由于云服务中心的强大计算能力,在过去几十年,云计算成为一个备受人们关注的研究方向。基于云计算技术的应用与服务同时也极大的改善人们的生活。然而由于物联网与5G技术的发展,网络边缘将部署数以亿计的边缘设备。海量的边缘设备将产生极大的计算需求。这些计算需求如果采用云计算技术,将导致网络过载,高传输时延等问题。为了解这类问题,移动边缘计算（Mobile Edge Computing,MEC）技术应运而生。MEC是指在网络边缘提供IT技术服务和云计算服务,强调靠近终端设备,以减少服务操作和网络时延,从而提高用户的体验。移动边缘计算技术能够有效的利用边缘设备的计算和存储能力,满足边缘设备的高效计算,低时延和低能耗的需求。在移动边缘计算中最关键的技术指标是时延与能耗,而MEC中的计算卸载是影响用户体验的关键。因此移动边缘计算卸载技术引起国内外众多学者的研究热情。因此本文主要研究MEC中的计算卸载决策问题,针对卸载中的时延与能耗进行优化。随着5G的发展,智慧城市中的计算密集型与复杂型应用出现迅速增长。智慧城市中移动终端设备中的资源有限,新型应用对时延、带宽、安全、能耗提出更高的要求。移动边缘计算（Mobile edge Computing,MEC）中计算卸载作为一种降低时延与能耗的技术,能够有效减少在智能城市中进行视频分析的端到端时延和能耗。面向多用户多MEC边界计算卸载场合,本文中提供了一个改进的混沌量子粒子群优化算法,对端到端时延和能耗实现了联合优化。经过和其他启发式计算法比较,本文中给出的改进的混沌量子粒子群算法,可以有效减少边缘计算卸载的时延和功耗。而试验结果也显示,改进的混沌量子粒子群计算法（Improved Chaotic Quantum Particle Swarm Optimization,ICQPSO）可以有效减少早熟收敛,并拥有良好的全局搜索能力,同时可以高效地处理更多维复杂的NP完全问题。随着智能设备的普及,移动边缘计算中的边缘设备数量将大大增加。因此仅靠边缘服务器的计算能力难以满足所有终端设备对于高效计算、低时延的需求。为了满足社区内终端用户的计算需求,本文针对三层移动边缘计算架构提出一种基于自适应协方差矩阵进化算法（Covariance Matrix Adaptation Evolution Strategy,CMAES）的计算卸载任务调度算法。为了尽量满足所有用户的计算需求,本文在边缘服务器与云服务器中使用短作业优先的任务计算方法（Short Job First,SJF）,并同时针对卸载任务的时延与能耗进行联合优化。实验结果表明,与经典启发式算法对比,本文提出的算法在三层移动边缘计算架构的计算卸载中拥有更好的性能表现。