随着车联网（IoV）的快速发展，智能网联汽车产生了大量延迟敏感型和计算密集型任务，有限的车辆计算资源以及传统的云服务模式无法满足车载用户的需求，移动边缘计算（MEC）为解决海量数据的任务卸载提供了一种有效范式。但在考虑多任务、多用户场景时，由于车辆位置、任务种类以及车辆密度的实时性和动态变化，IoV中任务卸载场景复杂度较高，卸载过程中容易出现边缘资源分配不均衡、通信成本开销过大、算法收敛慢等问题。为解决以上问题，重点研究了IoV中多任务、多用户移动场景中的多边缘服务器协同任务卸载策略。首先，提出一种多边缘协同处理的三层异构网络模型，针对IoV中不断变化的环境，引入动态协作簇，将卸载问题转化为时延和能耗的联合优化问题；其次，将问题分为卸载决策和资源分配两个子问题，其中资源分配问题又拆分为面向边缘服务器和传输带宽的资源分配，并基于凸优化理论求解。为了寻求最优卸载决策集，提出一种能在协作簇中处理连续问题的多边缘协作深度确定性策略梯度（MC-DDPG）算法，并在此基础上设计了一种异步多边缘协作深度确定性策略梯度（AMC-DDPG）算法，通过将协作簇中的训练参数异步上传至云端进行全局更新，再将更新结果返回每个协作簇中提高收敛速度。仿真结果显示，AMC-DDPG算法较DDPG算法至少提高了30%的收敛速度，且在奖励和总成本等方面也取得了较好的效果。

针对服务缓存和任务卸载联合优化中，由于缺乏对用户服务请求多样性和动态性的综合考虑而导致的用户体验质量降低问题，提出一种基于动态服务缓存辅助的任务卸载方法。首先，针对边缘服务器执行缓存服务动作空间较大的问题，重新定义了动作，并筛选出最优的动作集合以提高算法训练的效率；其次，设计一种改进的多智能体Q-Learning算法学习最优的服务缓存策略；再次，将任务卸载问题转换为凸优化问题，利用凸优化工具获得最优解；最后，利用拉格朗日对偶法求得最优的计算资源分配策略。为了验证所提方法的有效性，基于真实数据集进行了充分的实验。实验结果表明，对比Q-Learning、双层深度Q网络（D2QN）以及多智能体深度确定性策略梯度（MADDPG）方法，所提方法的响应时间分别降低了8.5%、11.8%和12.6%，平均体验质量分别提高了1.5%、2.7%和4.3%。

端到端（D2D）通信利用边缘网络的本地计算和缓存能力，可以满足未来移动网络用户低延时、高能效的内容共享需求。而边缘网络内容共享效率性能的提升不仅取决于用户社交关系，同时也高度依赖终端设备的特征，如计算、存储和剩余能量资源等。因此，以最大化能量效率为目标，综合考虑设备异质性、用户社交性和兴趣差异性，提出一种用户-设备-内容多维度关联特征的D2D内容共享机制。首先，基于用户成本效益最大化将多目标约束问题转化为最优节点选择和功率控制问题，构建面向用户-设备-内容的多维度知识关联特征和图谱模型，将设备相关的计算资源、存储资源等多维特征结构化处理；其次，研究用户在设备属性和社交属性上的意愿度度量方法，提出一种基于用户社交和设备图谱的共享意愿度度量方法；最后，根据用户共享意愿度构建面向内容共享的D2D协作簇，面向能量效率设计一种基于共享意愿度的功率控制算法，以最大化网络共享性能。在真实用户设备数据集和infocom06数据集的实验结果表明，所提基于共享意愿度的功率控制算法与最近选择算法和不考虑设备意愿度的选择算法相比，系统和速率分别提升了约97.2%和11.1%，用户满意度分别提升了约72.7%和4.3%，能效分别提升了约57.8%和9.7%，验证了所提算法在传输速率、能量效率和用户满意度等方面的有效性。