近年来,随着矿山行业智能化水平的逐步提高,越来越多的智能矿山子系统采用移动边缘计算方法（Mobile Edge Computing,MEC）来提升煤矿现场智能分析、决策和控制能力,但煤矿井下与传统行业现场不同,其移动用户设备取电困难,电池电量容易耗尽,典型的不考虑能耗的边缘计算资源调度方法很难适应煤矿井下需求,因此,如何为矿山边缘任务的分配选择合适的资源分配策略成为了智能矿山移动边缘计算研究中的重点。本文以智能矿山中边缘计算设备资源分配策略为研究对象,分析了矿山边缘计算技术的应用体系架构,提出了日常调度和应急场景两种井下应用的模型,并基于此展开研究。本文分析了在煤矿井下日常场景下,MEC工作的特点和存在的主要问题,提出一种基于遗传算法的移动边缘计算资源分配方法,考虑了服务器间协同卸载方式,对移动边缘计算中任务时延和能量消耗问题进行建模,并采用遗传算法进行有效求解。将移动用户设备生成任务的本地执行或卸载后执行决策抽象为遗传算法中染色体,将任务平均时延和系统能量消耗作为遗传算法的筛选阶段评价指标,经过一代代种群进化得到局部最优解。对所提出的资源分配优化算法进行了仿真,与多种基准算法进行比较表明,基于遗传算法的移动边缘计算资源分配方法能够达到更短的任务时延,更低的系统能量消耗,和其它方法相比任务时延和系统能量消耗最多减少了40%,可以有效地改善用户体验。针对应急情景的井下MEC资源分配问题,提出一种基于二维动态偏好的匹配算法,在满足延迟约束服务质量（Quality of Service,Qo S）并在用户能耗容忍范围内最大化边缘服务器计算资源总体使用率及总任务完成度。将多边缘服务器多移动设备的应用场景建模为多对多匹配问题,并引入边缘服务器动态算力和移动用户设备动态剩余能量两个动态参数,将传统的静态模型转化为动态匹配模型,该动态匹配模型优点在于能够实时根据当前边缘计算服务器剩余算力重新生成移动边缘计算场景中移动用户设备对边缘服务器的偏好值,进而获得对每个移动用户设备而言当前最优边缘服务器。仿真结果表明,与几种常规方法相比,该方法在移动边缘计算资源分配方面表现良好,在大任务量情境下,其能够达到58%的任务总体完成率。