移动边缘计算是解决并实现5G视觉应用的关键技术之一,主要特点是将传统云的计算资源、网络控制和存储推送到网络边缘,以更好地支持延迟敏感型应用服务。用户利用计算卸载技术将计算任务迁移到服务器端执行,扩展终端设备计算能力的同时,减少任务时延和设备能耗。高效的计算卸载方案不仅可以提高用户体验质量,还可以平衡网络负载。本文总结了近年有关移动边缘计算(Mobile Edge Computing,MEC)的研究成果,并围绕高效的计算卸载技术做进一步研究。边缘服务器计算资源相对于传统云服务器资源较少,如果卸载用户过多可能会导致网络负载失衡,还会增加用户的开销,降低用户的体验质量。因此,本文在计算资源的约束下,设计基于博弈论的功率优化计算卸载算法,该算法在经典博弈论方法的基础上结合了二分搜索法,能有效降低任务卸载过程中的传输时延和能耗,并实现了多用户计算卸载博弈的纳什均衡。仿真结果表明,本文设计基于博弈论的功率优化卸载算法性能优于传统的博弈卸载算法和自适应顺序博弈卸载算法,降低了任务时延和设备能耗,并且具有优越的计算卸载性能。当用户从一个服务器覆盖范围移动到另外一个服务器区域时,用户需要在两个服务器之间进行切换,在这种状态下,除了要考虑用户移动性问题,还要考虑服务器计算资源的可用性问题。因此,本文在单服务器的基础上,研究了多服务器网络的协作计算卸载,提出了基于Q-learning的服务器计算资源联合优化的计算卸载算法。首先,本文定义一个核心MEC服务器作为其他服务器的管理员,管理员会给其他服务器分配一定的计算资源并监管他们的资源使用情况;然后,采用Q-learning强化学习算法对系统中用户的动作和状态进行多次迭代更新;最后,基于Bellman方程,利用Q函数找到最佳的卸载策略,使用Lagrangian方法优化服务器计算资源来降低用户的卸载时延。仿真结果表明,本文提出的Q-ROA卸载算法与随机任务分配算法、启发式算法和遗传算法相比,卸载时延明显降低,从而提升了用户的体验质量。