随着5G技术的迅速普及与物联网的飞速发展,人脸识别、增强/虚拟现实等各类新兴应用应运而生,而这些应用通常都是计算密集与延迟敏感型的,这对物联网设备的计算能力以及电池容量提出了很高的要求。雾计算作为一种高效的计算模式,可以将物联网设备上的计算任务迁移到附近雾节点,为其提供额外的计算资源,从而降低物联网设备的计算负担并延长电池寿命。目前针对雾计算网络中计算迁移的相关研究层出不穷,但对于计算迁移过程中的公平性、能效性以及资源的合理分配等方面的考量并不充分。为了解决上述问题,本文研究了基于雾计算的能量高效智能计算迁移方案,主要贡献包括以下三点:1)面向雾计算网络的能耗最小化公平计算迁移机制:为了在降低物联网设备总能耗的情况下保证各个雾节点之间的公平性,提出了一种面向雾计算网络的能耗最小化公平计算迁移机制。具体地,构建了一个最小化所有任务完成总能耗的优化问题,充分考虑了任务迁移比、传输功率和雾节点选择的联合优化。基于上述优化问题,提出一个任务迁移候选目的节点集生成算法,通过二分法获得各个雾节点在相应延迟约束下的最低能耗及其对应的迁移比与传输功率。进一步,为了在低能耗与目的节点选择公平性之间取得平衡,基于公平调度指标,提出一个目的节点公平选择算法,以低能耗且公平的方式实现计算任务分配。最后,仿真结果表明,本机制可以在总能耗较低的情况下保障各个雾节点之间的公平性,较最大等效处理速率机制,平均雾节点存活率提升了10.9%。2)融合无线携能通信的可充电雾计算迁移机制:为了进一步降低物联网设备能耗并延长电池生命周期,提出了一种融合无线携能通信的可充电雾计算迁移机制。具体地,构建了一个多用户场景下最小化所有任务完成总能耗的优化问题,充分考虑了任务迁移比、传输时间和功率分割比的联合优化。基于上述非凸优化问题,提出一个基于凸差规划与加速梯度的交替优化算法,该算法运用凸差规划和交替优化理论,将非凸优化问题转化成两个凸优化子问题进行交替求解。同时,结合加速梯度下降方法,实现任务迁移比、传输时间和功率分割比等最优解的快速求解。特别地,融合无线携能通信技术,进一步降低了智能设备的能耗,延长了其生命周期。最后,仿真结果表明,所提算法具有能耗低、收敛速度快等特点,较对比方案能耗平均降低了约12.8%。3)基于深度强化学习的智能可充电雾计算迁移机制:为了满足复杂雾计算网络的动态及自适应性需求,实现计算资源的智能优化,融合无线携能通信技术,提出了一种基于深度强化学习的智能可充电雾计算迁移机制。具体地,构建了一个多用户场景下最小化所有任务完成总能耗的优化问题,充分考虑了任务迁移比、上行链路信道带宽、功率分割比以及计算资源分配的联合优化。为解决上述连续动作空间的非凸优化问题,提出一种融合通信、计算与能量采集的智能计算迁移算法,该算法基于反梯度更新的双“行动者-评论家”神经网络结构的设计可有效提升训练过程的收敛性以及稳定性。最后,仿真结果表明,所提算法可以较快地收敛且在满足延迟约束的同时有效降低了能耗。