移动边缘计算（Mobile Edge Computing,MEC）通过将计算服务部署在距离用户侧较近的边缘服务器上,使得用户卸载的任务可以就近处理。为了给用户提供低延迟、高带宽、高性能的计算服务,通常需要在边缘服务器上提前部署一些服务,以便当计算任务被卸载到边缘服务器时,能够更快地获得计算服务。同时,由于服务类型的多样性,不同服务类型在不同计算架构下的执行效率不同,为了提升整体执行效率,因此不同的边缘服务器计算拥有的计算资源也是异构的。然而,相对云计算而言,边缘服务器的资源受限。因此,在边缘服务器上通常只能预先部署部分服务。在计算资源受限且异构的情况下,如何根据当前用户请求设计合理的服务放置策略满足用户的需求,是当前急需解决的关键问题。另一方面,许多计算任务通常可以分解为一组具有依赖关系的子任务。在进行任务调度时,由于现有的任务调度策略缺乏考虑子任务间的依赖关系,会导致部分子任务被调度至靠近用户侧但等待队列较长的边缘服务器,从而使任务整体完成时延较长。此外,用户的移动会使得不同区域内的任务请求类型以及数量发生变化,按最近优先原则进行调度容易造成热点区域的边缘服务器过载。因此,如何根据当前系统状态制定最优任务调度策略,减小任务完成时延是一个有待深入研究的问题。考虑到移动边缘计算环境下任务所需资源的异构性,子任务间的依赖性以及用户的移动性等因素,为了提升用户体验质量（Quality of Experience,Qo E）,本文围绕在线环境下资源受限且异构的边缘服务器的服务放置和任务调度展开深入研究,主要研究内容如下:（1）在边缘服务器资源受限且服务所需计算资源异构环境下,为了减少用户感知时延,本文提出了一种基于强化学习的服务放置算法。首先对网络、任务、服务放置情况以及边缘服务器计算能力公式化,以及根据任务所需资源的异构性,把当前系统信息建模为马尔可夫决策过程,以最小化用户感知时延为评价指标。将服务放置后所需的计算时延设计为深度强化学习的奖励和损失,通过神经网络训练,最后获得最高奖励的服务放置策略。仿真结果表明,本文所提算法与其他基准算法相比,用户感知时延更小。（2）在子任务间具有依赖关系的条件下,为了减少用户感知时延,本文提出了一种基于Lyapunov优化算法的任务调度策略。首先对网络进行虚拟化,并基于此建立了网络模型、任务模型、计算模型,其次提出了一种基于Lyapunov优化算法的任务调度算法,对Lyapunov漂移加罚函数的处理,将目标问题中的队列状态进行约束,在保证队列稳定的同时,最小化用户感知时延,并进行了理论分析。最后通过仿真实验表明所提算法边缘服务器任务等待队列明显小于其他算法,同时提升整体任务完成率。