智能巡检机器人是互联网发展的产物之一,通过搭载各种智能检测装置以及智能化应用实现对工厂的智能识别与监测。智能巡检机器人自身配有充电装置进行自动充电,不仅充分发挥了巡检机器人智能、灵活的优点,也实现了巡检机器人代替人工完成不间断、高频率的巡检。然而,巡检机器人因为其电池寿命短、计算能力有限等约束导致智能化程度不足,对于像识别算法等一系列计算密集型任务无法快速解决并及时作出反馈。移动边缘计算（Mobile Edge Computing,MEC）的出现不仅解决了巡检机器人因算力不足导致计算密集型任务无法及时处理的问题还满足了巡检机器人任务低时延的需求。一方面边缘服务器的内存容量和执行效率远高于巡检机器人,巡检机器人将任务上传至MEC服务器执行降低了巡检机器人的执行能耗;另一方面边缘服务器在靠近用户的网络边缘部署,有效降低了服务器对任务做出响应的时延,实现巡检机器人实时监测和分析的目的。因此,本文将MEC技术与巡检机器人相结合,对MEC服务器的部署策略以及计算卸载策略展开研究,旨在降低巡检机器人的能耗和任务的访问时延,提高巡检效率。本文主要工作如下:（1）在边缘服务器部署方面。本文提出了改进的Top-K算法,综合考虑了基站间的距离、基站在其所属基站集群所占权重比以及边缘服务器的覆盖范围等,旨在降低任务的访问延迟,提高服务器利用率并均衡各服务器负载等。首先将服务器部署在任务量最大的基站,根据服务器的覆盖范围和处理能力划分基站集群,然后屏蔽该基站集群。由此反复,直到所有基站都被服务器覆盖。最后为了降低基站集群中所有任务的访问时延,本文根据基站在基站集群所占权重比以及基站与服务器之间的距离调整服务器的位置。仿真实验结果证明,在边缘服务器的利用率方面,本文提出的改进Top-K算法相较于Random、K-means和Top-K等算法分别提高了3.79%、37.25%和15.55%。在服务器负载方面,改进的Top-K算法与Random、K-means和Top-K算法相比分别提高了54.83%、40.6%和24.49%。（2）在计算卸载策略方面。本文针对遗传算法求解后期容易陷入局部最优造成求解效率低与蚁群算法搜索初期消耗大量时间进行信息素的积累导致求解速度慢的不足,设计了遗传-蚁群融合算法。首先设计了遗传算法的适应度函数判断算法结果的优劣,然后为了扩大可行解的搜索空间设计了遗传算法的交叉操作和变异操作以及蚁群算法的信息素更新函数。在融合算法中,将遗传算法的解作为蚁群算法的初始解,这样既发挥了遗传算法的快速收敛性与蚁群算法的高并行性,又解决了二者在算法执行过程中的缺陷。仿真实验结果证明,在迭代次数一定的情况下改变任务数量,融合算法的目标函数值相较于遗传算法和蚁群算法分别降低了54.72%、27.39%;在任务个数一定的情况下,改变迭代次数,融合算法的目标函数值相较于遗传算法和蚁群算法分别降低了49.28%、28.3%。