随着万物互联和5G高带宽、低时延时代的到来,车联网、智能制造、智慧城市、智能家居等产业的数据量呈现爆炸式增长,对计算设施带来了实时性、低能耗和安全性等方面的挑战。如何在大数据背景下提高网络中复杂应用请求的实时性,并有效节省网络耗能是目前的研究重点。边缘计算在靠近数据源的网络边缘提供智能服务,既提高了应用请求的响应速度、保护隐私数据,又节省了网络流量。由于边缘网络中的应用请求越来越复杂化和多样化,单个智能设备有限的计算、存储和服务能力远远不能满足复杂应用的需求,如何在靠近数据源的网络边缘协调多个操作服务节点对海量数据完成一次处理、分析整合及智能预测等功能需求是本文研究的重点。针对边缘网络中如何提高复杂应用请求的实时性和节能性等问题,从三方面展开研究,为每个复杂应用构建最小边缘簇,封装可行解矩阵,实例化操作服务组合。主要研究内容如下:首先,根据应用请求拓扑结构树上的数据处理要求,采用多阶段最短路径算法构建最小边缘簇,过滤掉搜索区域中不合理的操作服务,得到满足应用请求的所有可行解组合,并对可行解上的操作服务节点进行封装。其次,对所有可行解上包含的操作服务节点进行实例化。其中操作服务节点的约束条件有时空约束和能量约束,并基于应用拓扑树分析连续操作服务节点选择时的优先级策略。可行解上操作服务节点进行组合时,从激活耗能、延时耗能和传输耗能三方面进行分析,并构建操作服务组合问题模型。然后,将实例化后的操作服务组合带入启发式算法进行迭代,在边缘簇范围内搜索最优的操作组合的过程是一个多目标最优化问题,本文采用灰狼优化算法和粒子群算法进行求解。最后,分别在边缘簇范围和整个搜索区域内进行实验,并从适应度函数值、平均能量消耗和最小剩余能量三个方面对实验结果进行对比分析。证明了本文所构建的最小边缘簇加快了解的收敛速度,可行解的实例化机制增强了灰狼优化算法的鲁棒性和稳定性,满足了请求响应的实时、节能目标。