伴随着第五代移动通信技术的发展,以及物联网技术和人工智能的普及,接入网络的智能移动设备的数量在近些年呈现出爆炸式增长的趋势,随之而来的是网络中数十亿级别的连接和级别的网络流量。另外,这些智能设备的用户往往要求高可靠、低时延的通信连接。在此背景下,分布式移动边缘计算应运而生,成为严峻网络环境中满足用户需求的关键技术。从年至今,云计算的发展为移动设备在算力上的短板带来了解决方案,然而,在海量连接的场景下,相比于集中式的云端运算,分布式的移动边缘计算显然更适应低时延、海量连接的要求,其中通过设备直通通信方式完成的内容共享成为缓解蜂窝网流量压力、满足用户低时延要求的关键解决方案。不过,这其中仍有许多问题值得研究,本文将从激励机制的设计和用户的传输决策两个角度出发,分别研究边缘计算网络的集中式和分布式决策优化。为了鼓励移动设备加入内容共享中,本文首先研究了激励机制的设计,目的是最大化网络流量的长期卸载率。本文将该问题模拟为市场交易模型,通过对用户打分的方式选择内容提供者,并给予相应的奖励。为了在保证服务质量的前提下达到持续激励的效果,在打分机制中本文综合考虑了移动设备的历史表现和当前状态,并且,本文详细分析了历史表现的引入带来的时间上的后续影响,将长期卸载率的最大化问题建模为随机动态规划,并应用深度强化学习算法进行求解。仿真结果表明,该深度强化学习算法适用于本文的随机动态规划问题,并且,所设计的激励机制能够在保证服务质量的前提下有效地持续激励设备参加内容共享。激励机制的设计从网络调度者的角度出发,完成网络全局的优化,在共享内容的传输过程中,设备端的分布式决策同样值得研究。考虑到网络中通信的相互干扰,本文将设备的分布式决策问题建模为非合作动态随机博弈,并转化为更低复杂度的平均场博弈问题。对于博弈中描述最优决策的偏微分方程——哈密顿雅克比贝尔曼方程,本文设计了人工神经网络,使用监督学习的方法进行求解。仿真结果表明,神经网络的前向传播只需较低的计算复杂度,且该神经网络的训练可以快速收敛,另外,通过和有限差分法的比较说明该网络可以很好地拟合所解的方程,仿真结果也说明了基于平均场博弈的决策相比于传统的方法可以达到较小的开销。