随着智能设备的快速普及和物联网技术的迅猛发展,许多新兴应用（如虚拟现实、超高清视频流和自动驾驶）对计算能力提出了越来越高的要求。为了向用户提供高质量的计算服务,研究者们对传统的云计算模式进行拓展,提出了边缘计算的概念。通过在整个网络中密集地部署计算服务器,边缘计算将通信、计算和存储等功能从云端下沉到网络边缘,就近地为用户提供计算服务。相比于云计算,边缘计算中的通信距离大幅缩短,因此天生就具有低时延、高带宽、本地化的服务特征。然而,另一方面,边缘计算中单个服务器的计算资源非常有限,因此在面临突发式的任务卸载请求时,很难提供令人满意的性能表现。针对上述难题,一个行之有效的解决方案是在邻近边缘服务器之间建立合作关系,让一部分计算任务从高负载服务器转移到低负载服务器,通过负载均衡的方式,提高资源利用率并改善系统性能。然而,在现实情况中,不同边缘服务器往往属于多个服务提供商,它们之间没有相互帮助的义务。因此,边缘计算系统需要一个合理的激励机制来促进合作。由于合作场景涉及多个边缘服务器之间的相互协同,因此还需要设计新的调度算法来综合优化系统的整体性能。除此之外,不断涌现的新型应用对边缘计算的系统架构和性能指标都提出了更加具体的要求。在这些应用中,传统的调度算法往往不能满足系统架构变化所导致的额外约束,也没有考虑不同性能指标之间的差异,从而做出不可行或者次优的控制决策。为了解决上述一系列问题,本论文将基于博弈论与在线优化等理论方法,研究在不同应用场景和服务质量需求下边缘计算中的合作机制与调度算法。本论文主要研究内容可以分为以下三个方面:（1）合作边缘计算中的激励机制研究。首先,本论文扩展了合作博弈论中的沙普利值,使其适应联盟收益和卸载策略相关的情况,并基于此提出了不同服务提供商之间的收益分配机制。理论分析证明了该机制既能引导整个系统达到最优的调度决策,也能保证每个服务提供商都有参与合作的意愿。为了保护隐私,该机制还引入了利润汇总函数,使得服务提供商仅需提供该函数就可维持系统的正常运行,而不需要披露服务器配置等隐私信息。其次,本论文还研究了用户与多个合作的边缘服务器之间的激励机制。通过引入对偶变量,该机制为不同边缘服务器上的资源设置了一个动态价格,并基于该价格计算每个任务的运行成本,以决定是否要接收该任务。本论文通过分析相关调度问题最优解的结构特性,设计了具有多项式时间复杂度的求解算法。理论分析进一步证明了该激励机制拥有诸如诚实性和较好竞争比等优点。（2）合作边缘计算中具有最坏时延保障的调度算法。已有的针对合作边缘计算场景的调度算法往往只优化了所有任务的平均时延,但是对很多实际应用来说,提供最坏情况下的时延保障同样重要。为了解决这一问题,本论文研究了同质和异质任务下能够提供最坏时延保障的调度算法。算法的优化目标是在满足最坏时延保障和平均能耗约束的条件下,实现最大的系统效用。为了实现该目标,本论文改进了传统的李雅普诺夫优化理论,根据问题场景分别引入了两种不同的虚拟队列并证明可以通过限制虚拟队列的最大长度来保障最坏时延。基于理论分析,本论文对两种情况分别给出了最坏时延的一个上界,并表明这个上界和系统效用之间存在O（V）-O（1/V）的折中关系。仿真结果表明所提出的算法在保证最坏情况时延的同时也可以产生近似最优解。（3）边缘计算中不同系统架构和性能指标下的调度算法。随着物联网产业的发展,各类新兴应用对边缘计算中的系统架构和性能指标都提出了新的要求。在无线供电边缘计算中,基站不仅需要与无线设备进行数据传输,还需要发射特定射频信号为它们充能。由于这两个过程共用时间和频谱资源,因此需要设计新的调度算法来对相关决策进行协同优化。本论文首先对部分卸载模式下无线供电边缘计算网络中的能耗最小化问题进行建模,并提出了相应的联合优化问题。为了降低该联合优化问题的求解复杂度,本论文首先对其中的一部分约束进行松弛,得到多个独立子问题。在求解完每个子问题后,根据最优条件调整变量值,以得到原联合优化问题的可行解。本论文考虑的另外一个应用场景是基于边缘计算的监控系统。由于该场景对环境信息的新鲜度要求极高,系统的优化目标由任务时延转变为任务的信息年龄。本论文将在线调度问题建模为马尔科夫决策过程,并利用强化学习算法进行求解。为了提高求解效率,本论文引入后决策状态对系统状态进行分解和压缩,通过充分利用已知的系统状态信息加速强化学习算法的收敛过程。