近年来随着移动业务的快速发展,移动计算任务需要的计算力越来越强,要求的处理时延越来越小。但是通常移动设备的计算能力较弱且电池容量较小,移动计算任务直接在移动设备上完成计算可能会不满足任务的时延需求,并且也会缩短移动设备的待机时间。移动云计算(Mobile Cloud Computing,MCC)将服务器部署在远端的数据中心中,导致移动设备与服务器的交互时延较长,因此MCC也无法满足移动计算任务对时延的需求。而移动边缘计算(Mobile Edge Computing,MEC)将服务器部署在移动网络的边缘(比如基站),降低了服务器和移动设备间的数据传输时延,并且能够满足移动计算任务的计算需求,解决了移动计算任务对计算力和时延的需求问题并减少了移动设备的能量消耗。但是MEC服务器拥有的计算存储资源和移动网络的带宽资源有限,不可能将所有的移动计算任务都卸载到MEC服务器上进行处理,所以MEC需要对移动计算任务进行合理的卸载和调度,从而实现服务器资源的高效利用。在实际应用场景下,一个移动计算任务需要的计算量(CPU执行周期的数量)是不确定的,即需求不确定任务;但是在MEC任务卸载调度优化问题的研究中,绝大多数的研究者假设一个任务需要的计算量是确定的,这种假设过于理想化,从而造成设计的优化算法的实用性大打折扣。此外,在现有基于需求不确定的MEC任务卸载调度研究中,研究者没有考虑移动计算任务的时延约束问题,并将问题建模为一个几何规划模型,该模型求解难度很大,不能满足实际应用场景下移动计算任务对时延的需求。针对现有研究中的缺陷,本文建立模型时将移动计算任务在最大容忍时间内以大概率完成作为约束,将移动计算任务完成计算的用时和能耗的均值作为模型的优化目标进行优化,并设计出一种用于求解该模型的算法。仿真结果表明,该求解算法能够在较短的时间内、较小的迭代次数下得到较好的求解结果。其次,在绝大多数MEC任务卸载调度优化问题研究的模型中,所有的移动计算任务同时获得所需的硬件资源,并在所有任务计算完成后同时释放所占用的资源。这将导致在某些计算用时较少的任务完成后,其占有的资源不能被其它正在计算的任务再次利用,造成了服务器资源的闲置和浪费。针对现有研究中的缺陷,本文建立模型时考虑将移动计算任务分为多批卸载到服务器上进行计算,并设计了一种用于求解该模型的算法和三种对比算法。仿真结果表明,与其它三种对比算法相比,该求解算法能够在较短的时间内得到接近最优解的求解结果;同时该卸载调度优化模型能够在一定程度上提升服务器资源的利用效率。