近年来,云计算技术已经取得了巨大的进步,伴随着虚拟化技术的兴起与发展,各种计算资源通过网络传输并以云服务的形式交付给用户。快速增长的数据计算量与用户日益多样化的需求对云计算服务在处理速度与处理质量等方面的要求越来越高,然而整体面向用户服务质量的科学工作流调度能力有待提升。容器化混合云与边缘计算的出现为流程优化和资源配置带来了更大的优化空间,也对决策模型和方法提出了更高的要求。当前大多数研究局限于单一的容器集群、单一的资源配置方式,或局限于任务与虚拟机的匹配关系,因此,本文主要研究容器化边-云场景下的工作流实时调度问题。本文针对容器化边-云场景下工作流实时调度问题,考虑工作流中任务实例的先后顺序、云资源类型、任务与容器的匹配关系、容器的多模式配置等约束,结合现实云计算中工作流调度场景,在有限的云计算资源规定下,以最小化工作流周转时间为目标建立了数学模型,通过设置变量和目标函数,刻画复杂的容器化边-云场景下工作流调度问题,并为仿真系统的搭建奠定理论模型基础。参照阿里巴巴集群数据与现有仿真平台CloudSim,对边-云工作流任务调度系统的需求以及功能进行深入研究,并对其关键模块进行了分析与设计,搭建符合数学模型、反映现实容器化边-云场景的工作流调度仿真系统。同时,运用该仿真系统完成对虚拟机化调度策略与容器化调度策略的对比,突出容器化的工作流调度策略的优势。该仿真系统也可为后续相关研究提供支持或技术参考。传统的智能算法在调度计算中通常会花费大量的时间,灵活快速地解决实时状况的能力不足,不适合解决实时在线调度问题,而强化学习特别是深度强化学习在解决这种动态问题上有其优势。本文结合研究问题的性质,选择DQN算法进行改进并将其训练模型作为调度器中的调度方法,且与实时调度问题中经典启发式如先来先服务算法以及随机算法进行对比。实验结果表明,本文采用的深度强化学习算法效果不弱于经典启发式方法。最后,对当前研究的不足之处进行总结,并提出未来值得继续研究的方向。