随着5G基站的不断增加、移动终端设备计算性能的日益提高,移动互联网络下能完成的任务种类和数量越来越多,需要处理、传输的数据总量也越来越大,传输速率也在逐年增长,这些进步给用户带来了更好的应用体验。未来从二维图像、视频向三维数据应用演进将会是不可阻挡的趋势。在此前提下,移动边缘计算水平和能力必将继续提高,以适应不断提高的移动互联网需求。目前,已有的移动边缘计算研究主要关注两个方面。一方面是移动终端的任务卸载策略研究,注重降低移动终端的任务时延、能耗或时延+能耗的综合指标;现有的研究大多忽略了移动终端任务流的拓扑结构在移动终端和边缘服务器中的分布,以及用户隐私保护的刚性要求。另一方面是边缘计算服务器的资源分配策略研究,注重提高带宽资源、存储资源、计算资源的利用率和任务时延指标。现有的研究是在给定任务流数量、服务器数量固定、不考虑服务器资源竞争和网络拥塞的前提下做出卸载决策。而实际情况是,任务流的数量实时变化、服务器数量可调整,服务器资源耗尽和网络拥塞不定时发生。针对以上两个问题,本文开展了如下研究:（1）考虑任务流拓扑结构差异及用户隐私保护需求的移动边缘计算卸载策略研究。在此应用场景下,单用户产生任务流与单服务器进行互联关系,在制定计算卸载策略时,需要考虑任务流多路径选择、带宽资源受限、用户有隐私、用户时延敏感等问题,本文着重考虑任务流拓扑结构差异及用户隐私保护需求,并以其他条件为辅助限制。因此,我们将工作流卸载公式化为一个有约束的多目标优化问题,以任务流多路径选择、带宽资源受限、用户有隐私、服务器计算资源受限、用户时延敏感为约束条件,通过改进的人工鱼群算法（GAFSA）去求解工作流的应用任务卸载中面向节能的最优策略。实验结果显示,我们的策略相比应用于类似问题的相关方法表现更好。（2）考虑任务流的数量变化和服务器资源变化条件下的移动边缘计算卸载策略研究。在此场景下,多用户产生任务流与多服务器进行互联关系。这不是简单的数量增加,多用户产生任务流会新增任务流异构、随机高并发的问题。此外,高并发环境也需要考虑服务器数量可变,计算资源有限,服务器可能拥塞等情况。在制定计算卸载策略时,需要考虑任务流的数量实时变化、服务器数量可调整、服务器资源耗尽和网络拥塞不定时发生等问题。因此,本文考虑到任务流特性（任务流异构、随机高并发）和服务器特性（计算资源有限、拥塞情况不同、参与计算的服务器数量可变）,提出一种动态服务器计算卸载策略（DSCOS）。该策略涉及的算法基于遗传算法并对其改进,旨在最小化多用户多服务器系统中执行完所有任务的时延与能耗的加权和,使得计算密集型和对延迟敏感的应用程序能正常运行。最后,通过仿真实验和对比实验证实了本文算法的有效性。