随着5G时代来临,移动边缘计算（Mobile Edge Computing,MEC）作为一种利用网络边缘计算资源的技术正在快速发展。然而当前移动边缘环境中工作流调度仍存在许多问题:一方面,移动设备（Mobile Device,MD）的工作流调度需要提供低能耗、低延迟的服务,不合理的调度方式会严重影响用户体验,现有的工作流调度算法仍有提升空间;另一方面,边缘服务器在任务调度过程中如果不考虑可靠性约束,则服务器的瞬时故障会造成MD大量时间和能量的浪费。本文针对上述问题分别提出了相应算法,本文创新点和相关工作体现在如下方面:1.针对当前MEC环境下移动设备工作流任务存在调度不合理的问题,本文提出了一种基于能耗和延时感知的免疫粒子群工作流调度优化算法（Energy and Delay Aware Algorithm based on Immune Particle Swarm Optimization,EDA-IPSO）。EDA-IPSO算法考虑到移动设备工作流任务的能耗约束和延时敏感性,建立了能耗约束下以系统延时最小化为目标的优化模型。该算法首先根据工作流子任务依赖关系生成优先级执行队列,保证调度的有序性;然后,利用边缘节点的相关信息对工作流的执行能耗和时间进行计算;最后,通过粒子群算法寻求最佳调度方案,该算法在粒子更新过程中加入免疫操作,通过调整抗体浓度避免粒子陷入局部最优,保证了粒子的多样性与全局性。2.针对当前MEC环境下工作流调度算法存在可靠性约束的问题,本文提出一种MEC环境下基于可靠性约束的工作流调度算法（Workflow Scheduling based on NSGA-II,NSGA-II-WS）。该算法首先将工作流子任务排序生成优先级执行队列;然后考虑不同服务器的故障率,建立可靠性模型,保证工作流调度方案满足可靠性要求并且任务失败能重新开始;最后采用改进的快速非支配排序遗传算法求解工作流任务的最优调度位置。NSGA-II-WS算法通过选择、交叉、变异和精英策略提高解的鲁棒性和全局性。3.本文使用移动边缘仿真工具Edge Cloud Sim分别实现了EDA-IPSO算法和NSGA-II-WS算法。通过多组实验对比,结果表明EDA-IPSO算法在工作流执行时间上较MOSGP、MHEFT和Random算法分别降低约5.1%、9.2%和15.4%;在具有可靠性约束的工作流调度环境中,NSGA-II-WS相比PSO、Greedy和RR算法在系统成本上具有明显的优化效果。