物联网技术旨在实现万物互联的网络,因此终端设备,包括传感器、智能设备等层出不穷。然而由于终端设备往往具有较低的计算能力和较低的存储容量,以及有限的电池容量,在其上进行数据分析是不太现实的。在这样的物联网大数据环境下,通过引入云计算技术,可以解决数据处理的问题。通过云计算作为纽带,有望实现物联终端到智能应用的落地。然而云平台资源也不是取之不尽用之不竭的,并且物联终端与云平台之间海量的数据传输给通信链路和网络环境带来了压力。为了平衡物联终端有限能力与网络资源管理效率之间的矛盾,深入开展物联网中的任务调度与资源分配策略研究具有十分重要的意义。为此,本论文拟基于物联网人工智能应用背景开展任务调度与资源分配策略研究,重点探讨云边协同下高效的任务调度与资源分配策略,以适应动态的物联上下文环境,从而提高网络资源管理效率和用户服务体验质量。现有的物联网人工智能应用研究依赖线下的数据处理和分析模式。考虑物联网人工智能应用在云计算中的部署受到实际环境的限制,包括通信方式、数据处理和分析方法以及领域专业人员的参与等。本文针对面向物联网人工智能应用的边缘计算系统展开了研究。首先介绍了智慧城市和智慧医疗中物联网人工智能应用案例,并且提出了边缘人工智能系统框架,同时讨论了边缘人工智能系统在接入管理、网络管理、安全和隐私以及应用管理方面需要考虑的问题。接着给出了一个边缘皮肤疾病识别系统案例,包括皮肤数据库构建、皮肤病分类模型训练和系统时延测试等内容。最后抽象了边缘人工智能系统模型,设计了终端-边缘云-云任务调度场景下的系统效用目标,并且评估了关键目标变量对系统效用的影响。将云计算应用下发和部署到网络边缘,可以使得任务计算结果快速发回物联终端。然而由于云和边缘云计算资源的异构性,再加上多边缘云环境计算与通信过程的复杂性,使得现有任务放置方案难以适用。本文进行了一种云边协同计算中供需收益最大化的任务放置策略研究。首先提出了基于深度强化学习控制器的云边协同计算框架。接着通过分析云边协同计算环境下的任务模型,同时从用户收益和服务商收益角度构建了系统服务质量模型。通过同时利用Q表和深度Q网络算法对目标问题进行分析,提出了协作任务放置深度强化学习算法。最后通过实验表明所提方法对云和边缘云的计算代价以及多边缘云间的通信代价都有很好的学习能力,并且相比于Q表学习方法、随机计算方法和云计算方法达到了10%的系统效用提升。现有的计算服务模式无法满足动态的物联上下文环境要求,包括终端任务的多样性,以及链路质量、网络资源的随机性等,这为设计新型的计算范式带来了挑战。本文进行了一种云边通信系统中分布式竞争与协作的任务卸载策略研究。首先提出了基于分布式强化学习的卸载计算框架。接着从影响服务质量的服务时延和终端能耗角度建立了用户任务计算效用目标。通过将用户任务计算收益优化转化为部分可观测的分布式卸载计算强化学习问题,提出了基于分布式强化学习的卸载计算算法。最后通过实验表明所提方法对于物联终端间,以及物联终端与云服务器间的交互信息有很好的学习能力,相较于其他分布式卸载计算方法展示出了更高的系统效用,并且与中心化卸载计算算法相比缩短了60%的计算时间。满足服务质量要求的物联终端接入方案也是智能物联网中的关键问题。无线信道状态信息随机的环境下,用户服务质量要求为多终端无线接入带来了难题。本文进行了一种多任务通信系统中服务质量感知的资源分配策略研究。首先给出了物联终端和云环境下的数据交互过程。接着基于公平性准则,推导了用户对的最小传输速率数学表达式,并且建立了用户服务质量和系统资源容量约束的系统传输和速率优化模型。考虑时隙可用空间是有限的,将目标问题转化为凸优化问题并通过KKT条件和贪婪策略进行了求解。最后在瑞利衰落和莱斯衰落信道环境下进行了仿真实验,实验结果表明所提多用户对的动态资源分配方法相比单一能量资源分配、单一时间资源分配和单用户对这三种方法来说,系统传输和速率有显著提高。