随着物联网、5G和人工智能的融合,多元化的应用场景及海量设备的连接对网络的要求越来越高,且用户对超低延迟和高质量服务的需求越来越大,然而移动设备的计算能力和存储资源有限,导致计算密集型应用与资源受限的移动设备之间的矛盾日益突出,云计算可为终端用户提供几乎无限资源,但长距离的传输会导致较高的服务延迟。为此,边缘计算应运而生,边缘计算是将服务器部署在靠近终端用户或数据源侧,可满足高并发、低时延等的新型业务。在边缘计算环境中,良好的缓存放置策略以及基于缓存放置的任务调度策略可以减少用户请求的网络时延,提高资源利用率,更能提升用户的服务体验。为此,本文在现有研究基础上,研究了边缘计算环境下基于综合效用的缓存放置和任务调度优化方法,以进一步提高边缘服务器的服务性能。主要研究内容及创新点如下:（1）针对目前缓存策略较少对缓存对象和服务器特性综合分析考虑,导致服务器空间利用率较低,数据频繁被置换等问题,本文提出了边缘计算环境下基于综合效用的缓存放置优化方法。该方法首先将数据块的流行度,数据块的剩余有效期占比,边缘服务器的替换率等放置因素进行量化以建立数据块的缓存价值模型;然后根据数据块缓存价值、数据块获取开销、数据块放置成本和置换代价得到缓存放置的综合效用模型;最后,利用基于改进禁忌搜索的缓存放置算法求解数据块的最优放置。实验结果表明,所提算法较DAH算法、GPA算法以及NVCP算法在缓存服务率和数据响应时间以及置换数目等性能方面有所提高。（2）针对现有的任务调度机制较少考虑缓存资源和磁盘资源,导致资源利用率低,任务执行时间较长等问题,本文提出了一种基于数据缓存的任务调度优化方法。该方法首先将任务和容器的相关性、任务调度优先级以及数据的传输成本3个因素进行量化,设计基于数据缓存的任务调度模型;然后将该模型与加权二分图结合,建立基于加权二分图的任务调度优化模型,其中,边权值通过线性加权和法求解3个目标因素的综合值;最后利用基于加权二分图的Kuhn-Munkres算法实现任务和容器之间的最优匹配,得到最优任务调度方案。实验结果表明,该方法提高了缓存数据的利用率,减少了数据的传输,提高了任务的执行效率。