运用手机等终端设备进行人脸识别或其它复杂的计算任务已融入人们日常生活。终端上频繁进行的计算任务卸载往往因资源不足导致不能卸载或卸载耗时较长,严重影响用户体验。基于云服务器的计算任务卸载需要经过核心网转发,卸载任务时延和能耗受网络影响严重,数据安全不能保证。本文研究的基于边缘计算服务器的卸载任务方法,计算任务不通过核心网转发,经权限确认、资源分配后在靠近用户侧的边缘服务器上完成卸载,有力弥补了云计算的缺点,具体工作如下。针对多任务连续卸载的需求,提出一种边缘计算仿真系统优化框架,保留边缘计算中的最小系统,舍弃了计费、第三方兼容等模块,根据应用场景进行框架优化,得到以决策算法为中心的仿真系统低成本轻量化实现。论文以计算任务卸载算法为研究重点,在建模以及后续的仿真实验中,不针对某一特定场景下的任务进行计算卸载,而是将实际场景下的任务抽象为如一组特定信息,其中包含任务的Qo S指数、所占内存大小、CPU时钟周期数、最大时延。针对多任务连续卸载方案寻优的问题,研究香农公式,建立单任务卸载数学模型,分析单任务卸载的约束条件,建立以多任务卸载方案的时延、卸载率为目标的优化模型。针对多任务单次卸载决策问题,从禁忌表、信息素和启发式因子三个角度优化蚁群算法,并融合遗传算法形成联合卸载算法。使用相同任务与计算资源进行单次卸载,以不同的决策算法进行对比仿真,实验结果表明基于蚁群算法与遗传算法的联合卸载算法性能较优,相比纯粹的蚁群算法、遗传算法,卸载耗时更少,其性能更好。使用Docker容器等技术搭建仿真系统,并使用node.js实现系统可视化。在仿真系统中使用不同决策算法进行实验,以对比两算法的卸载性能及收益,得出结论:以10次决策数据分析,联合卸载算法在连续卸载场景下性能较优,且决策次数越高,算法收益越大。