支持巨容量、大连接、高可靠、超低时延和绿色智能是新一代移动通信系统演进的方向。移动边缘计算将任务的存储和处理推向移动通信网络的边缘,实现更靠近终端的信息传输、存储和计算融合,极大增强了移动通信系统对计算密集型和时延敏感型应用的支持,已成为目前移动通信领域的研究热点。移动边缘计算需要解决的一个核心问题是针对密集异构的移动边缘网络结构和用户需求的多样性,如何实现高效的任务卸载、资源分配和算网协同。针对上述问题,本文致力于采用分布式优化理论和方法,对密集异构边缘网络场景中任务卸载和多维度资源联合优化展开研究,提出异构边缘网络场景中能量收集使能的分布式计算卸载方法、边缘云智能协同方法以及不确定网络场景中的任务卸载和资源分配联合优化方法。本文具体研究内容包括:（1）研究异构边缘网络场景中能量收集使能的分布式任务卸载方法。在能量收集使能的异构边缘网络场景中,算力、存储、传输等资源的异构性,以及任务到达、信道状态、能量收集等环境因素的随机时变性,使得针对多维资源的集中式整合和调度变得极具困难。与此同时,不同应用业务通常具有差异化的任务特征和计算需求,传统的粗犷式计算卸载方法不仅降低了边缘稀缺资源使用效率,也使得边缘应用业务需求无法得到有效保障。针对该问题,研究了异构边缘网络场景中能量收集使能的分布式按需任务卸载方法。首先,针对不同边缘应用差异化任务特征和计算需求,提出了一种基于分布式博弈理论的边缘资源动态报价机制,以实现边缘资源的按需分配;其次,运用扰动李雅普诺夫优化理论对卸载的任务、能量、资源等多维时间耦合量进行解耦,以保证系统在长期演进中计算性能的稳定性;最后,基于任务队列积压、能量收集水平、任务卸载成本等因素,设计了一种计算卸载预筛选规则,以快速地选择合适的边缘云服务器,减少通信信令开销,提高任务卸载效率,并进一步提出了异构边缘网络中能量收集使能的分布式计算卸载算法。理论分析和仿真结果表明所提出的方案能够在达到斯塔克尔伯格均衡的同时,有效提高网络能效并降低任务计算时延。（2）研究基于多智能体的边缘云服务器智能协同和任务卸载优化方法。用户的自主式、随机接入会导致边缘资源利用不充分、不均衡,进而影响资源的充分利用和用户服务体验。为此,研究了异构网络场景中边缘云智能协同和任务卸载优化方法。首先,异构边缘云和能量收集使能的移动设备被视为可独立决策的智能体单元,结合实际计算卸载场景,将边缘云资源分配和移动设备任务卸载问题抽象为一个典型分布式斯塔克尔伯格博弈模型,边缘云作为主方为移动设备分配计算和传输资源,移动设备作为从方进行任务卸载和本地能量管理;然后,考虑到随机时变的边缘环境和不完备的状态观测,将智能体决策问题建模为部分可观测马尔可夫决策过程,并建立基于斯塔克尔伯格动态博弈的多智能体深度确定性策略梯度模型,以学习最优的边缘云资源协同分配和任务卸载策略。最后,通过仿真验证了所提算法能够有效提高边缘云服务器的任务计算成功率,并降低移动设备的任务丢弃率。（3）研究不确定边缘网络场景中任务卸载和资源分配联合优化方法。在密集异构的无线边缘网络场景中,任务到达、无线信道状态、用户移动的随机性以及能量收集的时变性,导致不确定的边缘网络环境,这对设计高效的任务卸载和资源分配策略带来挑战。针对上述问题,设计了不确定异构边缘网络场景中分布式任务卸载和资源分配联合优化方法。首先,考虑到任务排队时延和用户移动性对计算卸载的影响,建立一种基于算网协同的动态任务卸载和边缘云资源自适应分配模型;其次,为减少时变网络环境中用户移动性、任务排队时延等多维不确定因素影响,提出基于分布式多阶段随机规划理论的任务卸载和资源分配联合优化方法,以进行后验资源分配来补偿不确定网络环境导致的预测不准确性。最后,通过仿真验证了所提方法能够减少任务卸载成本,提升计算卸载成功率。