边缘计算通过在网络边缘部署服务和执行计算任务以满足资源匮乏终端设备的时延敏感服务需求,合理的资源配置能够提升边缘计算资源利用率,提高边缘计算系统任务执行成功率。边缘计算中资源配置研究分为任务调度和服务放置两类,现有以任务执行时间预估为代表的任务调度方法,通过对任务执行过程进行精细建模,估计任务在不同边缘服务器执行的时间,将任务调度到预计耗时最短的服务器执行;现有以负载预测为代表的服务放置方法,通过历史负载信息预测未来负载,根据预测结果进行服务放置。然而,部分任务执行依赖于其他任务的执行结果,跨服务器任务执行时间难以预估,且多服务器间存在资源抢占问题,造成任务完成时间预估不准确;现实场景中用户请求随机产生,请求负载难以估计,造成负载预测不准确,且服务器间服务放置决策缺乏协作,存在冗余服务放置,造成资源浪费。针对任务间存在数据依赖、跨服务器任务执行时间预估困难以及多服务器资源抢占导致任务执行成功率低的问题,提出基于多智能体深度强化学习的依赖任务调度算法。首先,考虑边缘计算系统为多智能体系统,假设每个边缘服务器的依赖任务调度由一个智能体控制,每个智能体只能观测到局部状态信息,将与过去状态无关的依赖任务调度过程建模为分布式部分可观测马尔可夫决策过程。其次,使用有向无环图表示任务间的数据依赖关系,通过改进的图注意力网络,实现任务聚合与其存在依赖关系的其他任务特征,提升任务特征表示。再次,将任务特征信息与边缘服务器状态信息作为智能体策略网络的输入,通过近端策略优化算法产生任务调度决策。最后,通过反事实多智能体策略梯度架构建立多智能体间的策略协作,实现边缘服务器间依赖任务调度策略协同。本文对不同服务请求数量、任务时延容忍度和边缘服务器数量情况下的依赖任务调度过程进行了仿真实验,实验结果表明,所提算法任务执行成功率显著优于同类代表性算法,相较于Drag-JDEC算法,在不同服务请求数量的情况下,任务执行成功率平均提高6.7%。针对用户请求负载难以预测、服务器间存在冗余服务放置导致任务执行成功率低的问题,提出基于多智能体深度强化学习的服务放置与资源分配算法。首先,考虑服务放置和资源分配动作为离散-连续混合动作,将与过去状态无关的服务放置和资源分配过程建模为参数化动作马尔可夫决策过程。其次,通过多通道深度Q网络算法,实现参数化动作马尔可夫决策过程求解,采用双网络结构和经验回放技术以增强网络训练的稳定性。最后,通过QMIX架构建立多智能体间的策略协作,实现边缘服务器间服务放置与资源分配策略协同。本文对不同服务种类数量、边缘服务器计算资源数量和边缘服务器数量情况下的服务放置和资源分配过程进行了仿真实验,实验结果表明,所提算法任务执行成功率显著优于同类代表性算法,相较于PDQN算法,在不同边缘服务器数量的情况下,任务执行成功率平均提高5.2%。本文提出的基于多智能体深度强化学习的边缘计算资源配置方法分别对任务调度和服务放置两方面进行优化,实现了更高效的边缘计算资源配置,提升了边缘计算资源利用率,提高了边缘计算系统任务执行成功率。