新兴移动应用如虚拟现实/增强现实、车联网、人工智能、高速视频流等往往要求超低的服务延迟，传统的云计算服务架构难以满足日益严苛的用户需求。边缘计算通过将资源和服务向边缘下沉，以就近执行用户任务，可以有效缓解用户设备本地计算资源不足的问题，同时避免与远端云的数据传输，从而极大地降低服务延迟，已被视为未来网络的支撑性技术之一。
　　然而与远端云相比，边缘云计算资源仍是有限的。如何合理地选择任务进行卸载，并分配合适的计算资源，以最大化边缘计算的收益逐渐成为研究热点。在这一问题上，传统最优化算法因其执行复杂度过高，在实际场景中的应用往往受到限制。对此，提出一种基于深度Q网络(Deep Q Network, DQN)的任务卸载与资源分配算法。针对任务卸载与资源分配优化问题状态-动作空间维度高的特点，通过考虑有效状态的单用户决策动作设计进行降维，并定义系统势能差作为即时奖励对动作进行评估，以引导智能体学习到最小化延迟、能耗权重和的动作选择策略。为了避免资源分配陷入过饱和状态，算法提出辅助奖励机制以鼓励更均衡的分配方案。仿真实验表明，与其他算法对比，所提算法在收敛性、系统延迟、能耗增益及卸载覆盖率上均有明显提升。
　　更进一步，通过在边缘缓存用户任务，当任务再次被请求时，无需与边缘云进行数据传输，可进一步降低延迟与能耗。针对缓存辅助的任务卸载与资源分配问题，提出基于请求模式预测与任务量感知的主动缓存策略。该策略能够有效适应任务流行度的演化，并根据任务量调整缓存优先级，以提高缓存收益。在此之上，提出基于DQN的缓存辅助卸载与资源分配算法，以适应缓存资源引入带来的差异。仿真实验验证了所提算法在请求模式预测、缓存策略有效性及系统延迟、能耗增益上的优越性。