智能终端设备的普及加速促进了移动云计算技术的发展,云计算应用于移动环境,可显著增强资源受限的移动终端的计算处理能力,并且减少系统开销。但是,由于云服务器通常距离用户较远,这导致网络时延大,无法适用于时延敏感型业务。于是,一种在移动网络的边缘提供存储和计算能力的网络架构——移动边缘计算(Mobile Edge Computing,MEC)被提出。移动边缘计算通过将存储和计算能力下沉到距离用户更近的网络边缘,可以支持移动边缘缓存和移动边缘业务卸载两种应用场景。然而,移动边缘计算在第五代(The Fifth Generation,5G)移动通信系统中的应用存在诸多难题。一方面,在移动边缘缓存场景中,如何选取缓存的内容是影响缓存性能的关键问题。另一方面,在移动边缘计算场景下,计算任务的灵活卸载决策是亟待解决的难题之一。此外,缓存和计算能力的联合应用也是未来研究方向之一。针对上述问题,本文将开展移动边缘计算下缓存、卸载决策以及缓存与卸载相结合的理论技术研究。本文的主要创新工作及成果如下:(1)基于用户兴趣和内容流行趋势的缓存内容预测问题研究:针对移动边缘缓存场景下内容流行度变化快的问题,本文提出了联合考虑用户兴趣和内容流行趋势的缓存内容预测算法。首先,根据用户历史信息,采用多种机器学习算法预测用户对于不同种类内容的兴趣,选取最优算法。其次,为了捕捉内容流行度随时间的变化,提出了一种内容流行趋势系数的计算算法。进一步地,在每个决策周期后,为了利用后验信息调整内容流行度分数,设计了一种基于排名的内容流行度修正策略。仿真结果显示该算法在选取的数据集上缓存空间大小为2.24%总内容数量时,缓存命中率能达到38%,优于传统的缓存策略。(2)基于强化学习(Reinforcement Learning,RL)的三层移动计算网络的业务卸载问题研究:针对移动网络场景中存在动态性和随机性,以及多层计算网络中应用数学优化进行计算资源分配决策复杂度较高的问题,本文提出一种基于强化学习的三层移动计算网络中的计算任务卸载决策方案。首先,根据系统场景设计了强化学习算法所需的动作空间、状态空间以及回报函数。其次,对于策略梯度方差较大的问题,本文采用了一种利用优势函数的改进策略。仿真结果显示,所提方法训练效率较高,并且在计算任务数量较多时,平均任务时延以及平均任务能耗均优于其他基线策略,相较于次优策略最多降低15%系统损耗。(3)基于多智能体强化学习的缓存与卸载联合优化问题研究:针对即时共享应用场景下,通常会面临多个用户需要处理相似的计算任务的问题,本文提出一种基于多智能体强化学习的缓存和卸载联合优化方案。首先,根据系统场景以及缓存决策和卸载决策之间的关联和影响,分别设计了负责缓存和负责卸载的智能体的动作和状态空间。其次,为了加强缓存智能体和卸载智能体之间的协作性,本文设计了一种改进的多智能体强化学习训练框架。仿真结果表明,所提改进策略在一定程度上加强了智能体之间的协作性,并且所提策略造成的系统损耗仅为次优策略的72%。