随着无线技术和互联网的飞速发展,越来越多的移动终端对带宽和计算的无线接入要求不同,从而促进了在线玩游戏、虚拟现实、智能数据处理等新服务等移动应用的发展。然而,这些新的移动应用具有高能耗和高等待时间,这对于移动设备(mobile device)的计算和电池容量提出了巨大的挑战。在此环境下,移动边缘计算(mobile edge computing,MEC)应运而生,它是一项新的推广技术,它支持蜂窝网络边缘的云计算功能和边缘服务环境。通过配备计算功能(例如MEC服务器),将旧式基站(base station,BS)更新为启用MEC的基站(MEC-BS),因此MEC-BS可以实现MT能力增强,这可以减少MT应用程序执行时间和MT能耗。由于有限的计算资源,MEC-BS无法为覆盖范围内MT中的所有任务提供无限的计算卸载服务。因此,如何有效地管理MEC-BS资源(例如高速缓存、能量和计算资源),最大化系统性能是至关重要的。另一方面,如果有太多任务要从MT上卸载,则MEC-BS仍然会过载。因此,如何设计一种有效的资源管理方案,以减少延迟和能源消耗,是一个具有挑战性的问题。本文围绕移动边缘计算中资源管理面临的问题展开研究,主要工作如下:(1)在移动边缘计算中,由于大量移动边缘设备接入,在任务分配方面面临着极大的挑战,如拥塞问题、优先级问题。这些基本问题都将影响着整个移动边缘计算系统的性能。针对这个问题,本文提出了一种基于粒子群算法与博弈论的任务管理方案。理论与仿真结果表明,所提方案在降低时延与降低能耗上具有较好的性能。(2)在移动边缘计算中,缓存与通信、计算与通信相互影响,使资源优化问题非常复杂且难以求解。如何协同集中控制环境下不同类型资源以实现资源互补和最优分配,提升服务质量和资源利用率是智能边缘计算亟需解决的一个基本问题。针对此问题,本文提出一种基于交替方向乘子法与协作学习的资源优化算法架构,主要包括三部分:基于半马尔科夫过程的协作缓存管理;基于协作Q-learning的不同组之间任务迁移模块和基于交替方向乘子法的任务分配算法。理论及仿真结果表明,所提方案可以实现高资源利用率目标。