雾计算作为一种新兴计算模式,将计算能力与存储能力延伸到了网络边缘,能更好的满足工业中延时敏感的数据请求。雾节点的合理部署是影响工业雾网络服务性能的重要因素,因此有必要研究工业雾节点部署问题。本文主要研究面向典型工业应用场景的雾节点部署问题,致力于在延时、吞吐量以及连接约束等多约束条件下,实现雾节点部署成本最小化。主要研究内容包含以下三点:首先,考虑部分工厂具有明确区域划分的工业场景,建立了具有延时、连接数、带宽多约束的雾节点离散部署问题模型。然后提出一种贪婪与免疫混合算法(GIHA)求解,利用免疫算法求解雾节点选择子集,利用贪婪算法求解底层设备节点到雾节点的连接关系。GIHA通过将问题解耦成两个子问题,降低求解问题的复杂度。实验结果证明GIHA算法改进了搜索效率,随着网络规模变大,始终能得到满足所有约束条件的优质可行解。其次,考虑部分工厂雾节点位置不受限制的工业场景,建立了具有延时、连接数、带宽多约束的雾节点连续部署问题模型,然后提出基于免疫的改进K-means算法(IIKA),利用加权距离和平衡聚类解决约束限制,利用免疫算法产生初始解,避免K-means算法对初始聚类中心敏感的缺陷。实验结果表明,相比于K-means算法和免疫算法,IIKA算法能够保证解的可行性基础上,进一步优化部署成本。最后,考虑现有雾节点无法满足底层设备节点数量增长的工业场景,提出了雾节点增量部署问题模型。然后提出基于密度的启发式部署算法,将底层设备节点分为不同的簇,在每个簇内分别使用改进的K-means方法进行增量雾节点部署。算法通过密度聚类解决了K-means算法的初始解选择问题,同时将复杂问题分解为更小的子问题,降低问题复杂度。实验结果表明,与随机部署算法相比,启发式算法可以有效解决大规模的雾节点增量部署问题,具备很好的可扩展性。