随着新型应用不断涌现,如增强现实(AR)、手势识别、实时游戏等,这些应用计算量大,对时延敏感。同时,由于用户设备的尺寸有限,所以这些新型应用在存储和计算方面受到了限制。移动边缘计算(Mobile Edge Computing,MEC)被认为是实现下一代互联网的关键技术。与移动云计算相比,MEC减少了因数据中心网络阻塞而可能导致的延迟,通过将服务器部署到网络边缘(如接入点、小型基站等)使得云计算能力和IT服务接近用户端,这一技术满足了新型应用的需求。边缘服务器在网络边缘提供存储和计算功能,边缘设备可以有选择的将任务卸载到边缘服务器上执行。由于边缘服务器的位置在MEC系统中未有明确规定,且服务器自身资源有限,如何合理的部署边缘服务器的位置、分配任务卸载这将是一个重要的问题。同时,在MEC系统中,用户的位置是实时变化的,在实时变化的环境中求解任务卸载问题也是对研究者的挑战。本文的研究工作总结如下:1)建立多用户多MEC服务器场景,提出一种联合优化方法。文中首先建立数学模型,以最小化所有任务的总能耗为目标。其次,提出一种双层优化方案,考虑到实时变化的用户环境,上层我们使用h–SOM网络结合用户位置来实时优化服务器的位置。又因为大量的用户给MEC服务器带来了巨大的计算量,所以下层我们利用改进的差分进化算法(IDE)来降低计算复杂度以优化任务卸载与资源分配。最后与传统算法进行对比,仿真结果表明本文所提算法在不同用户数量,不同服务器数量以及不同时延下均能获得更低的能耗。2)同样建立多用户多MEC服务器场景,用神经网络来求解发射功率矩阵、任务卸载矩阵、资源分配矩阵。文中首先建立以最小化能耗为目标函数的数学模型,其次采用改进的差分进化算法进行样本的收集,然后放入神经网络进行训练,训练好网络后根据网络输入可直接输出用户的发射功率、卸载位置以及分配资源,针对实时优化问题减少了时延,最后与传统的算法进行比较,仿真实验表明该方法的预测结果能够在充分利用有限资源的情况下使得系统能耗最小。