在移动边缘计算的应用场景下,边缘服务器可以提供计算和存储服务。移动设备能够将任务卸载到边缘服务器上进行执行,以加速整体的执行效率,从而满足各类场景,特别是高优先级任务场景下的严格时间约束。本研究将基于移动边缘计算的场景,着重研究在移动设备位置随时可变的情况下,如何更为合理地调度与分配计算资源。考虑到移动设备的位置并不是一直不变的,因此,很难在此前提下进行合理的调度和决策。在此基础上,本研究拟设计一种自适应的机器学习算法,以优化上述动态环境中的决策和资源分配流程。为了解决上述问题,本文提出了一种基于深度强化学习（DRL）的策略,用以来发现该场景下较优的解决方案。在该策略中,本文着重设计并实现了一种基于深度Q网络（DQN）的智能代理（Agent）,从而在多用户场景下自适应地学习有效的卸载决策和计算资源分配策略。该代理通过获取系统状态作为输入,并据此调整自身的调度策略,而无需了解移动边缘计算网络的全部信息。除此之外,DQN代理还考虑了移动边缘场景下随时间变化的工作负载。本研究将工作负载分配给各个边缘服务器,从而避免任务调度过程中在队列长期等待的情况,以进一步最大化系统收益。上述代理将被置于软件定义网络（SDN）的控制器中,以集中与整体的环境进行交互。本研究采用上述强化学习的方式,使总奖励随着时间的推移累积的最大化,使得各类任务通过模型都能获得较优的调度和执行结果。为了验证策略的有效性,本研究进行了数次仿真实验,以评估上述工作的整体效率。本实验假定了一个边缘移动计算的场景,包含若干个边缘服务器和边缘设备,这些边缘设备随机散布在边缘服务器的周围。本研究将提出的策略其他现有的三种策略进行了比较。仿真结果表明,与其他策略相比,本文提出的方案能大大降低系统的整体成本,同时具有较优的性能。