随着科技的快速发展,移动设备的进步以及人们对设备的功能需求越来越大,如今在移动设备的执行的媒体应用和计算任务日益增加,低延迟已经成为提高用户体验指标(Qo E)的重要要求。移动边缘计算(MEC)将终端的缓存和计算服务从集中式的远端云推向了离终端用户距离更近的边缘网络中,从而减少服务造成的延迟并节省回程网络带宽。服务缓存是边缘计算近年的研究热点,但是在这些研究当中,极少有考虑多个小区之间之间的缓存协作,本文主要研究多小区之间的协作缓存带来的效益,研究的内容如下:本文提出一个多小区蜂窝网络模型,并将多小区的缓存优化问题制定为Stackelberg博弈问题,将小区控制中心和基站群分别看成是博弈模型的主导者和跟随者,并构建各自的收益函数。由于他们的收益函数非连续函数,不能用传统的博弈论求解方法得到纳什均衡解,本文提出用迭代交替式算法对问题求解,控制中心和基站群分别用改进的混合蛙跳算法(LTGA)和贪婪交换算法(GSA)进行求解,最终得到的近似解作为本模型的最终解。最后通过数值模拟实验,我们验证了多小区间协作能够有效降低系统成本,并且证明了本文提出的算法的性能优于其他研究提出的贪婪式优化算法。由于在现实生活中,用户请求数据往往是动态变化的,为了适应动态场景求解缓存优化问题,我们考虑采用强化学习理论进行建模,但传统的强化学习在某些场景存在缺陷,为了弥补强化学习的不足,我们利用深度学习的强表征能力与强化学习结合的方法,即深度强化学习方法来解决缓存优化问题。首先,我们构建强化学习的关键要素,并定义了Q-learning算法的更新公式。为了避免Q-learning算法的状态空间过大问题,我们提出基于深度强化学习的DQN算法,最后通过数值模拟实验表现了该算法能有效降低时延和回城链路负载的联合成本。