移动边缘计算作为5G关键技术之一，将云服务扩展到网络边缘上，能够降低任务处理时延。此外，合理的卸载决策和资源分配方案能够有效提升系统性能。本书针对移动边缘计算中不能分割的原子任务卸载的问题，提出了一种基于无监督深度学习的多用户移动边缘计算方案；针对移动边缘计算卸载无线传输环境恶劣的问题，提出了一种智能反射面辅助的安全计算卸载方案；针对物联网传感器设备数量大、计算和存储资源不足、电池容量有限的问题，提出了一种智能反射面辅助的无线充电协作计算卸载方案，使用户通过无线充电进行本地计算或卸载，并且使远端用户可以通过近端用户的协作，拓展自身处理任务能力；针对智能反射面重构无线传播环境的问题，提出了一种智能反射面辅助的多输入单输出系统下的盲区用户通信方案，解决了盲区用户通信问题。 本书可供凸优化理论、移动边缘计算、5G通信等相关研究方向的研究生及科研工作者阅读，也可供无线通信领域的从业者参考。

第1章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.3 本书的主要研究内容和结构安排
第2章 相关理论基础
2.1 移动边缘计算的基础理论
2.2 智能反射面
2.3 无线携能通信技术
2.4 相关优化理论
2.5 本章小结
第3章 物联网中深度学习边缘计算和通信资源分配
3.1 本章概述
3.2 边缘计算系统模型
3.3 加权能耗和最小化问题构建
3.4 深度学习问题求解及算法设计
3.5 仿真结果与分析
3.6 本章小结
第4章 IRS辅助的安全边缘计算和通信资源分配
4.1 本章概述
4.2 IRS辅助的安全边缘计算卸载模型
4.3 加权时延和最小化问题构建
4.4 问题求解及算法设计
4.5 仿真结果与分析
4.6 本章小结
第5章 IRS辅助的无线充电协作边缘计算和通信资源分配
5.1 本章概述
5.2 IRS辅助的无线充电协作边缘计算卸载模型
5.3 任务处理比特数最大化问题构建
5.4 问题求解及算法设计
5.5 仿真结果与分析
5.6 本章小结
第6章 双IRS辅助的MISO无线通信系统资源分配
6.1 本章概述
6.2 双IRS辅助的MISO系统模型
6.3 加权速率和最大化问题构建
6.4 问题求解及算法设计
6.5 仿真结果与分析
6.6 本章小结
第7章 总结与展望
7.1 本书工作总结
7.2 未来工作展望
参考文献