随着物联网(Internet of Things,Io T)和5G技术的发展,低时延和高可靠的新型应用(例如,虚拟现实,增强现实和远程手术)不断涌现。这些应用普遍都具有消耗大量计算资源且要求用户设备能够快速处理计算任务以实时响应。为此,移动边缘计算(Mobile Edge Computing,MEC)应运而生。在MEC系统中,将基站和接入节点加入计算服务体系,在网络边缘部署拥有高计算能力的服务器以提供类似云计算的服务,用户设备通过卸载自身任务给MEC服务器,能有效降低用户设备的计算能耗和计算延迟。结合移动边缘卸载技术和设备间通信(Device to Device,D2D)技术,设备可以直接将计算任务卸载至邻近的设备,有望进一步降低时延和传输能耗。如何实现设备间任务卸载的计算和通信资源优化配置是当前亟待解决的重要课题。在此背景下,以设备能耗最小化为准则,本论文开展了移动边缘计算中的高能效设备间动态任务卸载的研究。本论文考虑两个用户设备的基础系统,针对动态任务到达的计算需求,在有限的计算截止时间内,通过设备间通信技术实现用户之间的相互计算任务卸载,使设备可以在有限时间内互相协助对方的任务处理。总结本文的主要工作,如下所示。(1)在用户计算任务信息完全已知的离线场景下,本论文通过对D2D协同计算系统的建模、时延约束条件分析,以设备能耗最小化为准则,建立凸优化问题模型。借助凸优化理论,我们获得该问题的最优解结构。最优结构表明:用户的本地计算中央处理器频率随时间单调递增;本地计算中央处理器频率的上升与用户缓存的清空相关;任务卸载的单向地由计算每比特能耗高的一方传输给另一方。数值仿真证明了我们的联合优化设计方案的有效性,在大多数场景下都能达到比其他非联合优化方案更好的性能。(2)在用户计算任务状态信息非完全已知的在线场景下,基于已知和估计的用户计算任务状态信息知识,在离线场景最优任务卸载结构启发下,本论文提出了低计算复杂度的滑动窗口在线算法方案。数值仿真验证所提算法的有效性,并优于其他未利用计算任务状态信息的在线方案。