近年来,微电子和低功耗的技术发展助力了物联网系统的进步,计算密集型应用出现爆炸式增长,如无人驾驶、增强现实等,这要求网络基础设施能够提供更低的时延和更强的计算能力。多项研究表明,边缘计算是必不可少且极具前景的解决方案。边缘计算提出崭新的云-边-端架构,在离终端设备更近的地方部署服务器,从而显著减少了用户时延、网络带宽压力和云计算中心存储计算压力。在边缘计算系统架构中,有许多工作研究了静态边缘机制,即选择固定位置部署边缘服务器,并与基站或接入点连接,然而由于边缘服务器的覆盖范围有限,做到大面积覆盖时的服务器部署成本是高昂的。因此,移动边缘机制应运而生,即借助车辆、无人机等实现边缘服务器的移动性,从而实现同样覆盖区域内更少数量的服务器部署方案。据调研,现有的研究工作在移动边缘机制中大多基于以下假设:终端设备卸载至移动边缘服务器的任务计算时间相较于任务传输时间而言是很短的。然而随着计算密集型应用的出现和5G通信网络的发展,任务传输时间大大减少,任务所需计算时间增大,因此在系统设计中无法再基于以上假设。同时,边缘服务器上的服务缓存问题亟待解决,由于边缘服务器受限于有限的资源,十分需要高效的服务缓存决策来减少任务完成时延,从而提高系统性能。本文聚焦于计算量大且时延要求宽松的应用类型,如定期数据收集、视频监控、人流计数等,提出了新的移动边缘服务器服务缓存方案。不同于传统方案中,边缘服务器在离开一个设备之前必须完成该设备任务,本论文实现了任务上传时间、服务器移动时间和任务处理时间的并行性,允许服务器在第二次到达设备时再回传相应的计算结果。本文解决了固定区域内多移动边缘服务器的服务缓存问题,特别考虑了前端设备分配及移动边缘服务器的路径规划和服务调度。为了解决该问题,本文提出了分层迭代按需缓存算法,将多移动边缘服务器的前端设备分配问题和移动边缘服务器的路径规划及服务调度问题联合优化并解耦分层,允许服务器在第二次到达设备时再返回运算结果,经过多次迭代计算更新方案,并引入拒绝概率,避免算法陷入局部最优。最后,本文利用大量的仿真实验对上述算法性能进行了评估,结果表明该算法与现有工作相比,将服务器完成任务总时延减少了50%,显著降低了系统部署成本。