边缘计算作为第五代移动通信技术（5G）的核心技术之一,正受到业界内越来越多的关注和研究。它的特点是能将计算任务从联网设备卸载到边缘云,并且能高效利用边缘服务器的计算和存储资源为边缘侧用户提供各种优质的服务。随着移动设备的普及和物联网的发展,以移动设备和物联网设备为主的联网设备的数量正成爆发式增长。在面对众多来自联网设备的计算任务时,我们需要一项技术来保证系统的效率和稳定,这项技术就是工作流调度。借助工作流调度,我们可以充分利用服务器资源来处理众多的计算任务,并且保证服务器资源利用的最大化以及任务最大完成时间的最小化。在边缘计算环境下,众多的边缘服务器为计算任务提供了足够的计算资源。同时,因为5G的出现和靠近设备的服务器,数据传输的时延被大大降低,直接缩短了任务的最大完成时间。但是,众多的边缘服务器和计算任务将导致问题求解规模扩大,极大提高了工作流调度的难度。除此之外,由于服务器本身的性能存在波动,把服务器性能数据当作定值处理的传统方法无法保证调度结果的最终可靠性。在本文中,我们首先研究了边缘计算中几种重要的体系架构,体系架构决定了系统的底层物理模型,这对后续的问题建模有着重要的影响。从计算任务的角度出发,我们要优化所有计算任务的整体最大完成时间;从服务器的角度考虑,我们要优化服务器的总运行成本。因此,本文研究的是一个工作流调度的多目标优化问题。由于服务器的性能并非稳定的。为了保证调度算法的可靠性,我们提出了一种基于概率分布的服务器性能模型（PDSPM）,该模型可以利用历史性能数据来更好的表征服务器性能的波动。得益于深度强化学习在大规模决策问题上的优秀表现,本文提出了一种基于Deep-Q-network（DQN）的新型工作流调度算法,并研究了可行的改进方案。通过结合PDSPM,该算法能够保证在服务器性能波动下最大概率得到可靠的调度结果。为了验证本文提出的模型和算法,我们使用了著名的科学工作流模版和边缘计算公开数据集,并进行了充分的案例研究和模拟实验,最后与热门调度算法进行了对比。结果表明,本文提出的算法在设定的两个优化目标上优于其他的对比算法。