随着人工智能和物联网技术的蓬勃发展,无线网络正朝着感知、通信、计算和智能深度融合的方向发展,实现人、机、物、应用和数据服务的高效智能互联。无线网络中多元化智能应用的多样化需求不断增长,使得当前无线网络架构无法满足超低时延、高能效以及隐私安全等服务。在此背景下,边缘计算和边缘智能技术被视为有效的技术解决方案脱颖而出。然而,无线边缘计算要在无线中发挥充分的作用,需要解决在资源动态管理、分布式智能学习以及数据隐私保护方面所面临的诸多挑战。协同计算旨在充分利用终端设备、边缘节点和云端的数据和资源,提升无线网络高效性、可靠性和安全性,为解决以上挑战提供了技术途径。因此,本文结合协同计算技术,针对无线边缘网络的关键挑战,围绕无线边缘计算展开研究,具体内容和创新点概括如下:1、针对工业物联网任务低时延处理的需求问题,本文提出了一种新颖的边-端协同计算网络架构,在资源受限的工业物联网设备与边缘服务器场景设计高效的多样化任务卸载方案。首先,建立了基于边端协同计算模式的系统时延和能耗模型;其次,针对异构动态任务的不同服务质量需求,提出了重要性感知的任务划分策略;为了进一步激励工业物联网设备和边缘服务参与资源共享协作,设计了在线拍卖机制;然后,形成了以最大化系统效用为目标的联合任务卸载和资源分配优化方法;最后,提出了在线激励算法以获得最优的任务执行方式和价格更新策略,从而实现更快的任务执行效率、更高的资源利用率。理论和数值结果表明,所提出的算法不仅最大化系统效用,而且保证了激励相容性、个体的合理性、计算效率和可行性。2、针对多维异构资源管理以及多元化物联网应用需求问题,本文提出了一种基于网络孪生的端边云网络架构,并研究了面向云端、边缘服务器与终端设备的分层协同计算方案。首先,针对时延容忍型和时延敏感型任务设计了协同边缘计算和混合交替计算两种模式,以提供用户高体验质量、低延迟和超可靠服务;其次,建立通信、计算和缓存资源的系统模型,形成了以最大化系统处理效率为目标的联合分层任务卸载和多维资源分配优化问题。在此基础上,分析了在以边缘为主导的两种卸载模式下的四种任务划分场景;然后,将优化问题转换成马尔可夫决策过程,并设计了多智能体深度确定性策略梯度算法,通过分布式的隐私保护模型训练方法获得了灵活的任务卸载和资源管理策略。数值结果表明,与深度确定性策略梯度算法相比,所提算法在保证系统更低的开销的同时,提高了任务执行成功率。3、针对多层计算网络中系统异构性且动态变化问题,本文提出了一种面向大规模计算联邦学习任务调度和部署优化方案,旨在引入云雾边端协同计算技术加速联邦学习训练过程。首先,提出了一种新颖的自适应训练和聚合联邦学习框架,其中本地模型可以选择终端设备、边缘节点和雾节点进行训练,全局聚合器可以在边缘层、雾层和云层中灵活配置;其次,在多层级的FL分布式训练机制的基础上,建立了训练和聚合过程的时延和能耗模型,形成了联合训练、聚合节点选择和资源分配的优化问题,并提出了基于双延迟深度确定性策略梯度的算法,通过将数字孪生集成到多层计算网络动态感知系统状态信息,所提算法可以快速获得最佳节点选择和资源分配策略;最后,基于搭建的实验原型进行性能评估,结果表明,相比于传统的联邦学习、联邦边缘学习、随机策略和深度确定性策略梯度算法,所提算法有效减少了系统平均时延和能量开销,同时提升了准确率。4、针对边缘计算系统中统计异构性问题,本文研究了面向云边端分层协同的联邦学习模型训练优化方案。首先,分析了非独立同分布数据对分层联邦学习训练模型准确性和通信能耗的影响;在此基础上,动机性地提出了一种选择性分层联邦学习框架,通过边缘计算服务器、终端设备与云端的协同交互,巧妙地实现高准确率、低通信开销的智能化训练;然后,设计了基于“柔性策略-评价”强化学习算法的联合数据选择和通信资源分配策略,支持终端设备高效调度,实现了通信开销和学习评估损失最小化。此外,采用了本地模型漂移修正和分层同步更新机制以加速收敛。最后,仿真结果表明,所提出的算法在保证数据隐私的同时,提高了模型训练性能和通信效率。