现如今,随着移动通信技术的快速发展,移动设备需要应对更加多样化的移动应用,对于计算资源的需求也在急剧增加。传统的云计算难以满足移动设备的低时延需求,而边缘计算通过在靠近数据源产生的地方为移动设备提供计算资源,极大地缓解了移动设备对计算资源的需求压力。然而,随着移动设备数量的激增,边缘计算网络环境也日渐复杂,离线静态的计算迁移难以实现同构任务完成时延和能耗的联合优化。此外,随着移动应用复杂度以及数据规模的不断增加,对构建为异构工作流模型的复杂应用进行整体计算迁移难以保证异构工作流在规定时间内完成。因此,面向端-边协同的计算迁移和资源还面临如下两个挑战:（1）如何实现实时动态边缘网络环境下的面向同构任务的在线计算迁移;（2）如何实现基于异构工作流内部数据和控制依赖关系,实现面向异构工作流的在线计算迁移,进而实现异构工作的完成时延和完成能耗的联合优化。有鉴于此,本文将针对面向端-边协同的在线计算迁移问题进行研究。具体研究内容如下:（1）为了满足端-边协同环境下移动应用的实时处理需求,提出面向同构任务的在线计算迁移方法。总的来说,基于对边缘系统实时通信和计算资源状态、本地设备和边缘服务器的实时排队状态的综合分析,构建面向同构任务的本地设备和边缘服务器计算模型,实现对同构任务的排队时延、任务完成时延和完成能耗的综合分析,构建面向同构任务的在线计算迁移优化问题。然后,构建面向同构任务的在线计算迁移马尔科夫决策过程（Markov Decision Process,MDP）,并且基于近端策略优化（Proximal Policy Optimization,PPO）实现面向同构任务的在线计算迁移方法（PPO-based Online Computation Offloading,PCO）,在线做出面向同构任务的计算迁移决策,以实现同构任务完成时延和完成能耗的联合优化。（2）为了实现异构工作流的高效执行性能,提出面向异构工作流的在线计算迁移算法。总的来说,首先,针对异构工作流内部子任务的依赖关系进行分析,构建基于有向无环图（Directed Acyclic Graph,DAG）的异构工作流模型,针对异构工作流子任务的排队时延、完成时延和能耗的综合分析,并且建立异构工作流在端-边协同环境下的在线计算迁移优化问题。然后,构建端-边协同环境下异构工作流的在线计算迁移MDP。最后,基于双延迟深度确定性策略梯度（Twin Delayed Deep Deterministic Policy Gradient,TD3）实现面向异构工作流的在线计算迁移方法（TD3-based Online Computation Offloading for Workflow,TOW）,实现异构工作流在端-边协同环境下的在线计算迁移,进而实现异构工作流的完成时延和完成能耗的联合优化。