La tecnología de contenedores permite el despliegue rápido de servicios informáticos, mientras que la informática en el borde reduce la latencia del cálculo de tareas y mejora el rendimiento. Sin embargo, existen límites en los tipos, número y rendimiento de los contenedores que pueden ser soportados por diferentes servidores de borde, y una estrategia de despliegue de tareas sensata y una respuesta rápida a la política son imprescindibles. Por lo tanto, optimizando conjuntamente las estrategias de despliegue de tareas, decisiones de descarga, caché de borde y asignación de recursos, este documento tiene como objetivo minimizar el consumo energético general de un sistema de informática en el borde móvil (MEC) compuesto por múltiples dispositivos móviles (MD) y múltiples servidores de borde integrados con diferentes contenedores. El problema se formaliza como un problema de optimización combinatoria que contiene múltiples variables discretas cuando se satisfacen las restricciones de tipo de contenedor, potencia de transmisión, latencia, estrategias de despliegue y descarga de tareas. Para resolver el problema NP-duro y lograr una respuesta rápida para una política subóptima, este documento propone una política de almacenamiento en caché y despliegue de tareas energéticamente eficiente basada en Deep Q-Learning (DQCD). En primer lugar, se completa la poda y optimización del espacio de acción exponencial que consiste en decisiones de descarga, despliegue de tareas y política de almacenamiento en caché para acelerar el entrenamiento del modelo. Luego, se completa la optimización iterativa del modelo de entrenamiento utilizando una red neuronal profunda. Finalmente, se obtienen las políticas subóptimas de despliegue de tareas, descarga y almacenamiento en caché basadas en el modelo de entrenamiento. Los resultados de la simulación demuestran que el algoritmo propuesto es capaz de hacer converger el modelo en muy pocas iteraciones y produce una gran mejora en términos de reducción del consumo energético del sistema y retraso en la respuesta de la política en comparación con otros algoritmos.