通过在边缘部署存储服务,将云端的数据存储在边缘,以允许终端设备高速访问这些数据,从而降低数据访问的延迟。但在边缘环境中,边缘服务器的内部复杂机制、用户与边缘服务器的距离不同以及动态网络都会对系统的服务质量产生影响。副本选择策略作为一种广泛使用的提高系统服务质量的请求调度方法,通过为请求选择延迟最低的边缘服务器,能够有效降低每个请求的处理时延。然而,现有的基于客户端的分散选择方法因其缺少完整的服务器状态信息,导致对服务器延迟估计不准确,且多选择节点难以协调容易出现负载振荡,这些都会导致请求延迟升高;现有的基于中心节点的集中选择方法因其存在请求转发,将引入额外的延迟开销。为降低边缘环境中请求处理延迟,设计了一个基于多代理强化学习的副本选择策略（Multi-Agent Reinforcement Learning-Based Replica Selection,MARLRS）。针对上述副本选择机制问题,设计了一种基于服务端排名的集中副本选择机制。通过在服务器之间维护一份服务器排名并分发给客户端的方式,副本选择具有完整的服务器状态信息且没有转发延迟开销。然后,针对边缘环境中存在多种影响系统服务质量的因素,使用神经网络建立高维的性能模型,设计了一种基于多代理强化学习的性能建模方法。并通过对基础模型的结构和数据流进行调整,从而能够在云和边缘部署不同的网络结构加速副本选择策略的调整,且减少云和边缘的数据传输开销。最后考虑到副本放置位置将影响副本的选择,设计了一种基于排名期望的副本放置（Ranking Expectation-Based Replica Placement,RERP）优化方法。根据服务器排名的期望,调整副本的放置位置,从而使得请求能够选择更低延迟的服务器。面向边缘应用工作负载,使用真实移动数据和YCSB中的数据访问负载进行实验。实验结果表明,MARLRS与最新的基于客户端的方法和基于中心节点的方法相比,平均延迟分别减少了2.47%～8.89%和10.07%～13.72%;结合RERP的MARLRS方法与单独的MARLRS方法相比,平均延迟减少了2.57%～5.51%。