随着移动互联网、物联网等新技术的迅猛发展,自动驾驶和智能工厂等新型实时监测和智能控制类应用场景不断涌现。由于系统环境复杂多变,获取的信息仅在一段时间内对系统决策具有指导意义,因此信息的高时效性对于控制类应用是至关重要的。然而由于传统性能指标（如时延和吞吐量）无法捕捉信息的这一特性,信息年龄（Age of Information,AoI）作为新的性能指标被提出用于衡量信息时效性。另外,对于智能控制系统,其环境状态信息是嵌入在原始数据中,需利用计算资源对其进行分析和处理以提取出状态更新。考虑到终端设备能量受限和计算能力弱等缺点,引入移动边缘计算（Mobile Edge Computing,MEC）,可以将终端设备的计算负载卸载到附近的边缘服务器进行处理。目前,AoI的研究主要集中在通信网络系统中的信息传输,缺少对信息处理能力的刻画。另外,现有MEC的研究主要考虑处理独立任务的时延和能量消耗,缺少对连续生成任务之间的时间相关性的考虑。并且由于设备的能量以及边缘网络的通信和计算资源均受限,如何合理分配和高效利用有限的能量、通信和计算资源来保证信息的高时效性是将要面临的关键挑战。因此,本文对边缘网络中多维资源受限下由任务处理获得的状态更新的时效性模型进行研究,并且提出基于信息时效性的任务生成、计算卸载和多维资源管理方案,旨在提升多维资源的利用效率和保障状态信息更新的高时效性。本文具体工作和创新点如下:（1）针对单设备场景中信息时效性要求和设备能量限制的矛盾性,研究能量受限下通过任务处理获得的状态更新的年龄最小化问题。首先,根据AoI的概念,对通过任务处理获得的状态更新的时效性进行建模。其次,针对已知信道统计信息的情况,推导出最优确定性策略相对于年龄和信道状态的阈值结构特性,并且提出一种轻量型的基于策略结构的任务生成和计算卸载算法。进一步考虑未知信道统计信息的情况,提出一种基于强化学习的任务生成和计算卸载算法,通过学习得到高效的系统决策。最后,通过仿真验证提出的任务生成和计算卸载策略能够显著降低状态更新的平均年龄。（2）针对多设备场景中通信和计算资源受限下的多设备资源竞争,研究在每个设备获得的状态更新的时效性要求,以及通信和计算资源受限下的设备能量消耗最小化问题。首先,利用平均年龄受限表征状态更新的时效性要求。其次,基于虚拟队列的概念和李雅普诺夫优化技术,提出一种低复杂度的在线优化方案,可根据当前网络状态得到高效的任务卸载和资源分配决策。并且从理论上推导出所提出方案得到的平均能量消耗具有与时间无关的上界以及证明了虚拟队列的稳定性。最后,仿真结果表明:提出的方案在满足信息时效性要求的同时能够显著降低设备的能量消耗。（3）针对基于能量收集的多异构设备场景中设备的能量随机达到,能量收集模式异构性以及通信和计算资源双重随机性,研究联合考虑多异构设备调度以及任务传输和计算相互协作的状态更新年龄最小化问题。首先,根据AoI的概念,定义两阶段的性能指标来量化由任务传输和处理获得的状态更新的时效性,并且利用两个性能指标的相关性执行多设备任务传输和处理调度。其次,将年龄最小化问题转化为能量管理、任务传输调度和任务计算调度三个每时隙确定性优化子问题,并且提出一种低复杂度的在线多异构设备任务传输和计算联合调度方案求解其问题。最后,分析与能量收集设备相关的扰动参数和电池能量水平,以及通过仿真验证提出的方案在状态更新的年龄优化方面明显优于现有的调度方案。