随着移动终端设备数量的增长和人工智能技术的发展,移动设备对运行实时应用（如人脸识别、AR/VR）的需求大幅增加。然而,资源有限的移动设备通常无法承载此种计算密集、时延敏感的应用,导致用户体验的下降。如果采用传统的云计算解决方案,也存在传输延迟过长、流量拥塞,大量数据处理成本和通信成本高的问题。在此背景下,移动边缘计算（Mobile Edge Computing,MEC）将计算基础设施从远程云数据中心推向边缘设备,为满足移动设备实时应用的需求提供了新方案。通过移动边缘计算,移动用户可以将计算任务卸载到附近的边缘服务器（部署在基站或接入点）执行,缩短任务完成耗时的同时,减少移动设备的耗能,提升服务的质量。本文针对移动边缘计算中关联任务的卸载调度策略进行了研究,目标是通过优化关联任务的卸载和调度决策来节省移动端能耗,提升用户体验。本文主要研究了多用户-多边缘服务器场景下关联任务卸载与调度的全局优化问题和分布式博弈问题。根据任务对资源的不同占用方式（连续占用或离散轮询占用）,分别考虑了时间连续和离散两个场景,对关联任务的卸载和调度进行了建模,构建了以移动端能耗最小化为目标的全局优化问题,并分析证明该问题是一个NPHard的非线性规划问题。继而通过对该问题的转化与重构,得到了一个等价的线性规划问题,从而可以利用常规算法寻找到最优的任务卸载与调度策略。最后对所得的最优策略做了系列数值仿真,验证了关联任务卸载策略相较于本地执行与0-1卸载策略,可以显著提升系统的性能。在上述全局优化问题中,没有考虑到用户的自私性及其对资源的竞争性。因此,本文进一步考虑了真实世界中用户的自私性和竞争性,利用博弈论来分析和解决了相应的问题。具体地说,在连续和离散时间的网络模型下,分别提出了分布式的用户独立决策模式,构建了多用户任务卸载博弈模型,并分析了博弈的均衡。通过仿真,演示了两个网络模型中各用户的行为,发现离散时间模型相对于连续时间模型更能实现用户间的公平性;并将博弈均衡解与集中式的全局优化问题最优解进行了对比,发现系统的去中心化会带来少量的性能损失。综上所述,本文主要研究了在多用户多MEC服务器场景下,关联任务卸载的全局优化问题与多用户博弈问题,并求得了全局优化问题的最优解、研究了多用户博弈的均衡,为边缘计算中任务卸载与调度的后续研究提供了理论支撑。