近年来,得利于无线通信技术的快速发展,全球移动设备的数量已经远远大于主机型电子设备。移动设备在给人类带来便利的同时,也在科技技术上对人类提出了更多的要求。由于移动设备受电池容量的限制,其计算能力是非常有限的。伴随着人们对移动智能设备更高的依赖和要求,更多且更繁重的任务需要它们去完成,如何在有限的计算能力和电池容量下完成复杂的任务成为该领域急需突破的关键性任务。研究者们提出了移动边缘计算（Mobile Edge Computing,MEC）概念,该技术通过无线传输将移动设备需要计算的任务卸载到MEC网络中配由计算服务器的边缘计算节点,节点协助移动设备计算任务并将其结果返回到移动设备。尽管现有的无线传输技术已经非常的发达,但是面对实时移动且复杂的通讯环境,如何卸载任务和调度有限的通信资源吸引了我们的注意力。本文主要对MEC网络中任务卸载和无线资源分配进行了研究。首先我们考虑了一个多中继多计算接入点（computational access point,CAP）的三层无线传输网络,其中用户需要在CAP的协助下完成本地计算任务,为了提升通信质量,我们在用户与CAP之间设置中继协助数据传输,同时中继本身具备计算能力。我们考虑了 MEC网络中两个重要的因素:时延和能耗。于此同时,使用了线性组合的方式将时延和能耗结合,在将多目标优化问题转化为单目标优化的同时,可以进一步使线性组合的优化目标适应更多的场景。紧接着,我们通过对任务卸载策略、带宽分配方案和带宽选择标准进行优化,使代价函数最小化。为了进一步了解MEC网络中其他因素,我们进一步研究了价格对MEC网络中移动用户的影响。具体来说,我们假设了多用户和一个CAP的系统模型,同样的,用户的任务需要CAP的协助从而降低时延,而CAP在协助用户计算任务的同时收取用户费用。整个过程中,用户可以通过控制任务卸载率尽可能降低本身所付出的代价（时延与费用的线性加权和）,而CAP则通过动态的调整价格提升自身的收益。此时用户与CAP之间形成博弈,我们通过多智能体强化学习中的赢或快速学习（Win or Learning Fast,WoLF）建模用户与CAP之间的博弈关系,并学习到稳定的状态。对次,我们进行了大量的仿真实验,实验结果在多维度表明了我们所提方案的有效性。