近年来随着新颖移动应用场景的发展,越来越多的计算密集型和数据密集型任务对时延敏感,移动边缘计算已经成为5G网络应对该挑战的核心技术之一。该技术通过将计算能力从中心网络下沉至网络边缘的方式,有效缩短了传输时延。在移动边缘计算环境下,用户设备可以将计算密集型或者数据密集型的任务以超低的传输时延卸载到边缘云,由边缘云为其分配计算资源并辅助执行任务计算,从而达到加速用户设备任务处理和节约用户设备能耗的目的。然而,边缘云中的通信资源、计算资源和存储资源有限,使得如何提高用户设备卸载任务的效率成为研究热点之一。本文利用软件定义网络解耦数据平面和控制平面的思想,对整个无线网络进行全局管理,并针对软件定义无线网络计算卸载问题进行了深入的研究,主要工作如下:(1)在软件定义无线网络场景下,提出了面向低能耗的多控制器部署策略。软件定义无线网络中,单个控制器自身管控能力有限,单个控制器一旦发生故障,会造成整个网络的瘫痪。针对多个控制器难以合理部署问题,基于数据场理论,提出了一种自适应的多控制器部署策略。与粒子群算法等启发式算法相比,该策略可以有效减小多控制器的平均最小传输功率,降低计算时间复杂度。同时,该策略有效提高了无线网络全局管理能力,为计算卸载服务的实现提供了高效决策平台。(2)在软件定义无线网络场景下,提出了面向低时延的多用户计算卸载服务策略。鉴于大多数无线网络中的基站都在多信道环境中工作,因此存在多个用户设备之间如何实现有效的无线接入协调以应对计算卸载的挑战。针对计算卸载的资源受限的问题,提出了面向用户设备能耗、传输时延和计算时延多约束下的资源优化分配模型及一种离散布谷鸟搜索算法。与其他启发式算法相比,该算法可以有效缩短任务卸载的平均时延。(3)在软件定义无线网络场景下,提出了面向经济效益的多用户计算卸载服务策略。针对边缘云合理定价实现利润最大化的问题,基于社会信息交互的边缘云与用户设备间效用函数,提出一种斯坦科尔伯格博弈模型,并利用动态迭代算法求出最优的纳什均衡解。仿真实验表明,该方法在完全信息和不完全信息下,可使总需求值和总效用值达到近似最优。(4)在软件定义无线网络场景下,提出了面向智能化的多用户计算卸载服务策略。边缘服务器难以准确地对具有不同指标的任务问题建模,又无法满足边缘卸载任务的动态变化。针对边缘服务器的资源管理问题,考虑边缘云的计算、通信和存储资源的环境状态,提出了一种基于深度强化学习的最优决策算法。仿真实验表明,该算法可以快速收敛到满意解。综上,本文研究了软件定义无线网络场景下的计算卸载策略,从控制平面通过合理部署多控制器提高整个网络的全局管理能力,从数据平面从低时延、经济效益和智能化三个方面提供可行的计算卸载策略,为未来软件定义无线网络场景下实现经济高效智能的任务卸载服务提供了可行的解决思路。