目前,大量的新服务的产生使得移动数据流量正处于一个非常快的增长阶段。在数据挖掘的新时代,大量需要处理的数据将由传感器或IoT设备收集完成。某些应用程序需要在非常短的延迟内处理任务数据,但是普通的传感器要运行复杂的程序难度高,且将数据再上传到云端的延迟大,有时要远远大于某些应用程序的低延迟约束,从而对任务的服务质量产生影响。为了克服这个问题,移动边缘计算(MEC)在网络边缘引入了计算功能,它旨在确保有效的网络操作和服务交付的基础上有效的减少延迟,并将内容和服务推向用户附近,使得应用程序、服务和内容被部署离用户更近的本地,从而为用户提供低延迟、高带宽和实时的服务环境。移动边缘计算(MEC)通过将计算密集型工作负载转移到MEC服务器,极大地改善计算体验的质量,但是由于卸载过程中存在资源竞争执行及如何最优的选择服务器等问题,计算卸载策略面临新的挑战。本文主要研究内容阐述如下:(1)基于多服务器场景的任务卸载问题,提出了服务器区域划分算法,减少传输能耗,将算法应用到边缘计算任务卸载中,达到能耗和任务总体执行时间之间的权衡,最小化任务执行总开销。将问题建模为任务分配与卸载的资源联合优化问题,考虑了基于服务器区域划分中卸载的能耗问题,将移动设备用户之间的任务卸载决策问题转化为多用户博弈问题,通过实现纳什均衡,得出多用户任务卸载问题的最优解。仿真实验结果表明证明该算法可以有效的降低任务执行能耗,提高系统性能。(2)研究一个带有能量收集设备的绿色MEC系统,并提出基于李雅普诺夫优化的动态计算卸载算法,通过在每个移动设备的局部执行、卸载执行和任务丢弃之间选择执行模式,算法可以渐进地获得整个系统的最优结果。仿真结果验证了理论分析,验证了算法的有效性。该算法在保证QoE的前提下,可以有效的提高计算任务的负载率。