近年来随着云计算、物联网等技术快速发展,越来越多具有计算密集和时延敏感特性的新型网络应用开始出现在用户视野。为了克服移动设备在执行新型网络应用时工作负载方面的局限性,移动边缘计算（Mobile Edge Computing,MEC）能够有效解决联网（Internet of Things,Io T）设备能量和计算能力不足的问题,成为下一代网络关键技术。边缘计算系统中任务卸载及资源分配方案受到工业界和学术界的广泛关注,然而在目前研究中,使用计算卸载技术将移动用户设备上新型网络应用程序卸载到边缘服务器的过程,存在着卸载方案系统代价过高、对时延的限制条件不加区分和在时延与能耗平衡上顾此失彼等不足。因此本文提出了一种综合衡量服务延迟和能量消耗占比的多任务计算卸载模型并提出了一种多策略自适应蝙蝠算法来求解模型的计算卸载决策向量,进一步改善计算卸载的功能。本文主要研究工作包括以下两个方面:第一,本文针对移动边缘计算中需要对任务运行时间以及任务能耗多少进行优化和限制的问题,提出了一种在能耗约束条件下,综合衡量服务延迟和能量消耗占比的多任务计算卸载模型。具体地说,针对移动边缘计算构造了一个混合整数非线性规划问题,并通过分析代价函数的凸性和约束条件来解决该问题。第二,本文提出了一种多策略自适应蝙蝠算法（Multi-strategy Adaptive Bat Algorithm,MABA）来求解模型优化后的计算卸载决策向量。首先将蝙蝠算法（BA）进行改造使其能在离散情况下运行;然后在蝙蝠算法的全局搜索方式上通过动态调整搜索方式、多策略设计以及将算法与随机飞行策略三种措施相结合来弥补蝙蝠算法收敛过早的缺陷,加强其在离散空间中全局检索能力,避免陷入局部最优解;最后在蝙蝠算法局部搜索方式上通过对搜索方式进行自适应和多策略等设计,加强其局部检索能力,让算法能在离散环境下进行有效的局部最优解检索。通过仿真实验,将MABA分别与人工鱼群算法（AFSA）、细菌觅食算法（BFA）、基因算法（GA）、粒子群优化算法（PSO）、本地计算（LC）和随机卸载（RO）等方法进行了多维度的比较和分析。实验结果表明,MABA算法在所有指标上都优于基准算法,能够有效降低计算卸载系统总成本,可以更好的应用于移动边缘计算中。