在工业互联网中,部署了大量的边缘节点,每一个边缘节点的计算资源存在差异,架构简单,只能处理一些简单任务;同时存在大量的数据需要及时处理,有些数据处理是十分复杂,如果使用普通服务端处理需要大量时间与费用。通过在边缘节点上部署人工智能模型,可以解决复杂数据处理难题,然而如果使用以往边缘计算的调度算法进行寻求任务调度的最优解往往十分困难。为解决AI模型部署在工业互联网终端设备面临的算力不足的问题,本文提出将AI模型部署在边缘服务器节点作为资源供给侧,通过节点算力和AI模型联合出租的新型模式,降低AI模型冗余度,提高边缘资源利用率。本论文主要的研究内容如下:（1）为满足终端用户数据处理的需求,本文搭建了任务-决策平台-节点三方调度平台,设计了基于数据、基于模型、基于算力三者权衡定价机制,具有高度可解释性,以任务调度合理、高效率、高质量完成为前提,实现节点总体利益最大化和负载均衡加权最优的目标。与一般的拍卖机制相异之处在于,该平台用反向拍卖机制,且允许一个节点同时竞争多个任务,可使得多任务并行处理,降低延迟等待时间,更具实时性。（2）为了实现节点总体利益最大化和负载均衡加权最优的目标最优化,基于任务-决策平台-节点三方调度平台,本文提出了新的调度方法。该方法以所有任务按时按质完成为基准,综合任务、边缘节点、全局收益等重要指标进行调度,在任务与节点双方利益之间取得相对平衡,采用遗传算法进行求解,并进行了大量实验。在20个节点,40个任务竞争的网络实验中,完成36个任务,任务完成质量评估值是0.94,任务惩罚评估值是0.08,工作节点历史声誉评估值是0.71,全局收益上评估值是0.96,相较其他方法均是最优。通过实验对比证明,所提出的方法能够保证利益最大化的同时,保证任务高质量、高效率完成,而且工作节点的负载均衡达到最优。