随着移动设备(Mobile Device,MD)的普及和5G网络新应用的快速发展,对大规模设备连接与计算需求的要求随之增加。电子医疗、人脸识别、增强现实和虚拟现实等新型移动应用不仅为计算密集型,而且对时延提出了更高的要求。移动设备的发展存在诸如电池寿命、处理能力、存储容量等局限性,无法满足上述应用的需求,移动边缘计算(Mobile-Edge Computing,MEC)为此提供了解决方案。移动边缘计算通过将计算和存储资源下沉到移动网络的边缘,移动设备可以将计算密集型或时延敏感型任务卸载到MEC服务器进行计算,从而降低时延和能耗,延长电池的使用寿命。尽管如此,卸载会带来额外的开销,并且与移动云计算(Mobile Cloud Computing,MCC)系统相比,MEC仍存在计算资源受限的问题。因此,对任务卸载策略和资源分配的研究是非常有必要的。首先,本文对移动边缘计算理论进行概述,针对无人机(Unmanned Aerial Vehicle,UAV)辅助边缘计算的场景及优势进行了分析。分别探究了MEC系统中的任务卸载及资源分配的技术理论,介绍了二者联合优化策略的发展现状。其次,根据Kang Cheng等人在2018年对多用户多MEC服务器系统的研究,将其进一步扩展为多接入边缘服务器的网络场景,制定了一种满足任务时延约束条件下的移动设备总能耗最小问题,联合优化了计算卸载、无线资源分配和计算资源分配三个变量。由于变量之间的耦合性,无法分解为子问题求解。因此,为求解该混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)且非凸问题,本文通过变量的结合将其转化,提出了两种求解方法分别求得最优解和次优解。仿真结果表明,相对本地执行方案和非联合优化策略,本方案都能取得最低的能耗,且次优解在保证性能的基础上极大减少了算法运行时间,更加有利于实际场景部署。再次,针对无人机辅助边缘计算系统,根据Jingyu Xiong等人在2019年对单无人机与多用户系统的研究,进一步提出了两层UAV的场景模型,共同优化了任务卸载决策、传输过程中的比特分配和无人机飞行轨迹,旨在最大限度地降低移动设备总体能耗。通过迭代的算法,解决了上述非凸的MINLP问题。仿真结果表明,相比于基准策略和非联合优化策略,本方案都能实现更佳的性能。