移动计算作为新型的技术,随着移动通讯和计算方式的变革而不断发展。近年来,物联网的快速发展,智能移动设备的普及以及增强现实、实时导航等对服务质量高、对延迟敏感的应用大量涌现,导致大量的数据需要处理。为解决数据爆炸式增长与骨干网拥挤/网络延迟不稳定的矛盾,移动边缘计算应运而生,它将集中式的云资源推向边缘网络,提高了服务质量。与此同时,得益于边缘计算的高质量服务,一种新兴的收集数据、提供信息服务的感知模式,群智感知,逐渐开始引起人们的注意。它将普通用户随身携带的移动智能设备作为感知单元,利用智能设备强大的传感器,在互联网内协作地完成一些在传统感知模式里难以完成的大规模感知任务,被广泛应用到了环境监控、智能交通等领域。因此,本文结合边缘计算,群智感知和优化理论等,对边缘网络的服务部署和任务卸载策略及感知任务分配方法两个热点方向进行了研究,具体内容有:在边缘计算中,考虑到应用服务的异构性,随机网络中不可预测的任务需求及密集的边缘网络提供的高度耦合环境,研究了密集的边缘网络中在线任务卸载和服务部署的联合优化问题,使得整个边缘系统在最大化时间平均效用的同时,保持边缘网络的稳定。在不需要未来信息的条件下,通过提出了一种基于双时间尺度李雅普诺夫优化的在线算法,实现了一个时间平均次优解决方案,接近离线最优。在群智感知中,单任务分配已经不能满足平台的效率要求。与此同时,许多任务都是有时间限制的任务（如在暴雨时汇报路面交通情况）,需要在一定的时间范围内完成。同时,参与者也只愿在他们有意向完成任务的时间出来完成任务。针对目前单任务场景的局限性和时间因素的重要性,提出了具有时间约束的多任务分配问题,其在最大化感知平台效用的同时,考虑了时间约束对感知任务和感知参与者影响。接着,针对该NP-完全问题,设计了基于树分解的精确算法。该算法在不同的实验设定下,基于小规模的模拟数据集能够快速地获得最优解。