随着移动设备的快速发展,相关智能应用极大地改变了人们的生活方式。但由于移动设备的计算和存储资源有限,同时传统云计算中任务卸载方式存在高延迟、网络拥塞、传输距离远等问题,已经不能满足计算密集型和时延敏感型任务的计算要求。而移动边缘计算(Mobile Edge Computing,MEC)技术将云端的计算与存储能力下沉到用户近端的网络节点上,并且能够在满足低延迟的要求下提供计算服务。因此,将任务卸载到MEC服务器上计算,能够提高任务计算效率、降低任务时延、降低移动设备能耗和任务卸载成本。MEC中任务卸载受到能耗、时延以及卸载成本等多种因素影响,如何高效地进行任务卸载是亟需解决的问题。当前,众多学者研究了MEC中任务卸载的最小化卸载成本,最小化能耗和时延等问题,但存在一些不足:(1)基于最小化卸载成本的研究中,未考虑对MEC中任务卸载成本(信道传输成本和任务计算成本)的优化,以及其它空闲移动设备能够提供计算服务的可能;(2)基于最小化能耗和时延的研究中,未考虑在保证队列稳定的情况下同时降低任务时延和移动设备能耗,并且现有研究在降低移动设备能耗和任务时延方面,采用的方法依赖系统参数的过去状态,不能在每个时间片做出动态卸载决策。基于以上不足,本文进行以下研究:(1)当多个移动设备同时产生任务卸载请求时,为了达到降低任务卸载成本的目标,本文在保证队列稳定的前提下,提出了基于李雅普诺夫优化的动态卸载算法。根据任务卸载情况,建立了任务队列模型,提出了一种基于任务卸载成本与时延均衡的任务卸载策略。在每个时间片内,根据移动设备任务的产生情况做出动态卸载决策。判断任务或在本地计算或分配给其它具有空闲计算资源的移动设备计算或分配给MEC服务器计算。仿真表明,该算法能效降低任务卸载成本,并且保证队列稳定。(2)当多个移动设备任务动态卸载时,为了达到最小化移动设备能耗和任务时延的目标,建立了任务缓存队列和MEC服务器队列模型,基于李雅普诺夫优化方法,提出了一种最小化能耗和时延加权的任务卸载最优匹配策略,求解出了任务在本地计算时移动设备的最优CPU频率和任务动态卸载的最优匹配。在每个时间片内,根据队列参数情况做出动态卸载决策,即任务在本地计算或者卸载到MEC服务器上计算。仿真表明,该算法能有效地降低设备能耗和任务时延。