本发明公开了一种基于深度强化学习的云边协同计算迁移方法，包括以下步骤：（1）构建由用户层、边缘云层和云层组成的移动边缘网络计算迁移模型；（2）边缘云层内的边缘云节点接收到用户层迁移的计算任务，根据任务分配宽带和计算资源；（3）以计算任务的时延和能耗最小作为优化目标，构建目标函数和约束；（4）构建深度神经网络模型，采用异步边缘云协同深度强化学习的方法对目标函数进行优化，得到最优的迁移决策，并返回用户层的终端执行该决策。本发明能够解决大数据场景下求解复杂组合优化的问题，解决了传统梯度优化方法存在收敛速度慢的缺点，在处理大规模数据时方法耗时更短，可以适应大数据网络数据处理时效性需求。

本发明公开了一种基于深度强化学习的云边协同计算迁移方法，包括以下步骤：（1）构建由用户层、边缘云层和云层组成的移动边缘网络计算迁移模型；（2）边缘云层内的边缘云节点接收到用户层迁移的计算任务，根据任务分配宽带和计算资源；（3）以计算任务的时延和能耗最小作为优化目标，构建目标函数和约束；（4）构建深度神经网络模型，采用异步边缘云协同深度强化学习的方法对目标函数进行优化，得到最优的迁移决策，并返回用户层的终端执行该决策。本发明能够解决大数据场景下求解复杂组合优化的问题，解决了传统梯度优化方法存在收敛速度慢的缺点，在处理大规模数据时方法耗时更短，可以适应大数据网络数据处理时效性需求。