随着社会经济和科学技术的进步,高计算需求与复杂应用推动着高性能超级计算系统的发展。由于云计算资源的超大规模、高可靠性、通用性、高可扩展等特性,云计算已经作为一种商业计算模型来满足市场的需求和推动社会技术进步。随着移动终端电子设备的大规模增加以及其高质量需求,边缘计算的概念被提出。边缘计算基于网络功能虚拟化（Network Function Virtualization,NFV）、软件定义网络（Software Defined Network,SDN）的性质将云计算能力和云存储能力下沉到网络边缘节点,减少网络操作和延迟服务交付,从而提升用户服务质量体验。在云/边缘环境下,无论是用户还是提供商,都希望获得最大效益。然而随着用户规模的快速增加以及用户需求的多样性,效益最大化这个目标更加难以实现。计算资源的服务特性要求其不断满足用户日益多样化的需求,因此,合理的服务机制不仅能满足用户的各种任务需求,还能最大程度的提高资源利用率,避免资源的浪费和闲置。博弈论是对智能理性决策者之间的冲突与合作的数学模型的研究。它在计算机科学中扮演着越来越重要的角色,例如非合作博弈和合作博弈。本文围绕云/边缘环境下基于博弈理论的资源分配问题展开工作,分别研究了云计算资源中的云提供商合理资源定价问题、带有截止期限的多云用户联合资源购买问题以及带有有限计算能力资源的边缘计算为多用户合理配置资源的问题。本文的主要工作和创新点如下:（1）基于非合作博弈的多属性云计算资源竞价算法。针对云计算中多属性资源供应问题,提出一种基于非合作博弈关于云用户和提供商组成的利润最大化的价格竞价算法。利用层次分析法对每个用户分析多属性偏好来最终确定提供商的服务质量,进而提出一种新颖的关于服务质量和竞价的激励性资源购买模型。然后,结合用户的资源购买模型,将提供商的价格竞价问题转化为一个博弈模型来为每个云提供商找到合适的价格。为了找到纳什均衡解,提出了一种均衡解迭代（Equalization Solution Iterative,ESI）算法,该算法被证明可以收敛到纳什均衡。最后,提出了一种近均衡价格竞价算法（Near-equalization Price Bidding algorithm,NPB）,并对获得的纳什均衡解进行修正。（2）时间约束感知的云计算资源联合采购博弈论方法。针对大量云用户根据云提供商的优惠政策以合作购买云资源来降低购买成本问题,提出一种启发式截止日期约束的资源联盟分配（Deadline-constrained Resource Coalition Allocation,DRCA）算法。设计了一个合作购买平台（Cooperative Purchase Platform,CPP）,用来接收用户的资源请求,然后根据请求相同资源类型的用户进行分类,计算用户的合作方案,最后反馈给用户的合作结果。建立了一个基于多用户资源采购的联盟博弈,证明了联盟博弈中存在满足个人稳定性和群体稳定性的独特最优解决方案。另外,最佳解决方案是这样一种解决方案,其中每个联盟的选定服务程序可以优化每位用户的成本并最大化资源利用率。提出了一种回溯算法,通过改进矩阵装箱问题来计算所提供程序的伪最大资源利用率。然后,提出了一种启发式截止日期约束的资源联盟分配算法,以计算接近最优的解决方案。（3）基于博弈论的边缘计算任务卸载算法。针对有限计算能力的移动边缘计算中面对多个设备的任务请求怎样将计算资源分配给设备来达到最大化其所服务设备的数量的问题,提出了一种基于非合作博弈的计算任务卸载（Game-based Computation Offloading,GCO）算法。分别设计了贪心剪枝算法,以确定可以将任务卸载到移动边缘有限计算的设备的数目最大。同时,每个设备可以通过他的传输功率控制策略来竞争移动边缘计算的计算资源。将多个设备的任务卸载问题以非合作博弈来建立模型,每个玩家都希望最大化自己的利益。证明了提出的博弈模型的纳什均衡解的存在,并且从GCO算法获得的发射功率序列解收敛于均衡解。（4）云/边缘计算资源分配算法在智能交通领域的应用。在第3至第5章所提出的云/边缘计算资源分配算法的基础上,首先讨论交通大数据领域的不同交通视频监控应用对云计算资源的使用需求偏好,使用多属性云计算资源竞价算法为各应用分配最优资源采购方案。接着,讨论时效性感知的交通数据分析业务的时间约束和成本约束,使用云计算资源联合采购算法为各个应用购买满足约束的最低成本的云计算资源。最后,讨论交通数据分析业务等的计算需求,使用边缘计算任务卸载算法将移动设备的计算负载动态卸载到最近的边缘节点,提高业务处理效率。