随着新一代信息通信技术的飞速发展,无线通信与人工智能等领域进入了新的研究阶段,给全球工业产业带来了革命性的影响,工业互联网的概念应运而生。随着德国工业4.0、美国工业互联网和中国《智能制造2025》等国家层面对相关研究的大力支持,工业互联网及相关领域在世界范围内受到了广泛的关注,发展势头十分活跃。在工业互联网的数据采集与传输过程中,随着海量工业设备接入网络,数据包在网络中可能产生大量拥塞,引起传输时延和丢包率上升等网络性能方面的问题出现。同时由于工业环境、网络架构和资源分配管理模式等方面存在的问题,导致系统能耗较高而网络资源利用率较低。针对上述问题,本文从资源优化管理的角度,首先对工业无线网络中网络资源和计算资源的联合管理进行重点研究,将频谱资源分配问题建模为动态随机优化问题,并利用部分可观测马尔可夫决策过程(Partially Observable Markov Decision Process,POMDP)描述其中的动态参数,求解出最优频谱分配动作。之后本文重点研究了工业网络中数据传输时延与网络能耗的优化问题,并对动态基站资源优化管理问题进行建模。最后基于工业传感器网络特性和K-Means聚类算法提出了KMSA算法求解该动态优化问题。本文基于低功耗广域互联网和机器学习算法中的关键技术,从资源优化管理方向对工业互联网数据传输进行了深入研究,并提出自适应算法。其中在第一部分提出联合资源管理方案解决网络层中数据传输与处理的问题,第二部分针对工业无线网络中感知层的数据传输与网络能耗问题提出动态基站资源自适应管理优化方案。具体的研究内容如下:(1)基于认知无线电和边缘计算的工业无线网络联合资源管理针对现有工业网络中频谱资源不足的问题和工业数据实时性传输与处理的需求,提出一种基于认知无线电与边缘计算的工业无线网络架构。网络层中的路由器同时具有认知无线电和边缘计算能力。其中认知无线电技术可以帮助工业网络采集主网络的频谱资源,扩展可用频带解决频谱资源短缺的问题。同时利用边缘计算解决数据包在传输过程中的数据处理请求,缓解云服务器的计算压力。此外还提出了网络与计算资源联合管理方案并对网络资源分配动作建模,最后利用部分可观测马尔可夫决策过程解决模型中的动态随机参数问题。仿真结果表明本论文提出的方案能够显著提升网络吞吐量并降低传输时延,解决网络拥塞问题。(2)基于K-Means聚类算法的低功耗广域互联网自适应方法针对工业无线网络中时延敏感数据的传输时延和网络能耗共同优化的问题,提出一种基于低功耗广域互联网的三层无线网络架构。部署在传输层的智能网关可利用边缘计算协助云服务器在工业现场对数据进行预处理,同时感知层中具有自适应数据速率技术的传感器节点可根据传输距离对传输速率和功率自适应调节。此外提出了网络能耗和传输时延的优化方案,并将建模为基站资源优化管理过程,基于工业传感器网络特性和K-Means聚类算法提出了KMSA算法,利用提出的自适应算法解决该优化管理方案中的动态优化问题。仿真结果表明本论文提出方案明显优于现有方案,优化了传输时延和网络能耗,提升网络负载的均衡性,延长网络生命周期。