现如今,物联网用户需求的不断增长以及相关应用的发展,给移动设备提出了更高的计算需求、带宽需求、存储需求等。但是受到电池容量以及计算能力的限制,用户不断增长的计算需求和设备有限的资源之间的矛盾成为目前移动物联网架构发展所面临的主要问题。为了解决上述问题,移动边缘计算（Mobile Edge Computing）以及无线携能通信（Simultaneous Wireless Information and Power Transfer）应运而生,并且自提出后就受到了广泛的关注,有着广泛的研究意义和应用前景。在现有研究中,大多数研究从用户角度出发,针对用户的实际体验,设计任务卸载策略,但是实际应用中,ISPs（Internet Service Providers）作为网络运营商也需要考虑相关收益问题。为此,本文着眼于运营商角度,研究面向无线携能通信场景下的任务卸载策略,以最大化运营商能量使用率为目标,建立了相应的物理模型。在求解方式上,为了解决传统算法求解复杂度过高、求解速度慢等问题,设计求解算法时引入机器学习网络自学习的特征,并使用Actor-Critic算法框架改善收敛性,提出了基于深度强化学习的任务卸载算法,提高了求解的速度,改善了解的质量。最后,通过仿真分析,验证了本文所提出的算法能够有效地提高基站能量的利用率,相较于部分卸载算法以及全卸载算法,我们所提出的卸载算法所提升的处理率分别至少达45.8%和64.2%。随着用户数量以及基站规模的增加,单小区场景下的算法局限性越发突出。本文提出了针对多小区场景下的无线携能通信任务卸载模型。针对优化问题的耦合性,将单个基站视作为单个Agent,其中每个Agent都采用深度确定性策略梯度算法来处理其连续动作问题,分别解决其对应的MDP问题。将模型重构为协作式智能体马尔科夫博弈模型,设计基于多Agent强化学习的任务卸载算法作为其解法,以提高求解速度和求解质量。通过仿真对比分析,所提出的多智能体算法性能相较于单智能体算法最少有12%的提升。