作为5G中的一项关键技术,移动边缘计算(Mobile Edge Computing,MEC)技术通过将传统的云计算平台“下沉”到网络边缘,从而就近为移动用户提供计算和存储服务。由于移动终端设备的资源受限,难以独自运行一些计算密集型应用程序(如VR/AR、自动驾驶、远程医疗等),因此,移动终端设备可以通过计算任务卸载技术将计算密集型应用程序部分卸载到MEC服务器,由MEC协助终端设备完成。与传统使用云数据中心提供计算和存储服务的移动云计算(Mobile Cloud Computing,MCC)相比,MEC具有以下优势:第一,MEC距终端设备更近,有效降低了用户与MCC的传输时延;第二,由于MEC位于网络边缘,可以更快感知周围用户设备的位置和环境的变化,因此其调度会更加的灵活;第三,MEC分布式部署,避免了海量数据传输到云数据中心,有效缓解对核心网的负担。基于以上优势,MEC受到学术界的广泛关注。目前针对MEC中可分割任务卸载的研究普遍还存在以下问题:忽视了任务分割后子任务之间的依赖性,或是仅仅考虑任务的顺序依赖性;简化了MEC服务器的处理器模型,假设服务器处理能力无限,以致于忽略了多个MEC服务器计算和存储能力异构的问题;多数研究仅从移动设备的角度,例如控制设备的发射功率,CPU频率来制定决策,而很少从计算任务特性的角度来制定卸载策略;忽略了待处理应用程序的紧急程度,对于车联网或者远程医疗领域等涉及到安全攸关的任务来说,保证任务在容忍时间内完成至关重要。因此,针对上述问题,本文研究了密集小区网络技术与移动边缘计算技术相结合的多边缘服务器协作场景和D2D边缘计算场景下的可分割任务卸载决策问题,具体研究主要如下:(1)考虑一个密集小区中多个MEC服务器的协作场景,通过将密集小区技术与MEC技术相结合,为用户提供更高系统的网络容量和计算能力。本文基于有向无环图(Directed Acyclic Graph,DAG)对计算密集型应用程序进行建模,应用程序可分割为多个具有特定依赖性的子任务。为提升用户体验,减少移动用户的通信和计算成本,公式化一个具有应用程序完成时间约束的系统成本优化问题。所提问题具有NP难性质,因此,提出一种基于任务聚类的任务分配算法(Task Allocation Algorithm based on Task Clustering,TAA-TC),来求解优化问题。算法分为三步:首先,将DAG任务模型在垂直方向上将相邻子任务进行聚类;其次,确定聚类后任务簇的优先级,并计算各任务簇的最大容忍时延;最后,通过任务簇间的优先级、任务簇的最大容忍时延以及在水平方向上任务簇间的并行性,进行任务分配。本文首先,讨论对树结构应用程序进行任务分配,然后,讨论通用型应用程序的任务分配问题,将通用型简化为树结构任务图,并利用所提算法对任务进行分配。最后,通过实验仿真验证算法的有效性。(2)在物联网设备大规模增长的趋势下,本文希望能够充分利用这些移动设备的计算资源,充分利用设备到设备(Device-to-Device,D2D)通信技术的优势,提出D2D移动边缘计算任务卸载架构,移动设备可以利用其直接端到端通信方式,实时共享彼此的计算资源。其中本地空闲的无线设备(Wireless Device,WD)作为本地用户附近的边缘计算节点,为本地繁忙的用户设备提供计算资源。本文首先基于有向无环图(Directed Acyclic Graph,DAG)对多个计算密集型应用程序进行建模,该模型中,每个应用程序包含多个子任务,且子任务之间有严格的依赖性。其次,针对D2D边缘计算系统的特殊性(边缘计算节点由电池容量有限的移动智能设备组成),提出系统平均能量消耗比率这一新的指标,用于评估各移动设备在系统中的能量消耗程度。基于系统架构、任务建模和新评估指标,制定满足应用程序完成时间期限条件下的最小化系统平均能量消耗率优化问题。考虑到所提出问题具有NP难性质,本文将优化问题转化为任务调度问题,并考虑待处理应用程序的紧急程度,提出一种基于任务优先级的启发式调度算法(Heuristic Task Scheduling Algorithm based on Task Priority,HTSA-TP),对优化问题进行求解。最后通过实验仿真,验证算法的有效性。