云计算是一种基于网络的计算范式,可以把计算资源、存储资源和网络资源集中到云端数据中心统一处理。云计算在一定程度上解决了设备内存不足、算力薄弱、效率低下等问题。但随着用户设备数量的增加,延迟也在增加,以致客户需求得不到及时满足。边缘服务器是桥接云和用户的一种有效的方式。通过边缘计算,一些工作负载可以从云端卸载到边缘端,从而减轻云中心的压力,节省带宽,提升用户满意度。这对智能交通、智能安全分析等时延敏感的应用都非常有利。边、云计算之间不是竞争关系,而是有利的相互辅助。相对于云端服务器,边缘端服务器计算资源较少,网络带宽不足。当系统中的用户提出需求任务,计算任务是在本地执行还是卸载到边缘服务器或云端,移动设备应进行规划,这是边缘计算中的核心问题—任务卸载。当任务到达边缘服务器后,任务的执行需要数据,而边缘服务器的内存资源有限,数据的长时间存储将导致较大的存储代价,如何在网络边缘侧,利用有限资源进行数据缓存来完成周围用户的实时请求也是边缘计算中的重点研究方向。该问题被称之为缓存问题。任务卸载与数据缓存是边云计算调度中非常基础的两类优化问题,都与资源分配息息相关。首先,本论文将传统的卸载模型扩展到一个更加一般化的异构卸载模型。在传统的卸载问题研究中,系统中不同侧的任何两个任务之间的通信成本通常被认为是对称的,而同一侧的通信成本往往被忽略。在本文中,我们将传统模型进行了泛化,考虑通信成本无处不在,并且不同侧的通信成本是不对称的。借助半定松弛,我们给出了一个求解卸载问题的算法。当卸载问题的拉普拉斯矩阵是半正定的,算法的近似比为（?）。其次,我们通过在服务器之间将单个数据项扩展到多个数据项来研究数据缓存问题。对于同构模型和带约束的次模模型,我们提出了一种数据缓存策略来最小化系统的总传输和缓存成本。此外,对于半异构模型,可以通过我们之前研究工作[134]中的预期缓存（AC）算法来求解。并且,发现应用该算法,缓存问题中的三个模型的性能比可以更有效地提高。最后,基于单数据项的数据缓存问题,我们考虑在系统中增加数据中心功能。虽然边缘节点可以为周围的用户提供一定的可访问存储和计算资源,但是边缘服务器的资源是有限的,有时必须通过从其他服务器转移或从云端的数据中心购买来获取数据。传统的研究中,数据中心只是作为购买数据的场所,购买后数据始终可供买家调用。然而,在很多实际应用场景中,数据的使用往往有期限约束,或者当买家购买数据后,只提供有限次的免费数据调用。基于这一假设,本论文研究了边缘云协同系统中以总成本最小化为目标的数据缓存问题。在不知道用户未来请求信息的情况下,我们提出了一种在线算法。通过严格的理论分析,我们证明该算法在最坏情况下的渐近竞争比为3。