随着高清移动视频、AR/VR、车联网、智能制造等新业务的快速发展,要求网络能够提供超低延时、高速率、可定制化等特定能力,这对5G为代表的下一代移动通信网络提出严峻挑战。移动边缘计算(Mobile Edge Computing,MEC)系统拥有丰富的计算资源和存储资源,且具有邻近接入的特点,它允许移动终端将任务卸载到边缘云,从而减少任务的处理时延和终端的能耗。为了解决移动终端资源有限的问题和提升任务处理效率,本学位论文提出了多用户多MEC任务卸载和资源分配联合优化算法和基于Q学习的端边云协同的快速卸载算法,并通过仿真,对所提出的算法进行分析和验证。本学位论文的主要工作如下:(1)提出了多用户多MEC场景下基于边-端协同的任务卸载与资源分配算法,以任务完成总效益最大化为目标以业务Qo S(Quality of Service)保证和资源受限为约束形成了基于李雅普诺夫理论的最优任务卸载资源分配问题,由于该问题是NP-hard,提出了解耦为采用KKT条件求解的信道资源分配问题和关于任务分配的0-1整数规划问题。与传统算法相比,所提算法的复杂度是O(8)9)),并提高了约20%的效益,降低了15%以上的时延。(2)针对移动终端快速移动场景,提出了基于Q学习的快速卸载算法,阐述了终端快速移动场景中的任务卸载系统模型。该任务卸载算法首先根据MEC服务器数量和MEC服务器剩余可用资源将任务分割成多个子任务。综合考虑时延和能耗两个因素,以最大化用户终端效益为目标,采用TOPSIS算法得到用户做出卸载决策后获得的即时奖励,考虑到可分配通信资源的随机性,该问题被进一步表述为半马尔可夫过程,最终利用Q学习的算法,结合即时奖励和经验奖励更新累积折扣奖励,做出最佳的卸载决策和资源分配策略,获得最大的用户终端效益。然后具体描述了基于Q学习的快速卸载算法的整体流程,并分析了该算法的时间复杂度。最后通过仿真将所提出的算法与其他算法进行比较,仿真结果表明,与其他算法相比,所提出的算法有较快的收敛速度以及较小的卸载平均时延和用户终端能耗。