移动边缘计算(Mobile Edge Computing,MEC)系统中,任务卸载策略作为系统的核心功能之一,自出现以来就受到了学者们的广泛关注。众多学者针对这一问题进行了研究。目前已有的文献中主要是针对严格时限约束下的任务卸载策略进行的研究,即使用硬时间窗对任务完成时间进行约束。同时,有关任务卸载策略的研究主要从用户角度出发,并未考虑服务提供者的收益。而实际应用中,用户对时延的容忍度是存在一定弹性的,对任务完成时间的要求并不存在某一严格的时间点。随着时间的推移,用户对时延的容忍度会呈现明显的时变特征,超时时间越长,容忍度越小,用户对任务完成所付报酬的期望越小,因此应使用软时间窗对任务处理时限进行约束。此外,ISPs(Internet Service Providers)作为服务提供者也要充分考虑卸载策略对收益的影响,通过调整任务处理的功耗来实现节能的需求,以更低的开销谋求更高的收益。因此,本文结合用户对时延容忍度的时变性这一特点,从运营商角度出发,设计了一种带软时间窗约束的任务卸载模型。针对用户任务的全卸载策略,以最大化单位能量收益为优化目标,建立了对应的任务全卸载模型。通过引入离散动态电压规划技术来实现功率的动态控制,并使用基站间的点对点任务卸载策略来实现负载均衡,提高处理效率。在算法求解上,为了解决生物地理学优化算法中局部搜索精度不高的问题,通过引入遗传算法中的交叉算子,对生物地理学优化算法中的迁移算子进行了改进,提高了子代解中优良片段的传递性,从而提高了搜索精度,改善了解的质量。最后,通过仿真实验,证明了本文提出的任务全卸载算法能够有效地提高单位能量消耗的收益,并且更适合大规模的任务卸载应用。针对用户任务的部分卸载策略,为了加快任务交付速度且充分利用本地计算资源,提出了使用任务分片的方式实现并行处理,并且兼顾子任务间的任务依赖关系建立了对应的任务部分卸载模型。在算法求解上,由于任务被分解成若干子任务,问题规模进一步扩大,在前文提出的改进生物地理学卸载任务算法基础上,提出引入多种群协作策略以提高搜索效率,从而提高解的质量。仿真实验证明,该算法能够有效地在大规模的任务部分卸载应用中提高单位能量的收益。