随着移动互联网技术的发展,人脸识别、虚拟现实、全息投影等新兴应用层出不穷,这些新应用在时延约束下对通信和计算提出了更高的要求。为了降低传输时延,移动边缘计算架构（Mobile Edge Computing,MEC）将计算服务器下沉到网络边缘,使得低延时任务的计算卸载成为可能。虽然目前关于移动边缘计算中能耗优化的研究很多,但是仍然存在一些问题:第一,计算卸载是一个能耗转移的过程,很多文献只优化了用户设备的能耗,却忽略了基站和MEC服务器的能耗。第二,为了简化问题的建模和求解,很少有文献会从卸载决策、计算资源分配、通信资源分配这三个维度上同时进行优化。第三,为了简化MEC服务器的计算资源分配问题,绝大部分文献采用了并行计算模型,但是该模型的一些假设并不适用于移动边缘计算场景。为了弥补现有研究的不足,本文的主要工作如下:1)对多用户计算卸载问题进行了建模和求解,MEC服务器使用并行计算模型。为了最小化系统的加权能耗,我们在任务完成时间、通信资源和计算资源约束下,从卸载决策、通信资源分配、计算资源分配三个维度上进行联合优化,得到各个任务的卸载决策、传输时间以及计算资源分配策略。由于存在整数约束,该优化问题是一个混合整数非线性规划问题（Mixed Integer Nonlinear Programming,MINLP）,通过分析我们证明了它是NP-hard问题,不能在多项式时间复杂度内求得全局最优解,所以我们利用罚函数法和连续凸逼近算法设计了一种近似算法来寻找局部最优解。我们通过仿真验证了该近似算法具有很快的收敛速度,相较于其它基线算法具有更好的性能,可以实现更低的系统加权能耗。2)对顺序计算模型进行了拓展,提出了更符合移动边缘计算场景的多核顺序计算模型,并将它应用于MEC服务器。我们对系统加权能耗最小化问题重新进行了建模,新的优化问题包括三个子问题:任务卸载决策、任务计算排序、计算和通信资源分配,其中前两个子问题都被证明是NP-hard问题。受柔性车间调度问题（Flexible Job-shop Scheduling Problem,FJSP）的启发,我们设计了一种改进遗传算法来解决任务卸载决策问题和任务计算排序问题。在前两个子问题解决之后,计算和通信资源分配问题是一个凸优化问题,比较容易求解。最后我们通过仿真验证了改进遗传算法相较于其他基线算法具有更快的收敛速度和更好的性能。在本文中,我们提出了更符合移动边缘计算架构的多核顺序计算模型。针对多用户场景,分别解决了并行计算模型和多核顺序计算模型下的卸载决策、计算资源和通信资源分配问题,降低了整个系统的加权能耗。