随着科技的发展和社会的进步,在生产和生活中遇到的问题越来越复杂,用传统的数学方法已经很难快速解决这些问题。其中一类多目标优化问题,由于其多个目标之间往往会互相冲突,导致这类问题几乎不存在最优解。而且由于目标维数的增加,使得传统多目标优化算法的性能急剧下降,传统的方法越来越难以解决这类问题。基于网格的超多目标进化算法Gr EA引入了网格支配的概念,并利用网格设计了种群个体评估的方法,表现出优秀的搜索能力。然而随着目标维度的升高,依然难以应对出现的问题,选择压力还是会越来越小。首先,本文针对在超多目标优化问题中,平衡种群多样性和收敛性困难的问题,提出了基于网格的超多目标进化算法Ma OEA/Gr。算法的基本思想是优先选择优势网格,再从优势网格中选择最优个体。首先提出了优势网格筛选方法,从若干网格中,选出收敛性和多样性俱佳的网格,并以这些网格作为种群个体的选择基准。然后在这些优势网格的基础上,使用优势网格补充算法,补足优势网格的数量。最后从每个优势网格中选择到网格坐标最近的个体作为下一代种群。如果最终选择的种群大小超出要求数目,通过聚类的方法限定种群的数量,并选择每个聚类中的优势个体。本文在WFG测试问题集和Ma F测试问题集上对算法进行了实验,通过与其他5种超多目标进化算法的比较,证明了本算法能够有效平衡高维目标空间中种群的收敛性和多样性。其次对边缘计算中任务调度问题进行了研究,分析了边缘计算的网络架构和应用模型,并提出了用于解决任务调度问题的多目标优化模型。运用所提出的Ma OEA/Gr算法进行求解。最后在仿真平台上,将所提出的方法与常用的调度算法进行对比实验。结果显示,本文的算法结果在要优化的几个目标上都表现出一定的优势,证明了它在解决这一类问题上的有效性。