边缘计算和物联网技术随着5G时代的来临加速发展,来自边缘的待处理数据不断增多,边缘节点恐将难以承受庞大的数据量,云边协同应运而生。一方面,云数据中心可以分担边缘节点的负载量;另一方面,云数据中心的高性能可以用于处理边缘节点无法处理的任务。边缘节点主要负责收集数据,并决定在本地处理数据还是调度到云数据中心,而云数据中心适用于数据分析、模型训练和管理边缘节点等非时延敏感型任务。因此,本文针对云边协同环境下的任务调度问题进行研究。本文首先针对具体任务属性,提出了一种基于二分匹配的任务调度策略,对所有上一时间间隔到达的边缘节点的任务进行决策,力求在满足最晚完成期限条件下最大化任务完成数量。与一般的云边协同方法不同,本文同时考虑边缘节点间的交流以及边与云的协同。由于节点任务数量众多,求解空间过于庞大,且每个节点有各自的通信范围,本人通过设计一种聚类算法,在分割边缘节点集合的同时,保证聚类内部的所有节点可以直接通信。随后,将聚类内部边缘节点转化为二分图,并设计了一种基于二分匹配的任务调度算法。高负载情况下,与其它基准算法相比,所提出的方法使满足最晚完成期限约束的任务数增加21.6%-32.1%。本文最后针对云边协同环境下的云数据中心的任务调度进行研究。使用M/M/1排队模型对任务的传输过程进行抽象描述,由于主流服务器都是多核处理器,采用M/M/c排队模型对任务的计算过程进行描述。从博弈的角度考虑任务调度问题,并将这个问题表述为多个Agent（多个边缘节点）之间的非合作博弈,每个Agent被告知其它Agent的不完全信息（调度策略）。对于每个Agent,定义了关于任务期望开销的函数作为其效用函数,并尝试在用户服务质量约束下最小化函数值。实验结果表明所提出的方法能很快收敛到纳什均衡点,与其它基准算法相比,系统开销分别平均节约9.2%、8.3%、8.5%、4.7%（异构性逐渐增加）。