如今,诸如交互式游戏,增强现实,面部识别和图像/视频处理之类的计算密集型应用在移动设备上变得流行。移动应用的快速增长使无线网络和云的基础设施面临着严格的挑战,例如用户体验的连续性,超低延迟和高可靠性。这些要求推动了对靠近最终用户的网络边缘高度本地化服务的需求。鉴于此,作为新兴的计算范例的移动边缘计算(MEC)被认为是解决这些问题的关键技术。在移动边缘计算的主要研究方向中,计算卸载受到了极大的关注。与云服务器相比,MEC服务器的计算资源通常是有限的。因此MEC服务器无法同时满足所有用户的任务请求。因此,资源分配与卸载决策的联合优化是MEC系统中提高网络性能的重要研究主题。尽管有许多关于MEC系统的计算卸载的研究,但这些工作尚未分析联合接入和回程带宽分配的问题。在实践中,这种无线回程约束存在于无线MEC异构网络中,并且它们强烈影响卸载决策。当移动用户的卸载决策决定将任务进行远程执行时,离他最近的边缘服务器不一定总是最佳的卸载对象。尽管距离最近,但是如果通信环境中存在拥塞并且移动边缘服务器的开销很大,它将无法满足任务的要求。对于移动用户而言,由于移动和无线网络条件的不确定性,边缘云的选择变得至关重要。卸载适当的移动边缘服务器要考虑通信和处理时间以及处理要求,这一点非常重要。针对MEC中存在的问题,本文主要做了以下两方面的工作:(1)通过结合通信技术和无人机(UAV)的优势,本文利用无人机充当移动基站的角色,无人机可以将任务卸载到可以提供计算资源的移动边缘服务器附近。附近的Wi-Fi接入点和蜂窝基站等都可以作为移动边缘服务器。当任务发生在特定区域时,一个或多个无人机需要移动位置以获取数据并进行处理。如果数据处理太繁琐而无法在本地处理,则无人机可以配合移动边缘服务器。本文基于匹配算法之一的匈牙利算法,提出了一种最优的终端设备-无人机-边缘服务器匹配算法,综合考虑任务队列和边缘服务器的处理能力,为移动用户选择了最佳的卸载目的服务器,并通过将无人机作为移动无线网络接入点,以最小的计算开销执行任务。经过仿真实验验证,该算法可以较大程度地减少能耗和处理时间。(2)为了在满足任务完成时间约束的同时将能耗降至最低,考虑任务数据上传与回程的信道资源分配,本文提供了一种节能高效的动态卸载和资源分配策略,以减少计算的开销。考虑在一个小区中放置一个移动边缘服务器的情况,首先提出了针对小区中移动用户的卸载策略、带宽分配和计算资源分配的优化问题,为解决提出的优化问题,本文将其分解为两个子问题分别求解,然后进行迭代得出最优解。同时,动态电压和频率缩放(DVFS)在当前的大多数研究中已得到广泛应用,但多核处理器基于DVFS带来了新的性能改进。本文中将高性能并且高功率的大型CPU内核与低性能但节能的小型CPU内核结合在一起。因此可以通过合理分配任务在不同内核上的执行情况,达到降低任务执行开销的目的。