随着通信技术进入到5G时代,导航、自动驾驶、虚拟现实（Virtual Reality,VR）和增强现实（Augmented Reality,AR）等需要实时计算的物联网（Internet of Things,Io T）应用相继出现,这对未来计算网络提出了严格的时延要求。移动边缘计算（Mobile Edge Computing,MEC）因其能在网络边缘部署计算节点降低网络计算时延的优势,被认为是当前以及未来通信计算网络中的关键技术之一。在移动边缘计算系统中,边缘节点有限、多维资源的约束以及动态变化的环境给系统性能的提升带来了挑战。针对上述挑战,本文结合了边缘缓存等技术对MEC系统进行设计优化,并针对缓存辅助的MEC系统资源调度问题展开深入研究,具体研究内容如下:首先,本文研究了移动边缘计算网络的资源调度问题。为应对边缘计算系统中动态变化的任务特性、快变的无线环境以及有限的资源给系统优化带来的挑战,本文将无人机（Unmanned Aerial Vehicle,UAV）引入边缘计算系统,将其作为可移动的边缘服务器,以突破传统静态边缘服务器的局限性。通过分析无人机资源对系统性能的影响,联合考虑无人机热点选择和任务卸载策略,建立了系统的资源调度问题。针对该问题,本文采用深度强化学习算法,通过与环境持续交互的方式来得到有效的资源调度策略。仿真结果表明,所提出的方案可以有效地探索到合适的热点选择和卸载策略,并显著提升了边缘计算系统任务效益。其次,在移动边缘计算网络的研究基础上,本文进一步结合边缘缓存技术,研究了缓存辅助的移动边缘计算网络中的缓存与计算资源分配问题。针对边缘计算系统中任务的重复请求和计算所导致的系统开销问题,本文在边缘计算系统中引入缓存机制,并设计有效的缓存替代算法,以减少因重复计算任务而产生的系统时延和能耗。通过联合缓存算法,对任务卸载策略进行优化,进一步实现降低系统时延和能耗的目标。仿真结果表明,所提出的方法显著提升边缘计算系统的性能,与传统方法相比实现了更低的系统时延与能耗。最后,针对缓存辅助的移动边缘计算网络,从资源提供方的角度考虑,研究了网络中服务器利润最大化问题。本文以车联网边缘计算为具体研究场景,综合考虑缓存和计算资源的影响,对边缘服务器利润最大化问题进行建模。为了求解该问题,本文采用交叉熵优化算法,以较低的复杂度得到了近优的缓存和计算卸载策略,从而实现边缘服务器利润最大化的目标。仿真结果表明了所提出方法以低于传统分枝定界（Branch and Bound,Bn B）方法的计算复杂度,实现边缘服务器利润最大化的目标。