近年来,各类新型业务,如自然语言处理、语音识别以及增强现实等的广泛应用对智能终端有限的计算能力和电池蓄电能力提出了严峻的挑战。如何提高智能终端的业务处理能力,改善用户的服务质量(Quality of Service,Qo S)成为亟需解决的问题。移动边缘计算(Mobile Edge Computing,MEC)技术通过在接入网络边缘,如蜂窝网络的基站处部署MEC服务器为用户提供任务卸载服务,可有效提升用户任务处理能力,改善用户Qo S。在支持MEC服务器任务卸载的蜂窝异构网络中,综合考虑任务特性及服务器计算和缓存能力的差异性,设计高效的任务卸载策略具有重要意义。本文针对蜂窝异构网络任务卸载策略开展研究,具体内容如下:首先介绍了研究背景及意义,进而对蜂窝异构网络的架构、特点及相关技术等,以及MEC技术的定义、相关概念及主要应用场景进行概述,并对现有文献中蜂窝异构网络任务卸载相关研究进行分析和总结。针对部署MEC服务器的蜂窝异构网络场景,提出一种基于成本优化的联合任务卸载及资源分配算法。定义任务执行成本为宏基站任务执行所需能耗以及小基站任务丢弃成本的加权和,在满足任务执行最大容忍时延以及电池电量等约束条件下,建模联合任务卸载及资源分配问题为长期任务执行成本最小化问题。所建模问题为马尔可夫决策过程(Markov Decision Process,MDP)问题,由于能量到达和任务到达过程的不可预测性,导致状态转移概率无法获取,无法采用传统MDP问题解法如值迭代法进行求解。因此,本文提出一种无模型的强化学习算法,即Q学习算法进行求解。针对传统Q学习算法收敛速度较慢以及易陷入局部最优等缺点,本文提出一种基于混沌选择策略的热启动算法,以较快的算法收敛速度,确定联合任务卸载及资源分配策略。最后,通过实验仿真验证了本文所提算法具有良好的性能。针对部署MEC服务器的蜂窝异构网络,考虑典型任务执行场景,即用户任务输入数据量由用户本地数据及网络辅助信息组成,研究联合任务卸载及缓存算法。在满足任务卸载和缓存空间等约束条件下,建模联合任务卸载及缓存问题为系统所有用户任务执行时延最小化问题。由于所建模问题为整数非线性优化问题,本文首先应用麦考密克等价将任务卸载变量和缓存变量进行解耦,进而利用拉格朗日部分松弛将解耦后的优化问题转化为三个子问题即任务卸载子问题、任务缓存子问题以及联合优化子问题。最后,针对上述三个子问题,分别采用库恩-芒克勒斯算法和次梯度算法的迭代算法进行求解,从而获得联合任务卸载及缓存优化策略。最后,通过实验仿真验证了本文所提算法的有效性。