由于多媒体业务的快速增长以及二氧化碳排放的大量增加,将可再生能源应用在无线通信领域已经迫在眉睫。在很多情况下,通信系统主要由可再生能源进行供电。此外,随着移动终端技术的发展,出现了一些高要求的服务应用。但是这些服务和应用意味着要求更低的时延,更高的计算速率等。针对以上问题,本文主要研究面向能效的传输与计算资源的联合优化技术。其中包括内容传输及移动边缘计算的卸载问题。第一,本文解决了绿色能源捕获和任务到达不匹配的问题。从内容广播和缓存相关问题入手,采用完全绿色能源供电的小基站。考虑到绿色能源的到达是随机的,难以预测,因此当能源和任务到达不匹配时,会发生能源浪费或短缺。针对绿色能源捕获和任务到达不匹配的问题,本文提出了一种基于Q学习的内容缓存与推送方法。Q学习是一种无模型的增强型学习技术,可以在马尔可夫过程中找到最佳的行动选择策略。仿真分析表明,该算法提高了绿色能源的利用率,得到了小基站决策的规律,证明了该模型的有效性。第二,本文提出了一种基于强化学习的任务迁移策略,该算法可实时了解动态工作负载卸载和边缘服务器的状态,给出最佳策略。并且解决了将可再生能源纳入移动边缘计算的挑战。该算法用于物联网设备选择移动边缘计算(Mobile Edge Computing,MEC)设备,并根据当前电池电量,每个MEC设备的先前无线电带宽和预测的收集能量数量确定卸载比例。仿真结果显示,该方法在网络时延,丢包率方面均有不错的表现,提高了能源的利用效率。