近年来,全球正在进行最新一轮的工业革命和科技革新,工业互联网作为制造业与新一代信息技术深度融合的产物,也在不断寻求发展突破,这为世界各国经济发展与产业融合注入了新动能。在工业互联网中,云计算和边缘计算是起到支撑性作用的两项关键技术。近年来,云计算与边缘计算联合的端边云协同系统成为重要的发展趋势,端边云协同的核心是任务的卸载问题与资源的分配问题,高效协同的含义即为制定高效的计算卸载与资源优化策略,这也是推动工业互联网进一步发展的重中之重。与此同时,巨大的发展机遇也带来了更多的挑战,随着智能化设备的发展与升级,为本地终端设备带来一定的计算能力的同时也带来了海量的非结构化数据。但是,现有工作仍存在着一定的不足:不能高效整合云计算和边缘计算模式,缺乏针对端边云三层协同卸载策略的研究;在工业互联网场景下,对智能化的计算卸载与资源联合优化策略的研究较为薄弱,且传统算法难以对动态变化的系统环境做出有效的应对策略。针对以上问题,本文对端边云协同机制下的计算任务卸载和资源优化策略展开了研究:（1）针对云计算和边缘计算高效协同的问题,本文设计了一种本地设备、边缘服务器和中心云服务器三层协同的系统模型,综合考虑各层设备的资源使用和剩余情况,并对各个层级进行了通信模型和计算模型的定义。相比于单层的仅本地计算、仅边缘计算、仅云计算的系统架构和两层的云边系统架构,本文所提的端边云三层协同的系统架构能够在任务数量多少改变时保持较为稳定的系统完成时延,能够满足计算任务的时延敏感度需求,能够对本地设备、边缘服务器以及中心云服务器的资源进行相对最优的调配。（2）针对计算任务小规模并发时的计算卸载与资源优化问题,本文提出了一种基于改进蜉蝣算法的计算任务卸载与资源优化策略,通过在标准蜉蝣算法中引入惯性因子、变异机制和禁忌搜索,提高了种群迭代前期的局部寻优能力和后期的整体寻优能力,可避免陷入局部极值,同时减少高维扰动。与其他元启发式算法相比,能够更快更优地进行计算任务卸载与资源优化决策。（3）针对时延敏感型任务大规模并发时的计算卸载与资源优化问题,本文将深度强化学习算法中的深度确定性策略梯度和快速粒子群算法相结合,加入考虑系统更新状态后所面临的边缘服务器之间协同时的任务再分配问题,提出了一种基于深度强化学习的计算任务卸载与资源优化策略（DDPG-APSO）,该模型可进行离线训练与更新,以满足任务的时延需求,并可综合考虑系统时延与能耗进行最优化求解。