1.一种面向资源受限边缘云的物联网应用优化部署方法，其特征在于，其步骤如下：步骤一、根据产生智慧城市物联网应用的物联网设备构建智慧城市移动边缘计算系统模型；

步骤二、针对智慧城市移动边缘计算系统模型分别构建资源浪费模型、资源负载不均衡模型、能源消耗模型和带宽资源消耗模型，并根据资源浪费模型、资源负载不均衡模型、能源消耗模型和带宽资源消耗模型构建联合优化目标函数；

步骤三、利用染色体编码方案对DE算法进行改进，得到改进的DE算法；

步骤四、利用改进的DE算法对联合优化目标函数进行优化求解，输出联合优化目标函数的最小值对应的闲置资源、资源负载不均衡水平、能源消耗的功率和带宽资源的消耗量。

2.根据权利要求1所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述智慧城市移动边缘计算系统模型包括产生智慧城市物联网应用的物联网设备、包含无线蜂窝基站的边缘云和提供云服务的远端云，产生智慧城市物联网应用的物联网设备通过无线网络与边缘云中的无线蜂窝基站相连接，每个边缘云中的无线蜂窝基站通过光纤回程网络全拓扑互连，并借助互联网络与提供云服务的远端云相连接；所述边缘云中的无线蜂窝基站内部署有虚拟机或容器的边缘服务器，所述提供云服务的远端云内部署有虚拟机或容器的云服务器；当物联网设备提出应用卸载请求时，边缘服务器或云服务器上的虚拟机或容器会协助该物联网设备处理其卸载任务，并将处理结果反馈给物联网设备。

3.根据权利要求1所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述资源浪费模型为：其中，W表示边缘云中的闲置资源，M'表示启动边缘服务器的总数量， 表示第j个边缘服务器中处理器的利用率， 表示第j个边缘服务器中内存的利用率， 表示第j个边缘服务器中磁盘的利用率， 表示第j个边缘服务器中带宽的利用率；

M表示边缘服务器的总数量，i＝1,2,…,N，N表

示虚拟机或容器的总数量， 表示第i个虚拟机或容器对某种资源的需求量， 表示第j个边缘服务器所拥有的某种资源的总量，zij表示第i个虚拟机或容器是否被分配到第j个边缘服务器上的二进制变量。

4.根据权利要求3所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述资源负载不均衡模型为：其中，IB表示边缘云的资源负载不均衡水平，Ω＝{CPU、RAM、disk、Bw}表示边缘服务器所有资源的集合， 表示第j个边缘服务器中资源q的使用率。

5.根据权利要求4所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述能源消耗模型为：其中，P表示已启动边缘服务器所消耗的能源之和，ω1和ω2均表示正的固定多项式系数； 表示第j个边缘服务器被启动并未加载任何负载时消耗的功率， 表示第j个边缘服务器中CPU的利用率。

6.根据权利要求5所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述带宽资源消耗模型为：其中，BW表示边缘服务器处理完智慧城市物联网应用所消耗的带宽资源的消耗量，E表示智慧城市移动边缘计算环境中边缘云的总数量，Me表示第e个边缘云拥有的已启动边缘服务器数量，mk表示第k个边缘服务器上的虚拟机或容器个数，Vl表示与第k个边缘服务器上的第l个虚拟机或容器共同处理一个智慧城市物联网应用的虚拟机或容器数量，bwlt表示第l个虚拟机或容器到第t个虚拟机或容器的带宽值，ylt表示第l个虚拟机或容器是否为数据发送端的二进制变量。

7.根据权利要求6所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述联合优化目标函数f为：min:f＝θ1·W+θ2·IB+θ3·P+θ4·BW，

其中，θ1,θ2,θ3,θ4均为正的可调权重因子，且0<θ1,θ2,θ3,θ4<1和θ1+θ2+θ3+θ4＝1；datal表示第l个虚拟机或容器作为发送端向第t个虚拟机或容器发送的数据量；

联合优化目标函数需满足的执行延迟约束条件如下：

其中，L表示设定的门槛值；

联合优化目标函数需满足的资源约束条件如下：

8.根据权利要求1所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述利用改进的DE算法对联合优化目标函数进行优化求解的方法为：S41、初始化种群规模NP，染色体长度D，设置迭代次数G＝1，最大迭代次数maxGen，最大交叉概率CRmax，最小交叉概率CRmin，初始缩放因子F0，边缘云数量E及边缘云上的边缘服务器数量Me,e＝1,2,...,E；

S42、随机初始化NP个个体的种群，当前个体为xn,G＝(v1n,G,v2n,G,...,vDn,G),n＝1,

2,...,NP；

S43、计算种群中最差个体的适应度fmax、最优个体的适应度fmin、平均适应度值f和当前个体xn,G的适应度fn，其中，适应度即为目标函数；

S44、从种群NP中随机选择3个不同于当前个体xn,G的个体xr1,G，xr2,G和xr3,G，并计算当前个体xn,G的缩放因子Fn＝F0·5λ，其中，r1＝1,2,…,NP，r2＝1,2,…,NP，r3＝1,2,…,NP，且r1≠r2≠r3≠n，S45、根据个体xr1,G，xr2,G和xr3,G对当前个体xn,G进行变异操作，得到当前个体xn,G的变异向量vn,G+1＝(v1n,G+1,v2n,G+1,...,vDn,G+1)；

S46、利用自适应方法对当前个体xn,G进行交叉操作，得到尝试向量wn,G+1和un,G+1；

S47、分别计算当前个体xn,G、变异向量vn,G+1、尝试向量wn,G+1和un,G+1的适应度值，将最小适应度值对应的个体或向量作为最优个体，并将最优个体作为下一代的当前个体；

S48、迭代次数G＝G+1，判断G是否达到最大迭代次数maxGen，若是，结束迭代，输出最优个体，否则，返回步骤S43，执行下一次迭代。

9.根据权利要求8所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述根据个体xr1,G，xr2,G和xr3,G对当前个体xn,G进行变异操作的计算公式为：vn,G+1＝xr1,G+Fn·(xr2,G-xr3,G)，

其中，vn,G+1为当前个体xn,G的变异向量。

10.根据权利要求8所述的面向资源受限边缘云的物联网应用优化部署方法，其特征在于，所述利用自适应方法对当前个体xn,G进行交叉操作，得到尝试向量wn,G+1和un,G+1的方法为：计算当前个体xn,G的交叉概率：

其中，CRn为当前个体xn,G的交叉概率，CRmax为最大的交叉概率，CRmin为最小的交叉概率，fmax为种群中最差个体的适应度，fmin为种群中最优个体的适应度， 为种群的平均适应度值，fn为当前个体xn,G的适应度；

根据当前个体xn,G的变异向量vn,G+1和交叉概率计算当前个体xn,G的尝试向量un,G+1：un,G+1＝(u1n,G+1,u2n,G+1,...,uDn,G+1)，其中，d＝1,2,...,D，g＝1,2,...,D，r是[0,1]之间的随机数，drand是[1,D]之间的一个随机选择的索引；

根据当前个体xn,G的变异向量vn,G+1和交叉概率计算当前个体xn,G的尝试向量wn,G+1：wn,G+1＝(w1n,G+1,w2n,G+1,...,wDn,G+1)，