随着物联网应用创新不断,自动驾驶、工业物联网等快速发展,智能终端日新月异。智能应用已经从传统的简单传感器数据检测传输发展到目前的多媒体上下文信息感知。为解决移动终端处理能力不足和电池容量受限的问题,以及满足计算密集型应用的服务质量,业界提出了MEC的体系结构。MEC体系结构将存储和计算资源部署到网络边缘以为移动终端提供计算和存储服务,提供了一个低延迟、高可靠、高带宽的解决方案。而使用D2D通信技术联合利用MEC已装载的资源和网络中空闲的移动设备资源使计算密集型应用的发展受益匪浅,这是一个极具潜力的研究方向。本文在D2D协助的MEC系统中,进一步优化了MEC系统中的能耗。还设计了MEC服务部署方案,进一步优化MEC系统中的时延。具体研究内容如下:（1）设计了基于节点重要性的MEC部署方案。方案针对网络环境和用户请求的分布特性,基于复杂网络的理论和遗传算法进行服务节点选择和服务部署。首先根据网络环境使用复杂网络相关理论的节点重要性评估指标对候选节点进行排序并选取服务节点。然后在确定MEC服务器节点部署的情况下,根据用户的请求分布情况,使用遗传算法进行服务部署。仿真结果证明了所提方案的先进性。一方面,仿真通过基于服务节点迁移的方案可以逼近所提方案的性能表现,但基于服务节点迁移的方案在性能上依赖于节点迁移的次数,复杂度过高,不适用网络规模较大的情况,这说明基于节点重要性的选择方案在一定程度上是最优的。另一方面,当服务节点确定时,MEC服务器的服务部署是一个复杂的0-1问题,使用算法复杂度不高的遗传算法能够得到较优解。最重要的是仿真结果充分说明了所提方案相较于其他相关方案的良好的时延表现。（2）设计了MEC深度强化学习的计算卸载方案。在D2D协助的MEC系统中,用户设备的移动性对计算卸载的影响是非常巨大的。为了考虑用户的移动性对计算卸载的影响,本文定义了受移动性影响的长期成本最小化问题,然后将问题进行了分解,得到了一个包含显式成本最小化问题的马尔科夫决策过程。为了解决这一优化问题,本文设计了一个动态感知环境信息的计算卸载方案。所设计的方案使用深度强化学习方法,基于计算任务状态和D2D接触状态做出卸载决策,仿真结果表明使用所提出方案的卸载决策,能够充分利用闲置用户设备的计算资源并节省连续时间上的用户设备总的能耗。