随着移动通信技术的发展和移动设备的普及,增强现实、人脸识别等移动服务应用的开发也越来越多。虽然移动设备具有可以随时随地为用户提供移动服务的优势,但是移动设备大多体积较小且资源受限,难以承受较大数据量的复杂计算,因此无法保证为用户提供高质量的移动服务。移动边缘计算技术的出现为解决移动设备资源受限问题提供了一种解决方案。通过将在移动设备上执行的部分计算任务迁移到边缘服务器上去执行,不但能够缓解移动服务器的计算压力,而且能够保证移动用户获得高质量的服务体验。本文在对移动服务和移动边缘计算等技术进行分析和研究的基础上,对移动边缘计算环境下的移动服务迁移问题进行了深入研究。本文将移动设备构建为移动服务器,将部署在移动服务器上的移动服务划分成多个具有依赖关系的子服务。首先,将移动服务迁移问题转化成非线性0-1规划问题。综合考虑移动服务器的监控代价、服务执行代价和数据传输代价等因素,设计了基于能耗阈值的边缘服务器选择算法,构建了以能耗和时延之和作为优化目标的服务迁移模型。然后,为了求解服务迁移模型,本文对传统的遗传算法进行了改进,即在传统的遗传算法中融入反向学习机制,提高了算法的执行效率和收敛速度;融合Levy Flight机制,扩大了种群多样性,提高了目标值的收敛精度。之后,采用改进的遗传算法对服务迁移模型进行了求解。实验结果表明,本文提出的边缘服务器选择算法和移动服务迁移模型,在算法的收敛速度、收敛精度、能源消耗以及准确率等方面都具有明显优势。最后,给出一个应用案例,验证了本文研究的服务迁移模型的有效性。