1.一种边缘计算网络中基于用户体验的任务卸载方法，其特征在于，所述方法包括：S1、接收用户提交的任务卸载请求；

S2、基于时间能量开销联合优化建立任务卸载策略模型；

S3、基于线性重构的分支定界算法对所述模型进行求解计算；

S4、根据S3中的计算结果对任务是否卸载至边缘服务器进行决策，并且对所述卸载至边缘服务器上的任务进行通信和计算资源的分配；

所述步骤S2包括：

S21、根据本地执行的任务时间与卸载至边缘服务器中的任务时间延迟计算总的时间延迟TL：其中，i表示终端编号，i＝1，2，...，N,αi表示任务卸载决策变量，fil为执行任务的可用CPU频率，fi为分配给任务Ai的CPU频率，Ri表示移动智能终端i的上传速率，ci表示任务的数据，di表示完成该任务的CPU要求；

S22、计算移动智能终端总的能量消耗EN：其中PiT移动智能终端i的传输功率，PiI是等待任务执行结果时的空闲功率，κ是有效开关电容系数；

S23、计算时间与能耗的总开销，计算公式如下：其中η是权重系数，表示对时间开销和能耗开销侧重程度。

2.如权利要求1所述的方法，其特征在于，基于时间能量开销联合优化的卸载策略为使所述时间与能耗的总开销Q取得最小值时的卸载决策，需要求解问题P1：

3.如权利要求2所述的方法，其特征在于，所述问题P1的约束条件为：(1)边缘计算网络中服务器分配给每个移动智能终端i的可用计算资源限制，不能超过边缘服务器能够提供的计算资源，表达式如下：其中F为边缘网络中服务器的最大CPU频率；

(2)对于卸载至边缘计算网络中的任务，边缘服务器分配给所有任务的计算资源不能超过所述最大CPU频率F，表达式如下：(3)分配给每个移动智能终端的通信资源限制如下：其中θi表示分配给终端i的子信道资源量，L表示信道资源的总量；

(4)分配出去总的通信资源限制如下：

(5)任务i的卸载决策如下：

当αi＝0时表示任务在本地执行，当αi＝1时表示任务被卸载到边缘网络中执行，即

4.如权利要求1所述的方法，其特征在于，所述步骤S3包括：S31、初始化：

将问题集P∈{P1，P2，P3,P4，P5}初始化为原始问题P1，初始化最优解 初始化上界UB＝∞；

S32、松弛：

利用线性重构技术(Reformulation-Linearization Technique，RLT)将所述原始问题P1松弛为问题P4，利用凸优化算法求解问题P4得到最优解最优解opt*＝(α，θ，f)，得到问题P1的下界LB1；

S33、循环：

从所述问题集P中选择具有最低下界LBh的问题h；

令LB＝LBh，根据α取值和所述opt*得到问题P1的一组可行解opt，根据α的值求解问题P5得到所述原始问题P1的一个上界UBh，如果UBh＜UB，令tpo*＝tpo，UB＝UBh，如果LB≥UB，输出最优解opt*，否则将所述问题集P中满足条件LBh≥UB的问题删除；

S34、分支：

找到值最接近1的αi，将问题h分为h1和h2两个子问题；

S35、定界：

求解两个子问题h1和h2的RLT松弛解，得到对应的下界LBh1和LBh2，将问题h从P中移除，如果LBh1＜UB，将问题h1放入所述问题集P中，如果LBh2＜UB，将问题h2放入所述问题集P中；

如果 停止循环，输出当前最优解；

否则，进入下一个循环。

5.如权利要求4所述的方法，其特征在于，将变量αi∈{0,1}松弛为0≤αi≤1，引入两个微量δ1和δ2避免出现分母为0的错误，所述问题P1转换为问题P2：

6.如权利要求5所述的方法，其特征在于，定义两个辅助变量λi＝(θi+δ1)-1和μi＝(fi+δ2)-1，所述问题P2转换为问题P3：

7.如权利要求6所述的方法，其特征在于，定义变量ξi＝αi·λi和ψi＝αiμi带入所述问题P3得到问题P4：

8.如权利要求5所述的方法，其特征在于，通过下述公式得到αi的值：当αi的取值确定以后，带入所述问题P2的公式，得到问题P5如下：