随着互联网在社会生产和生活中的广泛使用,接入网络中的设备迅速增多,数据量急剧增加,具有低时延、高可靠和大计算量需求的计算任务越来越多。传统的计算方式是将计算任务发送到云数据中心进行处理,这种方式会导致网络拥塞问题,并且由于数据中心与终端用户之间的传输距离较远而造成的高延迟,也无法满足实时性应用的需求。雾计算是一种新兴的计算模式,相对于云数据中心集中式的计算资源,雾计算将计算资源分散到网络边缘设备中,从而使得用户数据可以在网络边缘进行处理。雾计算通过在网络边缘处理大部分的用户数据,可以有效地降低计算时延,支撑了新的时延敏感应用,解决低时延的服务需求问题,这种计算模式同时也减少了上传到核心网络的数据量,有效避免了网络拥塞问题。由于在雾计算中各个雾节点是计算资源、存储资源有限的设备,这些设备很难通过协作分配资源来满足用户的需求。同时用户计算任务对计算资源和存储资源需求的多样性,导致资源分配更加的复杂。所以如何分配雾计算中有限的资源来处理大量的用户数据非常具有挑战性。本文针对协作式雾计算资源分配问题进行研究,具体内容如下:针对雾节点之间协作处理计算任务的场景,本文建立了以最小平均任务时延为目标的非凸优化模型。根据该非凸模型设计了下界问题,此下界问题为一个凸优化问题。通过反复迭代下界问题,从而获得原问题的近似解。除此以外,本文还对算法的收敛性进行了证明,对下界问题与原问题之间的误差进行了分析。针对用户、雾节点与云之间协作处理任务的场景,本文建立了以最大加权接入量为目标的非凸优化模型。根据该非凸模型设计了下界问题和上界问题,这两个问题都为凸优化问题。通过反复迭代下界问题和上界问题,从而获得原问题的近似解。除此以外,本文还对算法的收敛性进行了证明,对上界问题与原问题之间的误差进行了分析。基于上述两种场景,本文通过仿真分别验证了两种算法所作出的资源分配决策和任务分载决策都能够达到系统最优,并且所作决策符合任务处理的要求,设备可以分配对应的资源来进行任务处理。验证了参与协作的雾节点越多,平均每个任务消耗的时间越小。验证了随着任务到达率的增加,系统的接入率将逐渐降低,消耗系统资源较多的任务将会首先被部分接入。