近年来,5G、6G产业的盛行使得窄带物联网行业适逢其会,万物互联的生态也是蔚然成风,大量的智能产品、智能应用都需要依赖于具有计算能力的服务器进行数据处理。然而,接入云端进行辅助计算虽然可以解决本地计算能力不足的问题,但是却不能满足人们对于时延与能耗的容忍度。所以边缘计算应运而生,边缘计算技术将卸载到云端辅助计算的操作下沉到用户边缘,从而减少了因为传输路径长而产生的时延与能耗,但是引入边缘计算后,不得不承认边缘端的计算能力确实比云端小。而且当边缘服务器服务的这片区域中用户的卸载计算需求过于庞大,为了保证所有用户都能进行卸载操作,边缘服务器不会将所有的计算能力都提供给单个用户,这就导致单个边缘服务器可能不足以满足计算需求大的用户进行独立卸载计算。此时,协同边缘服务的模型就此拉开序幕。因此,本文针对协同边缘计算网络中两种用户请求任务模型的计算卸载决策和最优资源分配方案进行研究。第一种是单个用户独立发出计算卸载任务请求的情况,它适用于一般场景下的用户所需的计算任务场景。首先要对用户任务进行内部组件划分,将任务的内部组件构建成具有前后随机耦合的任务调用图形式;其次对边缘服务器进行区分,分为请求边缘服务器和协同边缘服务器,此时用户组件的卸载位置就有3处:本地端、请求边缘服务器端和协同边缘服务器端;然后根据任务组件的划分情况和组件的卸载位置综合考虑任务的执行时延与能耗,分析9种卸载情况并总结其时延的特点,并进行卸载决策和资源分配的统一建模,建立优化函数,通过数学方法证明资源分配和卸载决策两部分可以进行解耦;最后利用凸优化方式进行资源分配的求解。本文提出了一种基于*搜索算法的自适应启发式搜索框架,通过改写*搜索算法的启发式函数实现搜索框架收敛性的动态调整,并利用该算法进行卸载决策的求解,最后对模型进行扩展,从两个边缘服务器的情况扩展到n个边缘服务器,此时卸载位置就由3个增加到n+1个,其搜索空间也是指数级的增长,利用本文提出的算法框架也可以完成求解。将该算法和其他传统卸载算法进行比较,保证了本文提出的模型的可行性以及算法的优质性。第二种是两个用户发出的请求任务之间存在关联性的情况,它适用于需要他人的执行结果才能进行的计算任务场景,诸如双人VR游戏、智慧交通场景下车辆与车辆之间的关联等。首先对各自任务内部进行组件划分,同样构建成一般任务调用图形式以适应随机多变的现实场景。分析考虑两个用户的依赖组件间的4种不同执行位置,再结合9种单独用户任务内部组件的执行情况,对该问题进行建模,对卸载决策和资源分配进行分析。通过调节不同权重可以适配不同的用户群体,将优化函数进行解耦,独立考虑资源分配和卸载决策。然后最小化时延与能耗的加权值,利用拉格朗日乘数法对其求解。然后再通过改进本文提出的自适应启发式搜索框架对卸载决策进行搜索求解,从而得到最优卸载决策,最后与其他搜索算法进行比较,证明该模型的可行性以及改进后的自适应启发式搜索算法框架的有效性。