移动边缘计算(Mobile Edge Computing,MEC)作为分布式计算中移动云计算技术的优化,是5G系统中的关键技术之一,旨在将远端中心服务器的部分资源分散到部署在无线接入网络、离移动设备更近边缘服务器上,减少了任务远距离传输所造成的延迟,同时节约了信道资源,降低了设备能耗,为设备用户带来了更好的体验。计算卸载这项起源于云计算的技术,同样在移动边缘计算中扮演着重要角色,其中移动设备将待处理的任务上传到边缘服务器上,利用MEC服务器强大的计算能力,有效避免了移动设备计算能力不足所造成的低能效和高时延。但与此同时,MEC服务器计算资源有限,不必要的卸载传输会造成信道资源浪费且耗能耗时,因此,如何为MEC系统中设计合理的计算卸载策略以满足用户的需求,为此问题的重点。此前的研究往往只考虑移动设备在同一时刻只处理单个计算任务,而现实中往往存在多个并行计算任务需要设备同时处理,这对设备系统的稳定性带来了考验。因此,本文研究的主要内容是在移动设备运行多应用的情况下如何做出卸载决策并合理分配资源,实现低延迟高能效且满足稳定性。本文首先从移动设备能效的角度出发,考虑优化能效的同时,如何兼顾移动设备任务缓冲队列的稳定性;接下来,本文进一步研究移动设备能耗和执行延迟的联合优化,考虑在绿色计算中,移动设备如何合理分配卸载资源,并同时保证系统的相关稳定性。本文详细的研究内容及成果阐述如下:(1)本文提出了一个由移动设备作为卸载决策方的MEC在线卸载决策模型。首先,在该系统中,移动设备在每个时隙接收到待执行的任务后,通过评估当前时隙的信道状态、任务缓冲队列积压状态等系统状态,做出使设备功率最小的卸载决策。本文以最小化设备长期状态下功率作为优化目标,以任务缓冲队列稳定性为约束条件提出优化问题,之后根据李雅普诺夫优化理论,将原本难以求解的马尔科夫决策过程问题转化为了新的问题求解,提出了动态功率最小化(DPM)算法,并同时分析了新问题与原优化问题解的差距以及缓冲队列长度的上限。在仿真部分,本文首先进行了对所提出算法解与原问题解之差的理论验证,并验证了权重因子对功率和缓冲队列长度的影响;仿真结果表明,DPM算法相比传统卸载算法更节能。(2)本文提出了一种基于能量收集的MEC多任务卸载策略,将移动设备的能量消耗和计算延迟作为优化目标,并用权重因子加以权衡。此外,本文设计了任务缓冲队列和电池能量队列并对其稳定性进行了研究。基于李雅普诺夫优化方法,本文提出了一种在线动态任务分配(DLOTA)算法,通过调整移动设备的CPU频率和卸载传输功率来确定任务卸载策略。DLOTA算法的优点是任务卸载决策只依赖于当前的系统状态,不需要预测未来的状态。仿真结果表明,所提出的模型和算法能够实现电池能量水平的稳定,并通过调整权重因子改变系统对能量消耗和执行延迟的偏好。