随着物联网（Internet of Things,IoT）的迅速发展和无线网络的广泛普及,智能终端设备和移动应用对数据通信和计算的需求日益增长,新兴的边缘计算范式应运而生。通过将位于云计算中心的服务和功能移到用户附近,边缘计算可以提供强大而便捷的通信、存储和计算能力,克服了云计算延迟高、隐私性和安全性低以及能耗高等局限性。在边缘计算中,物端可将延迟敏感型或计算密集型应用卸载到边缘服务器上进行处理,以获得更高的服务质量（Quality of Service,QoS）。一方面,卸载过程涉及边缘系统中各类计算、通信和存储资源的竞争和分配,另一方面,边缘资源提供者需要考虑资源配置形式以满足物端需求。然而,由于边缘系统中物端请求的多样变化性以及边缘资源的有限、分散和异构性,使得边缘计算中资源调度问题变得越来越棘手。为此,本论文致力于研究如何将边缘计算资源进行动态调度以优化QoS,进一步以物联网和车联网为典型边缘计算场景,分别针对请求卸载与资源分配、请求分布预测与资源配置、任务协同调度、任务依赖型调度等典型问题进行研究。通过深入的理论分析和扎实的实验研究,取得了以下研究成果:（1）多基站协同下物端动态请求调度优化方案。针对5G通信协议下存在的多址干扰现象,以及多用户-多边缘中联合请求卸载与资源分配等问题,研究了用户功率分配和动态请求调度优化方案。首先,基于拟凸技术,提出了一种基于次梯度的非合作博弈模型进行用户的功率分配以实现最小化传输能耗。其次,将联合请求卸载与资源调度问题建模为一个混合整数非线性程序,以最小化请求响应延迟为目标。最后,将该问题作为一个双决策问题进行分析,提出了一种基于精英非支配排序遗传算法的多目标优化算法。实验结果表明,与其它类似算法相比,提出的功率分配算法可以有效节约传输能耗。在动态边缘系统中,提出的请求卸载和资源调度算法在请求响应率方面不仅优于对比方法,且能保持良好的性能。（2）基于服务请求分布预测的资源动态配置优化算法。针对智能互联社区中物端请求的动态多样性和边缘资源受限等问题,研究了多服务请求分布预测和容器化边缘资源配置方案。首先,通过测试实验展示了容器化技术在边缘计算中的优势和挑战,从而提出一种容器化边缘资源配置框架,该框架集成了请求分布预测和资源配置算法。其次,基于快速傅立叶变换（Fast Fourier Transform,FFT）,设计了一种在线周期性请求分布预测算法。最后,根据预测请求分布结果,提出了一种基于一阶自回归模型与比例积分控制器的资源配置算法,该算法是一种自适应的容器资源调优控制器。仿真实验表明,所提出的请求分布预测算法,其预测精度高于其它两种预测算法。系统实验结果表明,与基线算法相比,基于控制思想的资源预分配算法具有较低的服务延迟和较高的资源利用率。（3）基于多智能体强化学习的分布式任务调度优化算法。针对车辆边缘计算（Vehicular Edge Computing,VEC）中普遍存在的单个路边计算单元（Road Side Unit,RSU）请求超载和服务配置缺失等问题,研究了基于多智能体深度强化学习的分布式协同任务调度算法。首先,将分布式RSU之间的任务调度交互建模为一个Markov博弈。其次,考虑到多智能体深度强化学习是一种很有前途的Markov博弈决策优化方法,提出了一种基于多智能体深度强化学习的协同任务调度算法,以最小化任务的长期平均延迟为目标。该算法基于反事实多智能体策略梯度的分布式部署和集中训练架构,并利用动作语义网络的优势,促进多个RSU之间的协作。系统和仿真实验结果表明了该算法的有效性。与基线算法相比,提出的协同任务调度算法收敛速度更快,且平均任务延迟更低。不同场景下的仿真结果表明,所提算法具有良好的可扩展性和稳定性。（4）移动车辆集群下任务依赖的贪婪调度优化算法。针对车联网（Internet of Vehicle,Io V）中车辆资源未被充分利用的现象,以及延迟敏感型应用中存在的任务依赖关系等问题,研究了车辆资源聚集方案和贪婪任务调度算法。通过对真实交通数据集进行分析,验证了在现实中聚集车辆资源的可行性。在此基础上,设计了基于延迟感知的车载边缘网络实时调度框架。首先,提出了一种基于聚类的算法来生成边缘车辆集群,将互联车辆作为边缘计算资源来提供协同计算服务。其次,考虑到应用中任务之间的依赖关系,提出了一种贪婪任务调度算法来卸载作业,其目标是最小化作业的总延迟并最大化边缘车群的资源利用率。实验结果表明,所提出的聚类算法生成的边缘车群能够保持一个稳定的周期来提供计算服务。在测试平台上的两个案例研究表明,与基线算法相比,所提出的调度算法在延迟和资源利用率方面具有一定的优势。