智能终端的普及和移动5G网络的蓬勃发展推动了移动计算应用的发展,如感知计算,交互式游戏等。这些应用通常是低延迟且需要大量资源的,这给资源受限的移动设备带来了巨大挑战。为了解决资源需求型的应用与资源有限的移动设备之间的矛盾,移动边缘计算(MEC)作为一种有效的解决手段被提出来,其通过将复杂的计算任务迁移到计算能力较强的边缘服务器,以弥补移动设备在计算资源等方面的不足。然而,随着任务规模的增加,MEC系统的负载也随之增加,甚至会出现超负载的现象。同时,受到物理体积的限制,单个设备的资源是有限的,其始终难以满足不同的任务卸载需求。这些挑战促使人们研究设备之间的协作计算以提高MEC的整体性能。因此,本文分别从用户协作和基站协作两个方面对计算卸载问题进行了研究。首先,研究了基于用户协作的多路计算卸载问题,其中用户之间通过D2D通信的方式将任务以不同的概率卸载到目标设备上。在离线情况下,任务卸载决策是一次性做出的,旨在能量约束下最小化任务延迟,并设计一个最佳响应算法(MBR)来求解任务卸载决策以获得离线全局最优解。在线环境下的多路计算卸载问题,旨在每个用户能量预算的前提下最大化系统长期性能。为了解决在线环境下的多路计算卸载问题,利用李雅普诺夫(Lyapunov)优化技术设计了一个在线算法,分时隙求解任务的卸载决策,获得较低的任务完成时延。其次,研究了多基站协作场景下的任务卸载问题,通过联合优化卸载与基站休眠控制策略,最小化任务时延约束下的系统整体能量消耗。本文将其建模为一个整数非线性规划问题,并分两阶段求解该问题。首先在给定基站休眠策略的情况下,将任务分配问题规约为多维0-1背包问题,并设计一个多任务多服务器算法进行求解;其次,在任务分配问题求解的基础上,利用拉格朗日对偶函数和梯度下降算法求解基站休眠策略;最后两个问题迭代求解直到结果收敛,得到全局最优解。最后,对所提出的方案进行了实验验证。针对基于D2D通信的多路计算卸载方案,首先分析了在线环境下的长期系统性能。实验结果表明,与MBR方案相比,本文提出的多路计算卸载方案具有较低任务延迟。针对基站协作计算卸载方案,验证了协作计算可以提高任务计算的成功率,增强MEC平台的性能。实验结果表明,与没有MEC服务器合作和休眠控制的策略相比,本文提出的方案具有明显的节能效果。