随着物联网和5G通信的迅猛发展,移动计算领域逐渐从传统的集中式云计算向边缘计算转变。和传统的云计算不同,边缘计算是一种新兴技术,通过将移动计算,网络控制和存储迁移到网络边缘,从而在资源受限的移动设备上进行实时的信息传输和密集计算,能够得到较小的时延和灵活的通信服务。在本学位论文中,我们以博弈论和强化学习为工具,对边缘计算中的数据传输和处理展开研究,联合优化了计算和无线资源。此外,基于大量的仿真,就能耗和时延等方面,详细地比较了边缘计算系统中的二进制和部分上传方案。本文的主要工作和贡献如下:1.提出了一个基于定价的多用户边缘计算系统。为了有效地管理用户上传的任务,边缘计算服务器和用户之间的交互关系被建模为斯塔克尔伯格博弈。具体地,边缘计算服务器为了最大化自己的利润,对其有限的计算容量进行定价,而用户基于给定的价格,制定合适的上传策略来最小化自己的代价。基于边缘计算服务器对网络信息不同的了解程度,我们提出了统一定价和差异化定价这两种定价方案,并得到了相应场景下的最优分布式算法。2.提出了一种基于深度强化学习的在线边缘计算系统。在边缘计算服务器能量受限的情况下,为了最小化用户的能量消耗和计算时延的加权和,我们提出了一种渐进最优算法。该算法利用深度强化学习技术,根据不同的信道条件和任务属性,从历史决策经验中进行学习,自动不断地提高由深度神经网络产生的任务计算模式的决策性能,完全避免了求解复杂的混合整数规划问题。同时,我们还考虑了多种传统的优化算法来进行性能对比,仿真结果显示,所提出的深度强化学习算法在时间效率和性能表现方面都比较优越。3.基于相同的系统设置和大量仿真实验,对比分析了边缘计算系统中的两种上传方案:二进制上传方案和部分上传方案。二进制上传方案在能耗方面表现更好;当用户更加关注计算速度时,部分上传方案由于其灵活的任务分割和模式并行,通常可以取得优越的时延表现,同时在一定程度上节省能耗。