物联网和5G通信的广泛运用使得移动设备上的应用程序日趋复杂,这就需要移动设备具备更强的计算能力和更多的计算资源。然而,由于移动设备自身体积的限制,有限的电池容量和过高的能量消耗限制了这些应用的发展。为了使移动设备从这些限制中释放出来,移动边缘计算(Mobile Edge Computing,MEC)的概念应运而生,目的是为用户提供更高质量的服务体验。MEC是一种利用无线网络为附近用户提供IT和云计算服务的技术,可以构建低延迟、高带宽的网络环境,提高网络服务的响应速度。为了合理利用MEC上的优势计算资源,设计一套高效的任务迁移方案就显得尤为关键。任务迁移技术能够将原本在移动设备上进行计算的任务迁移到MEC服务器,利用MEC服务器丰富的计算资源完成任务,降低移动设备的计算压力。高效的任务迁移策略可以在保证数据延迟要求的基础上最小化移动设备的能耗。针对降低移动设备能耗的优化目标,本文设计了两种不同MEC场景下的任务迁移策略制定的方法,主要工作如下:针对单移动用户-单MEC服务器的场景,本文提出了一种基于蚁群算法的细粒度任务迁移策略。该策略首先将移动设备的任务进行细致的拆分,根据拆分出的不同子任务的数据特征,将任务划分为通信密集型子任务和计算密集型子任务,并确定需要迁移的子任务数据集合。随后使用蚁群算法,在降低制定任务策略时间复杂度的基础上,得到可使移动设备能耗达到近似最优解的策略,从而利用更短的时间获得任务迁移策略的次优解。仿真结果显示,相比静态迁移策略和全迁移策略,使用本方法的移动设备总能耗分别降低了13.27%和26.49%。针对多移动用户-单MEC服务器的场景,本文提出一种基于深度确定性策略梯度算法的任务迁移策略。该场景考虑到同一MEC服务器会为其周围大量不同用户提供计算资源,而现实中MEC服务器的资源是有限的,不一定能同时满足所有用户的迁移请求。这就导致随着用户规模的增长,上传任务到MEC的等待时延也会越来越长,并且不同用户同时进行任务迁移时相互之间也会产生信道干扰。为此本文提出以满足任务执行延迟为基础,通过动态电压调整技术控制移动设备的计算、传输功率,目标是尽可能降低移动设备的能量消耗的迁移策略优化目标。并根据功率控制是具有连续性的特点,提出了一种基于深度强化学习深度确定性策略梯度算法的任务迁移优化策略。这是一种基于连续动作空间的深度强化学习算法,同时可以使得每个移动用户在本地学习任务迁移策略。该策略能够使移动设备依据自身任务队列的长度以及MEC环境的优劣,自适应的分配任务本地执行或者迁移执行。本策略还可以通过设置权重参数,适配不同移动用户的使用偏好。最后的仿真实验结果显示,本文提出的方法在绝大多数场景中相比本地执行与迁移执行的贪婪策略,都拥有更好的任务迁移能耗表现。