En informática de borde móvil (MEC), es difícil reconocer una solución óptima que pueda funcionar con energía limitada seleccionando la mejor ruta de comunicación y componentes. Esta investigación propuso un modelo híbrido para la formación de grupos energéticamente eficientes y una selección de cabecera (algoritmo E-CFSA) basado en redes neuronales convolucionales (CNN) y un método de agrupamiento k-medias modificado (MKM) para MEC. Utilizamos una CNN para determinar la mejor estrategia de transferencia y la partición más eficiente de una tarea específica. El método MKM tiene más de una cabecera de grupo en cada grupo para liderar. También reduce el número de ciclos de reclasificación, lo que ayuda a superar el consumo de energía y la demora durante el proceso de reclasificación. El modelo propuesto determina un conjunto de datos de entrenamiento cubriendo todos los aspectos del cálculo de la función de coste. Este conjunto de datos de entrenamiento ayuda a entrenar el modelo, lo que permite una toma de decisiones eficiente en el uso óptimo de la energía. En MEC, los grupos tienen una naturaleza dinámica y cambian frecuentemente de ubicación. A veces, esto crea obstáculos para que los grupos formen una cabecera de grupo y, finalmente, abandonen el grupo. Las cabeceras de grupo seleccionadas deben ser reconocidas correctamente y aplicadas para mantener y supervisar los grupos. El emparejamiento propuesto del método k-medias modificado con una CNN cumple este objetivo. El método propuesto, el algoritmo de agrupamiento ponderado existente (WCA) y el enfoque de rendimiento mejorado seguro basado en agentes (AB-SEP) se prueban en el conjunto de datos de red. Los resultados de nuestro experimento demuestran que el modelo híbrido propuesto es prometedor en aspectos de consumo de energía CD, sobrecarga, tasa de pérdida de paquetes, ratio de entrega de paquetes y rendimiento en comparación con enfoques existentes.