随着互联网技术的进步和智能终端设备数量的增长,网络边缘产生了大量数据。尽管智能终端设备的计算能力有一定提高,但是受制于尺寸的限制,广泛存在的智能终端计算能力有限,不能在保证用户体验条件下完全满足用户需求。因此需要将对实时性要求较高的终端的应用程序（Augmented Reality/Virtual Reality,AR/VR）迁移到云端执行,然而,由于云计算中心通常远离用户,将任务迁移到云计算中心处理将产生较大的网络延迟和抖动。边缘计算是一种新兴计算范式,通过在用户侧放置小型数据中心将核心网的部分功能下沉到网络边缘,使得边缘计算能够在网络边缘侧处理应用程序,有效降低网络传输延迟,保障用户实时性需求。本文主要研究边缘计算中的边缘服务器放置问题,以此优化传统网络结构,降低任务传输时延,提升用户体验。降低任务传输时延是放置边缘服务器的首要目的,然而边缘服务器系统的能耗和负载均衡也是不可忽略的问题。所以本文对边缘服务器放置的时延、能耗和负载均衡问题进行研究,并且将边缘服务器放置问题分为模拟和真实两种场景进行研究。在模拟场景中,所有基站数据均为模拟数据。在这种情形下,以优化时延和负载均衡为目标,对边缘服务器放置问题进行建模和分析。考虑到边缘服务器放置过程与聚类过程类似,采用基于灰狼优化（Grey Wolf Optimization,GWO）改进K-Means的算法作为边缘服务器放置算法,改善了K-Means对初始聚类中心敏感的问题。由于模拟场景与真实场景存在差别,所以进一步对真实场景中的边缘服务器放置问题进行研究。选取上海市作为真实的边缘服务器的放置场景,建立了联合优化边缘服务器放置问题的时延和能耗的模型。对于时延部分,引入任务处理分数ηj将时延分为转发时延、排队时延和远程传送时延三个部分,有效模拟了真实的任务迁移过程。将真实场景中的边缘服务器放置问题分为两个阶段解决,第一个阶段用来确定边缘服务器的放置位置,第二个阶段使用改进的灰狼优化（Modified Gray Wolf Optimization,MGWO）算法确定基站到边缘服务器的分配关系,该算法能够有效解决二元离散优化问题。基于真实数据集的仿真结果显示,提出的方法相比于其他对比算法在优化网络时延和能耗方面有更好的表现,并且具有良好的收敛性。