智能移动设备能够快速执行应用从而满足用户对于性能的高要求，但往往含有非常有限的资源(CPU、内存、电池容量和无线网络等)。借助于移动边缘计算技术，智能移动设备能够将部分计算任务迁移到高性能的边缘服务器中。然而，这带来了额外的通信开销，并不可避免地增加迁移到边缘服务器的任务延迟。因此，如何平衡终端的高资源消耗和迁移任务的高通信成本从而提供高能效和低延迟的服务，就变得极具挑战性。为解决该挑战，综合考虑了智能移动设备和边缘服务器的任务执行时间和数据传输时间，并考虑了任务延迟约束、智能移动设备CPU速度限制、传输功率限制、可用能量限制、边缘服务器的CPU和内存约束等，研究团队构建了一个大规模混合整数非线性规划问题，并提出了一种部分计算迁移算法求解该问题，从而最小化智能移动设备和边缘服务器的总能耗。该算法对任务迁移率、智能移动设备的CPU速度和传输功率、S个传输通道(Transmission channels)带宽等进行联合优化。基于真实数据的实验表明，与现有典型的计算任务迁移算法相比，该算法在保证任务延迟的同时，将系统的总能耗降低32.81%以上，从而有效地提高移动边缘计算系统的能量利用效率。

代表性成果：

[1] Jing Bi, Haitao Yuan, ShuaiFei Duanmu, MengChu Zhou, Abdullah Abusorrah. Energy-Optimized Partial Computation Offloading in Mobile-Edge Computing with Genetic Simulated-Annealing-Based Particle Swarm Optimization, IEEE Internet of Things Journal, 2021, 8(5): 3774-3785.

[2] Haitao Yuan, Jing Bi, MengChu Zhou. Geography-Aware Task Scheduling for Profit Maximization in Distributed Green Data Centers. IEEE Transactions on Cloud Computing. 2022, 10(3): 1864-1874.

[3] Jing Bi, Xiang Zhang, Haitao Yuan, MengChu Zhou. A Hybrid Prediction Method for Realistic Network Traffic with Temporal Convolutional Network and LSTM, IEEE Transactions on Automation Science and Engineering, 2022, 19(3): 1869-1879.