随着新一代信息技术的快速发展，计算机系统架构正经历着从集中式向分布式、从静态化向智能化的深刻变革。在物联网、人工智能和5G通信技术深度融合的背景下，传统网络架构在处理海量异构数据、保障实时性服务以及提升系统鲁棒性方面面临严峻挑战。本文针对大规模异构计算环境下的资源调度优化问题，提出基于深度强化学习的动态资源分配框架，通过构建多智能体协同决策模型，有效解决了现有静态调度策略在动态负载变化时的适应性不足问题。

在系统架构设计层面，我们创新性地引入时空注意力机制，通过融合网络拓扑特征与时间序列数据，建立了多维度的资源状态表征模型。实验环境采用NS-3与TensorFlow联合仿真平台，模拟包含1000+节点的异构物联网网络，对比传统遗传算法、Q-learning等基准方法，在通信延迟降低23.6%、计算资源利用率提升41.2%的指标上取得突破性进展。特别是在突发流量场景下，系统展现出93.7%的稳定性保持率，较现有方案提升近15个百分点。

研究过程中发现，动态环境中的策略漂移现象是制约系统性能的关键因素。为此，我们设计了双通道在线学习机制：主通道负责快速适应当前环境，辅通道通过记忆回放模块持续优化长期策略。在智慧城市交通调度应用中，该框架成功将信号灯优化响应时间从传统方案的8.2秒缩短至1.4秒，同时降低30%的能源消耗。实验数据表明，模型在连续20000步的强化训练中策略收敛速度提升2.8倍，泛化能力达到92.4%。

理论分析部分，我们通过构建马尔可夫决策过程（MDP）数学模型，证明了新算法在有限状态空间下的最优性。采用Lyapunov稳定性理论分析系统收敛性，推导出ε-贪心策略的更新阈值范围，为算法工程化落地提供理论支撑。在安全增强方面，创新性地将同态加密技术与差分隐私相结合，构建了可验证的分布式决策协议，在保护用户隐私的前提下实现跨域资源协同。

当前研究仍存在若干待解决问题：大规模分布式环境下的通信开销仍需进一步优化；其次，模型在跨平台迁移时存在约12%的性能衰减；最后，动态环境中的长尾效应尚未完全解决。后续工作将重点突破联邦学习框架下的模型压缩技术，探索基于知识蒸馏的轻量化部署方案，同时研究量子计算加速的分布式优化算法。建议未来研究可重点关注6G通信与边缘计算的深度融合，构建支持空天地海协同的智能网络架构，为构建自主进化的智能社会提供关键技术支撑。