随着计算机和无线网络技术的快速发展,移动终端变的越来越普及,并在人们生活和工作中扮演着至关重要的角色。近些年来,受益于芯片制造工艺的进步,移动终端性能得以大幅提升。然而,由于电池供电、体积和散热等诸多限制因素,移动终端自身资源有限,导致其发展遇到了资源瓶颈。为解决移动终端资源受限问题,人们提出了移动云计算的概念,期望将移动终端上的计算任务迁移到云端执行以扩展移动终端可用资源并增强其能力。移动云计算帮助移动终端突破自身资源限制,将移动终端从繁重的计算任务中解放出来,使其更多地承担连接用户和信息域的工作。在移动云计算中,用户通过无线网络接入云端,无线网络会对移动云计算性能产生重大影响。与传统云环境相比,移动云环境由于无线网络变化和用户移动等原因而具有动态性。动态变化的移动云环境给计算迁移系统带来了挑战,对其关键技术提出了新要求。本文从计算迁移系统中的用户、云服务运营商和云资源运营商三个层面出发,对移动云环境中的迁移决策、任务接入控制和高能效资源管理等计算迁移系统关键技术开展了研究。取得的主要成果如下:(1)提出了一种基于记忆型自适应遗传算法的运行时迁移决策方法,借助记忆集中存储的历史迁移策略,决策方法在执行过程中生成迁入染色体来替换原始种群中的差染色体,以此增强应对环境变化的能力,解决了移动云环境中的多云点运行时迁移决策问题。仿真结果表明,与其它方法相比,所提迁移决策方法能有效降低移动终端消耗且在问题规模大、运行平台弱和环境变化快的场景中优势明显。此外,针对无线网络鲁棒性差和带宽受限的问题,探索了并行数据传输在移动云计算中的应用。仿真结果表明,与传统单路径数据传输相比,并行数据传输能进一步降低移动终端消耗。(2)提出了一种基于机器学习的运行时迁移决策方法,将迁移决策问题转化为分类调度问题,利用机器学习实时性特点,采用基于机器学习的运行时调度器进行迁移决策,解决了多用户场景中的运行时迁移决策问题。为高效地向基于机器学习的调度器提供训练数据,提出了一种基于自适应模拟退火遗传算法的程序分割算法。仿真结果表明,所提迁移决策方法在多用户迁移决策问题中能有效降低移动终端消耗且其降幅大于传统方法。(3)建立了考虑移动云环境中无线资源变化的任务接入控制模型,该模型基于长期平均准则半马尔可夫决策过程。为求解最优接入控制策略,面向不同应用场景分别提出基于线性规划和基于增强学习的策略算法。仿真结果表明,所提策略算法能在满足用户服务质量要求的同时最大化云服务运营商利润,基于增强学习的策略算法能通过系统模拟获得近似最优接入控制策略。(4)建立了确定型资源管理模型,该模型是一种带约束的优化问题。为求解该问题,提出一种基于自适应分组遗传算法的确定型策略算法。在此基础上,针对移动云环境中资源管理所面临的无线网络不确定问题,建立了随机型资源管理模型,该模型是一种带机会约束的随机优化问题。为解决该问题,提出了一种基于蒙特卡罗模拟和自适应分组遗传算法的随机型策略算法。仿真结果表明,所提确定型策略算法能求得近似最优解,所提随机型策略算法能在满足机会约束的同时优化能耗。