随着无线通信技术和软件技术的发展,虚拟现实/增强现实(VR/AR)等大量新型智能应用和业务相继涌现,对时延和处理性能提出了更高的要求。单纯地在数据传输侧进行优化已经不能满足用户对新型业务的服务需求。传统云计算系统虽然可以为用户提供充足的计算资源,但是由于其离用户较远,势必造成较大的往返时延。边缘计算(Edge computing)系统的出现为解决上述问题提供了可能。边缘计算通过将云计算功能下沉到网络边缘,不仅支持高效的数据传输、缓存功能,还提供了充足的计算能力,能够明显的提升服务的时延、能耗性能。但是,包含计算、缓存、传输在内的多维资源受限,以及未来网络大规模设备连接的趋势和业务服务性能要求,使得针对有限多维资源的整合和合理分配日益重要。密集化的小区部署使得用户移动性所带来的小区切换更为频繁,极易引发任务卸载失败;多维资源的异构性和分配失衡同时制约边缘计算系统性能的提升;设备到设备(D2D)网络中设备的请求异构性和临近性使得基于D2D分布式卸载成为缓解计算卸载压力的重要途径。使得基于此,本文以资源分配相关理论和方法为基础,从用户移动性分析、缓存-计算-传输融合、包含设备分布式计算的多模式协同卸载三个方面研究边缘计算系统中的任务卸载及资源分配问题。本文的主要内容概括如下:第一,研究基于用户移动性分析的任务卸载及资源优化问题。首先,根据用户移动性将用户分为强移动用户和弱移动用户,并构建一个用户收益最大化的优化问题。该问题是混合离散非凸优化问题,在这个问题中联合考虑用户接入分配策略、全双工基站功率分配策略、用户卸载策略、服务器计算资源分配策略。其次,考虑强移动用户容易发生小区切换,从而造成任务卸载失败的问题,利用指数分布对用户逗留时间进行建模,根据该类用户的逗留时间分布,设计计算资源优化和卸载比例优化策略,保证尽可能地在用户离开基站前能够将基站所处理任务的结果发回给用户。通过分析,确定该类用户的最佳卸载比例,从而使得该问题转化为线性优化问题(LP),得到快速求解。再次,针对弱移动用户,考虑优化问题非凸性和求解的复杂性,将该问题分解。证明对于原优化问题的最优卸载比例和资源优化问题的凹凸性。引入拉格朗日对偶法来解决资源优化问题,得到最优的功率分配因子和计算资源分配因子。然后将资源优化问题与用户接入分配问题进行联合,提出基于贪心策略的联合优化算法。仿真结果通过与多种算法对比证明了所提的方案和算法具有较好的性能。第二,研究缓存增强的边缘系统中的任务卸载及资源分配问题。首先,根据用户请求时间和流量的特点,将缓存问题和任务卸载及资源优化问题分为两个场景进行讨论。针对第一个场景,利用随机理论对用户服从泊松分布下随机缓存所产生的卸载时延和能耗进行建模,并构建了效用最大化问题。针对缓存优化场景的非凸性,提出基于遗传的随机缓存算法以获得次优解。其次,依照第一个场景的效用函数构成,对任务卸载及资源优化问题进行建模。在该问题中,考虑用户卸载策略、计算资源分配策略、卸载模式选择策略的联合优化。由于原问题是非凸的,我们将该问题分解为三个子问题:用户接入问题、卸载模式选择问题、资源分配问题。最后,分别提出基于收益函数的用户接入算法、基于拉格朗日对偶的资源分配算法,并重新将各子问题联合,利用博弈论提出基于迭代的联合优化算法以获得全局解决方案。通过大量的仿真并与多种算法对比证明了所提的算法具有较好的性能。第三,研究基于D2D分布式计算的多模式协同任务卸载及资源分配问题。首先,研究包含计算、传输、缓存在内的多维资源整合的多用户边缘计算框架,提出四种协同计算模式。该框架能够针对用户卸载需求,结合四种任务卸载模式各自的特点进行任务卸载权衡和合理调度,从而提升系统计算、传输、缓存资源的利用率。其次,构建服务时延与能耗权衡后的系统代价函数,并以最小化系统服务代价为目标构建优化问题。在优化问题中考虑了多协同模式选择策略与卸载任务比例分配、计算资源分配、缓存资源分配的联合优化。最后,考虑到该联合优化问题为多变量、高维度的0-1混合非凸优化问题,通过问题的简化分解将原问题分割。然后针对四种协同卸载模式,通过理论分析获得了各模式下的最优卸载任务比例和资源分配方案。进而利用博弈论,通过迭代方法获得了包含卸载模式选择策略在内的联合优化问题的最优解。通过仿真实验,将本方案与其他相关方案对比,说明了本方案的性能,并对实验结果分析和讨论。