随着物联网（Io T）行业的发展,科技的进步,人们生活中涌现出大量新应用,如无人驾驶,智能家居,远程医疗等。传统的云计算架构已无法满足新应用的低延迟、高带宽、低功耗等要求,移动边缘计算（MEC）成为解决该问题的重要技术手段。计算卸载技术利用在MEC网络边缘布置计算服务器来帮助用户就近计算,节省了用户任务计算时间,使网络能够支持高时延要求的应用服务,已经成为MEC技术中重要的研究方向,而如何将任务合理的分配给不同计算服务器又是计算卸载技术中需要解决的关键问题。基于此,本论文主要研究了MEC网络中用户任务计算卸载与资源分配算法。首先,针对单用户MEC网络,分别研究了任务存在优先级情况下的时延最小化和代价（用户总时延和系统总能耗）最小化算法;然后,进一步扩展到多用户MEC网络考虑任务优先级的成本（用户总时延和处理器资源成本）最小化算法。具体研究内容如下:1)针对单用户MEC网络的计算卸载问题,设计了两种资源分配算法:a)首先研究了单用户MEC网络时延最小化算法。针对云服务器,MEC服务器和用户本地三方协同的单用户移动边缘网络,在考虑用户端子任务之间存在优先级关系的基础上,以系统的计算资源和通信资源为约束,以最小化用户总时延为目的建模,并提出一种混合遗传算法进行求解。算法首先根据处理器的计算能力得到选择处理器的累积概率,然后计算得到初始分配方案集合,接下来通过选择-交叉-变异循环迭代得到优化问题的解。在迭代求解过程中,首先使用轮盘赌决算法选择出当前集合中较优的分配方案,接下来采用基于禁忌表搜索算法的交叉操作,提高算法的搜索能力,最后采用基于模拟退火算法的变异操作,使得分配方案集合整体具有更小时延,并最终得到时延最小的任务分配方案。仿真结果表明,本文所提出的算法收敛性较好,并且与传统算法相比可以得到更小的用户时延。b)在a)的基础上,进一步研究了单用户MEC网络代价最小化算法。该算法以最小化用户总时延和系统总能耗（用户能耗+MEC服务器能耗+云服务器能耗）为目标建立优化模型,然后使用一种混合粒子群算法求解该优化问题。与传统粒子群算法不同,算法采用非线性权重来更新粒子速度,并在迭代更新粒子位置和速度时利用模拟退火算法,以提高算法的搜索能力。仿真结果表明,单用户移动边缘网络场景下,该算法可以得到用户总时延较低且系统总能耗较小的任务分配方案。2)针对多用户MEC网络,考虑多个用户具有多个待处理子任务,且子任务之间具有相互优先级约束,以服务器计算资源和MEC服务器和云服务器之间的通信资源为约束,以最小化用户总时延和处理器总资源成本为目标建立优化模型,并提出一种改进的重力搜索算法求解该优化问题。算法基于万有引力定律的思想从一组定义域内可行解开始迭代寻优,在迭代过程中利用遗传算法的交叉操作以得到更优的可行解集合,并在计算合力时采用收敛因子,提高了算法的搜索能力,最终实现用户总时延和处理器总资源成本的最小化。仿真结果表明,与现有算法相比,本文提出的算法在最终寻优效果上有明显改进。