随着5G在全球的广泛采用,移动智能设备需要处理越来越多的计算密集型和延迟敏感型任务。但是,移动智能设备通常受其计算能力和电池寿命的限制而不能高效的处理各种计算任务。移动边缘计算（MEC）被认为是5G中的一项有前景的技术,因为它可以解决计算密集型任务的爆炸性增长与本地设备有限的计算能力和电池寿命之间的矛盾。移动智能设备可以将计算密集型任务卸载到边缘计算服务器,从而节省自己的计算资源并降低能耗。然而,这会造成额外的传输时间导致更高的延迟。另一方面,在5G环境中,MEC中有关任务卸载的大多数现有研究要么未能研究兼容的多址技术,要么未考虑小蜂窝基站（SBS）与宏基站（MBS）之间的层次关系。因此,探索独特的5G架构下的MEC能耗和延迟权衡的卸载问题具有重要的意义。（1）本文提出了一种启用NOMA的小蜂窝网中的移动边缘计算卸载系统模型。具体来说,本文首先使用配备了MEC服务器的MBS和SBS构建了分层SCN体系结构。其中,为提高系统计算资源的利用率,本文在SBS处设定了一个任务处理数量阈值。当需要进行边缘计算的任务数量低于此阈值时,将直接卸载到SBS进行处理。如果任务数量高于阈值,则高于阈值部分的计算任务将进一步卸载到MBS进行处理。另外,本文以NOMA作为系统的多址接入方式,在此基础上本文分别建立了通信模型和计算模型,然后制定了延迟和能耗的加权最小化问题。旨在确保传输速度的同时提高频谱效率并使总成本最小化。（2）本文提出了一种称为混合遗传爬山（HGHC）算法的次优算法,并对其复杂性进行了分析。该算法结合了改进的自适应遗传算法（IAG）和爬山算法（HC）,以提高收敛速度,防止算法陷入局部收敛。该算法允许交叉率和变异率的自适应调整曲线在种群平均适应度值处缓慢变化,从而在接近平均适应度的较大区域内提高适应度值以避免当种群中多数个体的适应度值接近平均适应度值时所导致的进化停滞问题。随后,本文从计算延迟、计算能耗、计算任务卸载率这几个性能指标分析了本文的算法,以验证算法的有效性。最后,通过收敛分析实验验证了本文所提出的算法与其他几种基线算法相比收敛速度更快。