在移动边缘计算(Mobile Edge Computing,MEC)中,服务分配和服务迁移是进行服务调度的两个重要手段。MEC服务器与用户极为靠近,这使得用户可以无缝接入运行在边缘设备上的服务。由于服务器存储和计算等硬件资源限制以及用户分布的不均匀性,导致可以同时运行的服务数量有限,在服务分配时存在着网络延迟高,以及各个服务器间负载不均衡的问题。由于用户移动性是随机的,在服务跟随用户迁移的过程中,存在着对是否进行迁移及迁移目标选择的盲目性,进而引起迁移开销较大的问题。因此,针对MEC场景下的服务分配和服务迁移进行研究,具有重要的研究意义。本文分别从MEC下的服务分配和服务迁移两个角度总结并分析了相关理论及研究现状。针对服务分配中存在的网络延迟高及各个服务器间负载不均衡的问题,本文提出了一种基于簇划分机制的服务分配算法。在该方法中,首先根据各个子区域的服务请求量和位置分布情况,将整个区域划分为多个簇。然后通过k-medoids聚类方法进行基于服务器存储空间及带宽约束下的服务初始化分配。最后通过计算各个子区域上服务流行度及负载信息的差异情况,对初始分配进行动态调整。与传统启发式算法相比,提高了 MEC服务器间的负载均衡程度约20%。其次,为了解决服务迁移中对是否进行迁移及迁移目标选择的盲目性引起的迁移开销较大的问题,本文提出了一个基于强化学习的服务迁移决策方法。首先将服务迁移视为马尔可夫决策过程。在此基础上,结合通信开销、迁移开销、用户移动方向以及服务器可用资源的影响,定义了收益函数。最后通过模拟用户移动数据训练确定迁移决策。仿真结果表明,该方法起到了减少迁移开销的作用。