随着智能移动终端设备的不断发展,新兴的人工智能应用(例如无人驾驶、虚拟现实、增强现实)的飞速普及,移动终端设备由于其有限的计算能力和电池容量而面临着巨大的挑战。传统的云计算具有强大的计算能力,但面对着远距离带来的响应时间和传输带宽的限制,那些计算密集型与时延敏感型应用无法得到一个良好的反馈结果。为了应对这些问题,移动边缘计算(Mobile Edge Computing,MEC)随之出现在我们面前。MEC由于其具有强大的计算资源和存储资源,并且有着距离短、高带宽、低时延和低能耗等优点,已迅速成为了未来网络发展的主流方向。MEC中的主要难题就是解决任务调度问题,而任务调度的关键就是如何进行计算卸载,这也是本文研究工作的重点。目前关于用户进行计算卸载的许多研究没有考虑到用户对于服务器的选择问题。由于在实际情况下,服务器的有限计算资源和复杂的网络环境会导致诸多问题,其资源和负载不平衡等问题成为限制服务器可伸缩性和网络性能提高的关键因素。因此,本文考虑到了服务器资源的有限性,并在任务调度过程中产生的时延及能耗方面做了综合考量,设计了一种在MEC中的智能任务调度策略,并把该策略在智能交通系统中做了相关的应用研究。本文针对在MEC环境下的任务调度问题研究如下:本文首先阐述了MEC的研究现状,并分析了当前的研究重点。其次,介绍了本文使用的相关理论和技术。然后本文对MEC中的智能任务调度策略进行了模型搭建及设计,在多用户多服务器场景下,计算卸载是任务调度的一个重要研究方向。本文首先设计了一种基于优先级的任务调度策略,为移动用户的计算卸载提供了更多的选择方案,同时也使得计算资源的分配难度提升。服务器对于每一个申请卸载请求的用户都提供一个优先级等级,在用户面对多服务器可选择计算卸载的情况下,优先选择优先级等级最高的服务器进行卸载。本方案建立了在本地计算最大时延的约束下计算卸载总成功率最大化问题的优化模型。在提出的基于优先级的任务调度策略基础上,使用强化学习中的Q-Learning算法和深度学习中的卷积神经网络,进一步设计了一种基于Deep Q-Learning的任务调度策略,对优先级算法的效率进行了提升。本文针对MEC中车载网络场景下的智能任务调度策略,模拟了一个街道场景并完成了实验。仿真实验结果表明,本文所设计的算法不仅能够显著提升计算任务的卸载成功率,还可以有效的降低任务调度过程中用户的时延与能耗。尤其是在边缘计算服务器资源紧张的情况下,本文所设计的智能任务调度策略能够充分利用服务器的计算资源与存储资源,提升整个系统的性能。