随着物联网（Internet of Things,IoT）技术的迅猛发展,越来越多的移动设备需要运行计算密集型任务并接入互联网。然而,由于移动设备通常仅具有有限的电池工作寿命和计算资源,从而导致其无法胜任计算密集型任务的处理工作。如何解决设备终端资源受限与日益复杂的应用服务之间的矛盾已成为通信和互联网领域亟需面临的挑战。受到云计算、雾计算等服务计算框架的启发,一种新型的计算范式——移动边缘计算（Mobile Edge Computing,MEC）应运而生。移动边缘计算采用“在临近用户的网络边缘部署服务资源”的思路,具有低能耗、低延迟、规避核心网拥塞等优点。本文面向多用户-单边缘服务器场景、边云协作的多用户多边缘服务器场景,以能耗、延迟、效用收益等为目标,开展卸载数据、功率控制、资源分配、任务划分卸载决策等研究。取得的主要创新研究成果如下:1.针对移动设备忽视信道与边缘云计算资源而导致卸载性能低下乃至任务失败问题,提出了一种有限资源下的能源高效型计算卸载决策方法。首先,采用动态电压缩放和依据移动设备的延迟容忍构建了最佳卸载数据量和本地设备最优计算频率的模型;其次,通过信道资源分配建立了最佳卸载数据量和移动设备发射功率的模型,以及信道资源与最佳卸载数据量的模型;最后,将多变量卸载决策优化问题转换为单变量优化问题,并基于内罚函数法进行求解,提高了卸载策略的实际可行性以及资源配置的效率。仿真对比分析结果表明,提出的方法具有良好的扩展性,并在节约能耗方面具有明显的优势。2.针对现有定价策略平均分配边缘云计算资源而忽略用户需求差异问题,提出了一种边缘云卸载决策和Stackelberg博弈定价有机融合的一种新方法。首先,采用Stackelberg博弈理论建立了用户最佳卸载数据量和购买最佳计算资源块数量的模型,将用户的多变量卸载决策问题转换为单变量优化问题,使用户的卸载决策问题得到简化,并证明了纳什均衡的存在性;其次,运用KKT条件实现了用户购买最优计算资源块的卸载决策,建立了边缘云定价和购买最优计算资源块的决策模型,确立了边缘云定价的上下界;最后,基于动态规划的边缘云定价卸载算法将边缘云计算资源以适当粒度进行颗粒化,实现了边缘云效用最优定价和各用户自身效用的最大化。仿真对比分析结果表明,提出的方法不但实现了边缘云效用和用户效用的均衡,而且具有良好的收敛性和可扩展性。3.针对边云协同中多边缘服务器的计算能力未得到充分利用问题,提出了一种基于蚁群算法的多边缘卸载决策优化策略。依据排队论思想并以能耗和时延性能最小化为目标,对移动设备的服务请求卸载速率、边缘云和中心云服务请求到达速率进行了协同建模,以及证明了边缘云服务请求存在最优到达速率;采用二分查找迭代方法对边缘云集群和中心云的服务请求到达速率进行决策,并利用蚁群算法实现了移动设备卸载速率的寻优和服务请求的合理分配,提高了资源的利用效率。仿真对比分析结果表明,提出的方法卸载决策不但能适应更复杂的工况,而且系统综合开销得到降低。