多服务移动边缘计算（multiple-services mobile edge computing，MSs-MEC）能根据需求自适应调整服务缓存决策，使得部署在用户侧的边缘服务器能够灵活处理不同服务类型的任务。但在实际应用中，特定类型任务的成功迁移依赖于服务环境的提前安装。此外，同时进行任务迁移和服务缓存可能会因时间冲突而导致计算延时。因此，针对上述相关问题，首先将任务迁移和服务缓存决策进行解耦，针对深度强化学习（deep reinforcement learning，DRL）在具有高维的混合决策空间的性能提升不明显的缺点（例如资源分配时利用率不高），将DRL与Transformer结合，通过在历史数据中学习，输出当前时隙的任务迁移决策和下一时隙的任务决策，保证任务到达边缘服务器时能立即执行。其次，为了提高资源分配问题中的资源利用率，将问题分解为连续资源分配问题和离散的任务迁移与服务缓存问题，利用凸优化技术求解资源分配最优决策。广泛的数值结果表明，与其他基线算法相比，提出的算法能有效地减少任务的平均完成时延，同时在资源利用率和稳定性方面也有优异的表现。