增强现实、在线游戏以及自动驾驶等创新型移动服务的蓬勃发展,促使需要以较低时延访问计算资源以保证用户体验,而现有的集中式云系统由于其固有的传播时延而无法完全满足这些应用的低时延需求。多接入边缘计算（Multi-Access Edge Computing,MEC）通过将计算、存储以及服务等功能下沉到邻近终端用户的网络边缘侧,使得应用程序的执行更为靠近用户,从而有效减轻传输时延。其作为新兴且有前景的计算范例有望成为满足低延迟服务需求的解决方案,并以此缓解智能移动设备的物理资源瓶颈。同时,多接入边缘计算系统可以提供具有低时延、高带宽以及直接访问网络信息特点的服务平台以供智能移动设备使用。尽管许多研究已经解决了MEC系统下的计算迁移以及内容缓存问题,但关注点仍主要集中在对计算资源的有效利用上,而忽略了部分应用程序需要预先存储一些重要数据以启用服务的事实。因此,服务缓存的概念被提出以进一步优化系统服务质量（Quality of Service,Qo S）。在MEC系统中,通过服务缓存可以有效改善链路流量负载和系统Qo S。但由于服务缓存与迁移决策之间的高度耦合关系,在有限的边缘存储容量内灵活配置边缘服务缓存以提高系统性能将具有极大的挑战性。同时,5G技术的飞速发展构成了复杂的多蜂窝网络环境,其使得多个MEC服务器可以通过回程链路协作并分担计算任务,从而在系统内实现负载平衡和资源共享。针对支持MEC的多蜂窝网络环境,本文首先考虑实际应用下非对称的带宽需求,将联合服务缓存以及计算迁移的问题刻画为基站所服务用户数最大化问题。通过分析该目标优化函数符合近似次模性,提出了一种基于随机取整的配置更新算法,以最大程度上提高MEC服务器利用率。进一步的,我们通过考虑任务请求的异构性,应用程序数据的预存储以及基站之间的协作关系,来最小化MEC系统中的平均任务执行时间。在此基础上,我们将计算迁移、服务缓存和资源分配的联合优化问题刻画为混合整数非线性规划（Mixed integer nonlinear programming,MINLP）问题。为了克服优化变量之间存在的耦合关系,我们通过基于分解理论的广义Benders分解来解决该MINLP问题。此外,我们提出了一种高效的协同服务缓存和计算迁移算法,称为Gen COSCO,以提高Qo S的同时降低计算复杂度。特别地,对于固定服务缓存配置的特殊情况,提出了Fix SC算法,以通过动态的缓存更新来获得系统计算迁移策略。最后,实验仿真结果表明,本文所提出的基于随机取整的配置更新算法较其他几种基准算法相比,能够有效提高迁移到基站上的用户任务数,使得MEC系统运营商利益最大化。同时,我们所提出的联合计算迁移、服务缓存以及资源分配的框架,能够有效减少系统内计算任务的平均执行时间,在提高用户体验质量的同时减轻网络链路负担。