近年来,移动互联网和物联网的飞速发展催生了多种新型业务。其中计算密集型应用,如视频转码、3D在线游戏、现实增强等,会消耗大量的计算资源,产生巨大的计算能耗,并且往往需求很短的响应时延。但是,受限于计算、存储和能量等资源,终端设备往往不能独立且高效地处理这些计算密集型应用。传统的解决方案是将计算密集型应用卸载到云计算中心进行处理。然而,这种方式不仅会带来大量的数据传输,对容量有限的上下行带宽造成巨大压力,还会导致较长的响应时延和较大的通信能耗开销,影响用户的应用体验。在这种背景下,移动边缘计算(Mobile Edge Computing,MEC)应运而生。通过在靠近终端用户的边缘服务器上部署计算、存储等资源,MEC可以提供具有近域特性的计算环境,解决传统基于云计算的计算卸载中时延过长、终端能耗过高、带宽压力过大等问题。不同于简单的通信和计算行为,计算卸载过程同时涉及通信和计算两种资源,并产生“此消彼长”的通信开销和计算开销。不合理的卸载策略不但会降低计算卸载在能耗和时延方面的增益,严重时甚至会造成性能损失。因此,如何通过合理的资源管控来折中卸载过程中的计算开销和通信开销是充分挖掘MEC系统增益的关键所在。另外,区别于云计算中心,边缘服务器往往受限于通信、计算、存储等资源。因此,当单一边缘服务器无法高效处理计算密集型应用时,就需要多边缘服务器进行协同计算。以第五代移动通信系统(The 5th Generation Mobile Communication,5G)中主流的视频业务为例。视频转码的引入使得视频分发模式从单一的“存储-传输”变成了灵活的“存储/计算-传输”,而多边缘服务器协同处理视频转码进一步丰富了视频分发模式的多样性,这大大提升了视频缓存的有效性。但是,边缘服务器之间如何协同计算并没有固定的策略,不同的协作策略会产生不同的增益和开销。因此,考虑多边缘服务器视频请求到达动态差异性,如何设计高效的协作方案来协调边缘服务器之间的通信、计算和存储负载是高效资源管控算法设计面临的一个严峻挑战。鉴于以上原因,本文致力于研究移动边缘计算场景中高效的异质资源联合调度策略,分别从计算卸载和协同计算两方面展开工作。这里,异质资源指通信资源、计算资源和存储资源。针对计算卸载场景,本文提出计算速率和通信功率统一调整以及个体卸载行为和群体资源分配动态匹配这两种方法,来提升终端设备的应用体验,如减少能耗、降低时延等。针对多边缘服务器协同计算提供视频服务的场景,本文提出视频缓存和分发统一调整的方法,来降低内容接入时延。本文的主要研究内容概括如下:1.针对单用户计算卸载场景,提出了计算速率和通信功率统一调整的方法,解决了终端能耗最小化以及时延最小化的问题。具体地,本地和边缘服务器之间的并行计算会造成卸载操作具有耦合特性。通过挖掘该耦合特性,并对其中涉及的计算开销和通信开销进行数学表征,本文将终端能耗最小化问题和时延最小化问题建模为两个非凸问题。针对这两个问题,分别设计了基于变量代换和坐标轮询技术的高效折中通信开销和计算开销的算法。区别于传统的算法,本文设计的算法可以充分利用终端用户的动态电压调整(Dynamic Voltage Scaling,DVS)技术来降低终端能耗和时延。此外,理论证明,本文针对能耗最小化问题提出的算法可以达到全局最优解,而针对时延最小化问题提出的算法可以达到局部最优解。最后,仿真结果验证了理论分析的正确性和所提算法的有效性。本文的研究是计算卸载方面的基础研究,揭示了计算卸载存在增益的条件,为后续计算卸载在更加复杂场景中的研究提供理论指导。2.针对多用户计算卸载场景,提出了个体卸载行为和群体资源分配动态匹配的方法,解决了终端能耗加权和最小化的问题。具体地,多用户计算卸载操作除了因并行计算而耦合,还会因竞争有限资源而进一步耦合。通过深入挖掘该双重耦合的特性,本文将多用户卸载系统中终端能耗加权和最小化问题建模为一个优化问题,并设计了一个高性能、低复杂度的卸载算法。该算法通过反复调整各个用户的卸载比例以及通信与计算资源的分配方案,最终实现个体卸载行为和群体资源分配之间的匹配,从而降低系统中终端用户的能耗加权和。最终,仿真结果表明所提算法具有很好的收敛性、有效性和低复杂性,可以很好的应用于实际系统。相比于其他算法,所提算法可以在个体卸载行为和群体资源分配之间取得更好的匹配,降低系统中终端用户的能耗加权和。3.针对多边缘服务器协同计算提供视频服务的场景,提出了视频缓存和分发统一调整的方法,解决了视频内容接入时延最小化的问题。具体地,鉴于视频存储和分发之间的耦合关系,本文联合考虑慢时间尺度上的视频协作存储策略和快时间尺度上的视频协作分发策略,将内容接入时延最小化问题建模为一个双时间尺度的随机整数线性规划问题。并且,设计了一个基于样本平均近似的两步算法进行问题求解。该算法首先依据慢时间尺度上视频请求到达的统计信息和预期的视频分发策略来设计视频存储策略,然后依据快时间尺度上的真实请求设计视频分发策略。最终,仿真结果验证了所提算法在降低内容接入时延和提高存储命中率方面的优势。