随着移动互联网的飞速发展,诸如语音识别、自然语言处理、以及增强现实等海量新型移动应用层出不穷。此类应用对响应时间要求较高、计算量较大,在丰富和便捷了人们日常生活之外,也给移动设备性能带来较大压力。受限于物理尺寸,移动设备通常无法提供媲美台式机的计算和存储能力。为了满足移动应用的服务质量,尽可能地达到和台式机相同的性能表现,计算任务迁移技术开始出现并受到学术界和工业界广泛关注。计算任务迁移(computationoffloading)通常是指将原本在移动设备上进行计算的任务,通过无线网络、蜂窝网络迁移到云端进行计算,达到减少移动端计算开销、延长电池使用时间目的,并提高服务质量的一种解决方案。在以往的云计算模式中,服务器通常集中部署在距离用户较远的大型数据中心,自伸缩地为用户提供各种资源。利用诸如Amazon Web Services、Microsoft Azure或者Google APP Engine等云平台,移动设备通过广域网将计算密集型任务迁移到远程云端进行计算。由于用户与服务器地理位置上相距较远,通过广域网进行连接时会不可避免地带来较高的延迟,这种延迟对于上述实时性要求较高的移动应用来说效率较低。为了降低延迟,朵云开始出现并广泛应用到移动云环境中。朵云(cloudlet)是一种部署在用户周围,具有自我管理能力,并且只需要电力、网络连接以及访问控制的小型数据中心。与以往的云计算模式相比,朵云最大的特点在于,附近用户可以通过低延迟、高速无线局域网和朵云进行连接并获取相应服务。除此之外,朵云还具有去中心化的特点,因此单一结点上数据的丢失并不会造成严重的灾难。然而,和商业厂商提供的几乎无限资源的云服务相比,朵云的劣势在于只能够提供相对有限的计算和数据存储资源。当接收到过多的计算任务,朵云可能无法立即同时处理这些任务,导致计算任务在朵云中排队等待过长时间。这对于需要及时响应的应用来说是无法容忍的。因此,在上述基于朵云的移动云环境中进行计算任务迁移时,存在如何缩短移动应用响应时间并节省移动设备能量的问题。鉴于上述问题,针对移动设备,本文首先结合朵云和远程云端的特点,提出了一种混合的计算任务迁移策略。该策略基于一种启发式最优化算法,能够在满足移动应用截止时间约束的同时,根据移动应用中计算任务依赖关系动态进行迭代寻找出(近似)最佳迁移策略。该策略能够很好地避免远程云端的高时延以及朵云的资源不足,提高移动设备的计算效率、降低能量消耗。同时对于朵云来说,为了提高朵云中资源利用效率,缩短覆盖范围内用户应用程序的响应时间,本文提出一个基于遗传算法的多用户计算任务迁移策略。该策略将用户周围的朵云都纳入计算任务迁移范围之内,并根据用户和朵云之间的延迟信息以及朵云负载状况,基于遗传算法做出能使覆盖用户的计算任务响应时间(近似)最小化的迁移策略,该策略同时也能够使朵云的负载达到均衡状态。