随着信息时代的发展,5G技术的出现让通信速率得到飞跃,时延也越来越低,现阶段计算设备的计算能力也在稳步提升。移动边缘计算(Mobile Edge Computing)作为其关键技术之一,也在越来越凸显它重要的地位。随着移动边缘计算快速发展,用户设备(UE)能够通过将其任务卸载到与之相近的边缘云(MEC)来享受比之前更加良好的用户体验。本文主要研究在移动边缘计算的场景下,UE和MEC之间的任务调度策略。本文首先分析并指出了现有移动边缘计算网络模型的不足,并提出了一种新的网络模型用于移动边缘计算的场景。我们将多个边缘云多用户结合起来考虑,并且使用户设备能够具有选择边缘云的权力,来弥补传统网络模型中的不足,此外对新的移动边缘计算网络模型进行深入分析,解释了在新的网络模型下边缘计算的工作方式。同时深入分析了该模型下需要优化的目标以及系统的工作方式特性,从能耗和卸载成功任务数量两方面着手,提出物理模型并建立数学模型。本文从原物理模型着手,分析模型特性,并且针对这些特性将传统的蚁群算法(ACO)加以优化,将负载均衡与蚁群算法相结合,提出了负载均衡蚁群算法来解决问题。这样使得只具有选择最短路径能力的蚁群算法额外增加了负载均衡的能力,能够有效的进行任务调度,防止某一个边缘云的负载过于繁重,同时还能够让整体能耗尽可能的小。紧接着本文结合物理模型和数学模型,将原数学模型进行了严格的公式推导和转换。再将物理模型进行转换,并且将原物理模型中的参数进行一一映射,最终将问题转换成最小费用最大流(MCMF)问题。通过解MCMF问题来解原问题,极大地降低了解问题的难度。最后进行仿真试验,证明了两种算法的优越性。