随着物联网技术的迅速发展与5G网络通信技术的普及,智能终端设备数量急剧增加,网络流量数据也因此呈指数级增长。传统的云计算模式在面对这种情形已经略显乏力。边缘计算正是在这种背景下诞生的。通过将云计算中心的资源下沉到网络边缘设备端,就近为智能终端设备提供计算和存储的服务,从而缩短任务的处理时延和能耗,保障用户服务质量。针对当前边缘计算任务卸载过程中对时延和能耗等多目标优化问题的局限性,本文对边缘计算多目标优化任务卸载策略进行了研究,具体工作内容如下:（1）针对传统的启发式算法在解决任务卸载策略问题上的局限性,本文提出了混合粒子群优化算法,该算法吸收了遗传算法和粒子群优化算法各自的优点,在解决任务卸载过程中的时延和能耗等多目标优化问题上能够实现更优的任务卸载策略。首先,本文构建了多终端多边缘服务器的任务卸载场景,然后对任务卸载过程中的时延、能耗、花销以及均衡负载等因素建立了多目标优化模型。模型求解过程中,对粒子群优化算法的惯性权重更新方式进行了改进,同时融入了遗传算法选择、交叉和变异的思想,避免了粒子容易陷入局部最优解的问题,同时提高了算法的收敛速度。最后用实验验证了本文算法在解决任务卸载策略问题上的优越性。实验结果表明,本文所提出的混合粒子群优化算法在时延和能耗上均优于传统的启发式算法,平均时延和能耗分别降低了12.6%和10.3%。（2）针对卸载过程中任务具有可分割性的特点,本文提出了一种细粒度的任务卸载策略。该策略旨在将每个任务进行划分,将任务细分成多个具有互相依赖关系的子任务。首先本文构建了任务细分模型,通过分析每个子任务之间的串并行顺序,将同一层的子任务并行卸载到边缘服务器上执行,同时将具有依赖关系的子任务最大化合并到同一边缘服务器上处理。然后对任务卸载过程中的时延、能耗、花销以及均衡负载等因素建立多目标优化模型。最后采用MOEA/D算法对模型进行求解得到候选的任务卸载策略集合,利用卸载决策矩阵筛选出最优的任务卸载策略。仿真结果表明,本文所提出的任务细粒度卸载策略在各项指标上均较优于任务粗粒度卸载策略,平均时延和能耗分别降低了11.1%和9.7%。