近年来,在工业物联网中设备飞速增长的同时,所产生的巨大数据量也让云服务器不堪重负,并且无法满足低延迟的处理需求。为了降低云服务器的计算压力、数据处理的时延以及保证交互的实时性,边缘计算被引入工业物联网。随着自动导引车（Automated Guided Vehicle,AGV）技术的发展,AGV辅助的移动边缘计算被应用在工业生产中并发挥着巨大的作用。AGV能够自主收集或从物联网设备上接收数据任务,并卸载到附近的边缘服务器进行处理。然而边缘服务器有限的计算和存储能力无法满足大规模数据的处理需求,因此,对于生产的数据任务,如何合理地进行卸载分配,保证服务器资源的利用率以及处理的时延,成为亟待解决的问题之一。本文对如何优化工业物联网中多AGV的卸载调度方案进行了研究。针对非周期的临时任务卸载场景与周期性任务的任务卸载场景,分别以非周期临时任务的处理完成时间更小以及周期任务在一段时间内的任务卸载总量更多为优化目标对任务卸载方案进行优化。本文主要贡献如下:（1）针对非周期任务的卸载调度问题,考虑边缘服务器有限的计算和存储能力引发的资源冲突问题,创新地提出了一种基于深度强化学习算法（Deep QNetwork,DQN）的多AGV卸载优化算法。该算法优化了多AGV整体的卸载方案,实现了给定任务总量的情况下,处理完成时间尽可能短的目标,并且在不同环境参数的场景下测试了算法的性能。实验结果表明,本文提出的方案具有更好的性能,在类似的应用场景中具有更好的复用性。（2）针对周期任务的卸载调度问题,考虑各AGV之间的卸载影响以及各周期之间的卸载影响,创新地提出了一种结合博弈思想与异步优势动作评价算法的多AGV周期卸载优化算法。该算法优化了各AGV每个周期的卸载方案并且降低了对其他周期卸载的影响,实现了给定时间段内,多AGV卸载的任务总量尽可能多的目标。最后仿真实验表明该方法可以得到更优的多AGV多周期卸载方案,并且能够有效提高AGV卸载调度的性能。