随着移动智能终端以及新兴的人工智能应用(如自动导航、人脸识别等)的普及和发展,移动设备由于计算能力低、电池容量有限而遇到了巨大的挑战。传统的云计算有很强的计算能力,但面临着响应延迟长、回程带宽受限的问题,为了克服这些困难,移动边缘计算(Mobile Edge Computing,MEC)应需而生。MEC具有很强的计算能力,与此同时,MEC具有高带宽、低延迟、低成本等优点。现有的MEC研究较多考虑降低用户时延、能耗等成本,而忽略了经济因素,但经济因素在卸载决策中的地位至关重要。在分布式决策场景中,用户竞争资源,用户间的决策相互影响,服务器端实际的计算速率有限,而现有文献的考虑较为理想化;且现实中用户受到信令开销限制,不一定能得到全局信息。除此之外,传统的分布式非合作卸载策略都考虑少量设备,因为增多设备会增加系统控制的开销,这些卸载方案的开销会随着设备的数量增大而快速增加。本文首先调查了 MEC的研究现状,分析了当前研究的关注点及不足之处,这是本文进行研究的原因及切入点。其次介绍了本研究所利用的理论工具,包括匹配理论,排队论,演化博弈论,为研究奠定基础。接下来,本文研究了基于匹配理论的任务卸载策略,优化用户与计算、通信资源间的分配方案,以使系统中用户的满意度最大化。将MEC与D2D通信(Device-to-Device Communications)联合考虑,提出了性价比的概念并用它衡量用户满意度,根据用户的任务特征设定价格预算方案,遵循“优质优价”原则设计计算、通信资源的收费方案。引入图论中匹配的概念,设计Improved-KM(Improved Kuhn-Munkras)算法,MBOS(Matching Based Offloading Strategy)算法,优化用户、载波、帮助者之间的分配方案。仿真结果表明,本算法可以实现用户、通信资源、两种计算资源的高效分配,显著提高了系统中用户的满意度。最后,本文研究了基于种群演化博弈的任务卸载策略,设计PGBOS(Population Game Based Offloading Strategy)算法以实现分布式决策下每个用户最小化其成本的目标。传统博弈理论中部分假设并不现实,且只适用于少量用户的场景,因此引入演化博弈模型,将个体决策的演化转换为种群状态空间演化进行考量。使用动态演进策略进行种群演化,考虑了服务器处理速度有限的情况,并设计了相应方案以降低排队时延。仿真结果表明,该算法可以使系统中用户的平均成本显著降低。同时,该算法可以节约信令开销,对用户数量不敏感,更具有现实意义。