随着5G技术和物联网行业的高速发展,智能移动设备和新兴技术应用（如增强现实、智慧交通等）都处在一个蓬勃发展的状态,这些新兴应用对延迟、计算资源和能耗等方面都提出更高的要求。然而移动设备要兼顾其移动性和便携性,其硬件配置十分有限,无法满足应用程序的计算资源需求。边缘计算技术的出现弥补了智能移动设备计算资源不足的问题,同时边缘服务器部署的位置靠近用户,能够提供延迟更低的边缘计算服务,因此近几年成为研究的重点。目前边缘计算服务的研究主要工作是如何制定一个更加科学合理的计算卸载决策和资源分配方案,达到减少延迟的目的。然而将计算任务从移动设备传输给边缘服务器进行处理,虽然能降低设备的延迟和能耗,但却会带来额外的网络传输能耗和服务器运行能耗,较少研究会将这两部分额外的能耗作为优化目标,对于提供边缘计算服务的企业来说,他们需要增加服务器使用寿命,延长使用时间。基于上述情况,本文主要做了以下工作:（1）本文构建了一个多用户设备单边缘服务器的资源调度系统模型。该模型将降低服务器能耗作为优化目标之一,并且将边缘服务器的存储,最大能耗和CPU周期等计算资源作为约束条件,最终提出了与移动设备计算能耗、数据传输能耗和边缘服务器计算能耗相关的总能耗公式。针对该优化问题,本文提出了一种基于分层学习的粒子群算法来进行求解。利用粒子群算法的全局搜索能力和收敛速度,能够更加快速稳定的找到最优的资源分配方式,有效降低系统模型的总能耗,通过与其他群智能算法进行对比实验发现,基于分层学习优化的粒子群算法,能更快速地获得满足约束条件并具有更低能耗的资源调度最优解。（2）在多用户设备单边缘服务器能耗优化工作的基础上进一步扩展,构建了多用户设备多边缘服务器的资源调度系统模型。其中智能移动设备可以根据自身的计算任务的需求以及服务器的计算资源,选择最适合的服务器来帮助自身完成计算计算任务。针对基于分层学习的粒子群算法在求解多服务器系统模型出现的服务器分配不均问题,提出了改进的分层学习的粒子群算法,结合遗传算法的交叉操作,使其更适合于解决多服务器模型下的能耗优化问题。最后通过实验证明了该算法的优越性。本论文将边缘服务器处理数据产生的能源消耗也作为优化目标之一,提出了联合优化智能移动设备和边缘服务器总能耗的边缘计算系统模型,并提出了基于分层学习的粒子群算法对问题进行优化。而针对该算法在优化多服务器系统模型能耗时存在的问题,本论文将粒子群算法、遗传算法和分层学习策略进行结合,提出了改进的分层学习的粒子群算法。实验结果表明,本论文提出的两种算法,在两种不同的模型下都能得出能耗最低的结果。