作为一种全新的计算范式,边缘计算能够有效缓解边缘端庞大计算需求与终端有限算力之间的失衡。由于将云服务从核心网推向到了网络边缘,边缘计算可以很大程度上缩减任务数据的传输时延。然而,仅凭架构带来的传输时延优势难以满足时延敏感型应用的要求。为了进一步提升边缘计算的整体效率,需要对其任务时延进行优化。本文关注于多个用户或多个边缘节点共存的边缘分布式场景,并针对其中的多点协同计算任务展开时延的优化研究。本文首先聚焦于多用户协同计算场景,以用户协同机制为出发点,为边缘机器学习任务制定了一种融合计算卸载与联邦学习框架的任务时延优化方案。之后,本文关注于边缘协同计算场景,并在端到端动态性考量的基础上提出了优化任务时延的编码子任务分配方案。最后,针对边缘协同计算场景,本文还重点关注了缓存使能的计算任务,旨在通过最优的服务路径选择与编码设计实现任务时延的缩减。具体而言,本文的三项研究内容与主要贡献可总结如下:（1）基于多用户协同的边缘机器学习任务时延优化。由于边缘机器学习任务特有的多用户全局协同计算机制,传统的边缘计算与联邦学习方案在任务时延性能上分别受限于庞大通信开销和计算掉队者。为了实现任务时延的优化,本文将计算卸载与联邦学习框架相结合,在遵循全局协同计算机制的基础上设计了边缘-多用户协同计算方案。在此方案下,计算缓慢的用户能够灵活借助于部分计算卸载,将本地的计算压力分摊至边缘节点,从而均衡用户间的计算时延。在方案设计的基础上,本文对其任务时延进行了分析,并基于此构建了以用户总功耗为约束、计算卸载量为优化变量的任务时延最小化问题。进一步,通过对问题的求解,得出了一种具备门限结构的计算卸载策略。之后,本文还考虑了任务计算过程中用户可能出现的离线情形,并基于用户分组的思想,将计算卸载策略推广至更一般的用户动态场景。（2）考虑端到端动态性的边缘协同计算任务时延优化。边缘协同计算中多点并行的计算结构使得其任务时延性能受限于最慢的边缘节点。而在实际场景下,任务处理的各个阶段都存在一定的动态性。难以预测掉队节点使得子任务分配策略的制定变得困难,任务时延的优化也因此面临挑战。为此,本文提出将编码计算的策略应用于子任务分配阶段,通过给每个边缘节点增加一定的计算冗余来避免收集掉队节点的计算结果,进而达到缩减任务时延的目的。本文首先根据边缘协同计算场景下任务的处理流程,分析了任务到达、排队、传输和计算阶段的动态因素,并基于此构建了端到端的系统随机性模型。之后,制定了基于编码计算的子任务分配策略,并进一步依据缓冲区对任务的处理方式提出了非清除型与清除型的编码方案。由于无法获取任务时延的闭式表达式,本文分别推导出了两种编码方案各自期望任务时延的上下界。最终,理论分析结果表明,编码子任务分配方案相较于传统方案在任务时延上存在明显的性能增益。（3）面向缓存使能的边缘协同计算任务时延优化。对于缓存使能的计算任务而言,数据获取与任务计算存在耦合。单一优化缓存或计算资源的分配无法有效提升任务时延性能。为此,本文考虑通过制定合理的缓存配置与计算卸载联合决策实现任务时延的优化。由于边缘协同计算场景下的联合决策有着对应的服务路径,本文将缓存配置与计算卸载的联合优化问题转化为服务路径的最优选择问题。具体而言,本文首先将编码策略应用于边缘缓存与边缘计算阶段,有效缓解了掉队者效应对任务时延性能的不利影响。然后,本文根据任务服务路径对应的任务处理流程,分析了相应的任务时延与资源开销。接着,以服务路径选择和编码设计为优化变量,构建了缓存、计算以及通信资源约束下的任务时延最小化问题。最后,本文分别针对用户任务集同质和异质的场景,给出了最小化任务时延的服务路径选择策略与优化问题求解算法。