)边缘节点和移动设备受限的计算和存储资源使得计算密集型应用的边缘部署难以实现，应考虑任务的分割以及细粒度协同服务放置；3)边缘计算场景下典型的时延敏感型应用，情感分析服务的计算卸载问题；4)由于用户移动性导致计算任务卸载的失败。针对以上问题，本文从以下几方面展开研究：
　　(1)针对边缘认知计算的动态服务迁移问题进行研究。考虑计算服务的弹性分配和用户移动性，本文提出了边缘认知计算架构，给出了基于Q-Learning的服务迁移学习策略。实验结果表明，与非迁移和随机迁移相比，本文提出的迁移策略有较大的性能效益，能够显著降低总体服务成本，同时能够适应移动接入模式的变化，提高服务质量。
　　(2)针对边缘云协作服务放置与迁移问题进行研究。考虑如何在资源有限的边缘设备部署计算密集型的深度学习模型，本文将复杂的任务划分为较小的子任务，并在边缘节点之间协同执行，提出了一种在边缘节点间高效部署各个子服务的协同服务放置策略。为了克服缺乏系统侧信息的挑战，我们将该问题描述为一个组合上下文多臂老虎机问题。理论分析和评估表明，该算法能够有效地学习和适应动态的网络环境和用户需求，在满足最小服务需求的同时，降低了延迟和迁移成本。
　　(3)针对基于边缘计算的多层级计算卸载问题进行研究。考虑云端部署人工智能应用的高时延问题，尤其对于时延敏感的情感分析服务，提出了基于边缘计算的情感分析服务多层级计算卸载。本文通过构造一个时延约束的能量最小化问题来实现多层之间的任务调度策略。实验结果表明，与本地执行策略、云执行策略和随机执行策略相比，多层级任务卸载策略总能找到更好的节能方案，该架构下的情感分析应用满足用户时延要求的同时降低能量消耗。
　　(4)针对边缘云中的机会计算卸载策略进行研究。考虑用户移动性导致任务卸载失败的问题，本文提出基于机会主义的计算卸载模式，基于用户移动性模型给出了时延分析和计算卸载模式选择算法。通过OPNET的仿真验证了该方案对提高移动用户服务质量的有效性和实用性，与其他计算卸载模式进行了比较，此模式能够支持用户的高移动性和保障任务时延的需求，具有较好的灵活性和更高的性能。
　　综上所述，充分利用用户的移动性以及认知计算服务的特性，本文所提出的方法，为人工智能应用服务制定动态的计算卸载与迁移策略，提供弹性的计算资源，提高了边缘云计算资源利用率和用户的服务质量。