随着大数据和5G通信的快速发展,如何降低时延和能耗以满足新型应用成为近年来的热门话题之一。移动边缘计算（Mobile Edge Computing,MEC）被认为是一个很有前途的计算范例,通过收集收集大量分布在网络边缘端的空闲设备,将计算和存储能力从云端转移到边缘端,从而提高计算密集型和延迟敏感任务的服务质量（Quality of Service,Qo S）。然而,如何合理设计服务卸载策略是基于MEC的系统所面临的挑战。由于虚拟化使包括通信、计算、缓存和收集在内的许多服务的功能开始趋同化,它们之间的联合优化方案也成为了基于MEC的系统面临的挑战。本文研究了支持MEC系统中计算卸载、内容缓存和能量收集的联合优化问题,以最小化时延和能耗的优化目标。结合当下热门的深度强化学习（Deep Reinforcement Learning,DRL）方法,利用分布式的边缘信息,设计资源分配的最优动态决策。仿真实验证明了我们提出算法的学习能力和性能表现。本文的主要贡献可以概括为以下几个方面:我们首先提出了计算卸载、内容缓存和能量收集三者在支持MEC系统中的联合优化问题,以最小化时间消耗和能量消耗作为优化目标。为了充分利用支持MEC系统的各种信息,我们定义了更加详细的状态、动作和奖赏。考虑到通信网络的动态是无法精确知道的,比如随机到达的任务、时变的信道等,我们无法做出准确的假设,所以我们使用无模型model-free的强化学习方法,而不需要支持MEC系统的先验知识。我们提出了一个新颖的DRL-based算法,来为支持MEC系统做出资源分配的动态决策。其中空间注意力模块是为了更有针对性的优化,多智能体深度确定性策略梯度（Multi-Agent Deep Deterministic Policy Gradient,MADDPG）基准是为了利用到不同边缘的信息,从而进行边缘间的合作和竞争。数值结果表明我们提出的算法在不同场景下都能有较好的性能指标。