移动边缘计算是一种新型的无线网络架构,它将云计算能力“下沉”到距离用户很近的网络边缘,为用户提供低时延高可靠的服务。移动边缘计算中的任务迁移策略可将用户任务迁移到其附近的服务器上,利用服务器充足的计算资源来完成任务,是当前研究热点。目前现有的任务迁移策略研究大部分面向准静态环境,没有考虑到系统资源不可预知的动态变化。并且很多研究假设服务器资源充足且同构（即每台服务器上的各种资源相同）。这些迁移策略适用的场景较单一,不能充分体现移动边缘计算的特点和优势。本文在对移动边缘计算学习的基础上,对任务迁移策略中的两个问题:任务迁移决策和资源分配方案进行研究。其中,任务迁移决策决定任务是否迁移;资源分配决定任务迁移到何处。本文主要工作如下:第一,针对任务迁移决策问题,通过分析系统资源的动态变化对任务迁移决策的影响,构建设备动态任务迁移模型。该模型的优化目标是在任务执行时延阈值范围内,最优化系统总增益（任务执行时延和能耗相对减少的加权和）。该优化问题包括二进制约束以及不等式约束,直接求解难度较大。本文提出一种基于近端策略优化的任务迁移决策方案。具体的,将任务的迁移决策过程描述为一个马尔科夫决策过程。结合移动边缘计算实际场景,设计一个基于长短时记忆网络的神经网络结构,用于拟合该马尔科夫决策过程下的任务迁移决策;并采用近端策略优化算法对该网络进行训练。仿真结果验证了本文所提算法的可行性和有效性。第二,针对资源分配问题,深入分析服务器的资源有限性和异构性对资源分配方案的影响,构建时延敏感型的资源分配问题模型。在满足任务资源需求以及时延要求条件下,最小化服务器能耗。该问题的求解具有NP难特性,本文基于灰狼优化算法思想,设计了一种新的低开销时延敏感资源分配算法,对该NP难问题进行快速近似求解。通过改进算法的收敛因子和更新策略,大大提高了算法的搜索能力和收敛速度。仿真结果表明,本文所提算法在收敛性与稳定性等方面均优于随机策略、遗传算法以及标准灰狼优化算法。