1.一种能量捕获网络模型任务计算卸载决策与调度方法，其特征在于，所述方法包括如下步骤：步骤1：每个用户UEk随机产生一个任务 其中n代表第n种任务类型，Wn代表第n种任务类型的模型大小， 代表UEk产生任务类型为n的任务量，用户个数为M，任务类型个数为N；

步骤2：每个用户UEk捕获由基站发射的射频能量，捕获时间都为te，各UEk捕获到的能量为Ek， 其中Pr是射频发射器的传输功率，GT是传输信道增益，GR是接收信道增益，λ是发射波长，dk是UE与基站之间的距离，L是路径损失系数；

步骤3：用户卸载决策分析，过程如下：

3.1若在本地进行计算，记用户设备调整计算频率 本地计算时间为 消耗能量为则 表示单位时间UEk捕获到的能量，代表UEk本地处理1bit任务类型为n的任务需要CPU周期数，完成所有在本地计算的任务所需要的时间为 xk表示卸载决策，其值0表示本地计算，1表示卸载；

3.2若用户选择在边缘服务器计算，因为基站只有一根天线，同一时间只能接收一个任务，需调整任务上传的顺序lz，记边缘服务器计算的时间为 消耗能量为 则mec其中 r 为UE的传输速率，fmec为边缘服务

器的计算频率，Xn(z)表示边缘服务器接收第z个任务时，模型n是否存在Cache中，计算完成所有上传到边缘服务器的任务所需的时间步骤4：根据步骤1、步骤2和步骤3所描述，建立如下数学模型：约束(2)(3)分别表示本地处理、卸载到边缘服务器计算消耗能量不超过捕获能量，约束(4)表示Cache存储的模型有限；

步骤5：采用LRU算法动态调整Cache存储模型，新模型上传时需要检测Cache中是否已经存储，当Cache容量不足时，弹出最长时间未使用的模型，直至能放入新上传的模型；

步骤6：染色体设置成一个大小为(M+2)的向量，记X，X(1：M)代表M个用户的卸载决策用

0和1表示；X(M+1)代表能量捕获的时间；X(M+2)代表任务上传的顺序；

步骤7：利用公式 得出任务在本地计算

用时，进一步用得出完成所有任务时间Tl；

步骤8：初始化种群，上传到边缘服务器计算的任务数为Z，其中，初始化个体X(1:M)取值为{0,1}，X(M+1)的取值范围是(0,Tl)，X(M+2)取值范围为(1,Z！)；

步骤9：确定任务数为Z的全排列，根据X(M+2)的值，确定任务上传顺序；

步骤10：确定适应度函数

步骤11：种群迭代，个体交叉变异，记录当上传到边缘服务器个数为Z时最快完成任务的个体X；

步骤12：重复步骤8，Z从(1，M)遍历，得到全局最快完成任务的X；

步骤13：根据X反向得到最优能量捕获时间、卸载决策以及任务的调度方案。

2.如权利要求1所述的能量捕获网络模型任务计算卸载决策与调度方法，其特征在于：所述步骤7中，用户设备的计算频率由捕获的能量和最大计算频率共同决定，计算出所有计算任务在本地执行的时延，在步骤8中进行剪枝。

3.如权利要求1或2所述的能量捕获网络模型任务计算卸载决策与调度方法，其特征在于：所述步骤10中，适应度函数充分考虑到用户捕获能量对计算卸载方案的影响，当卸载到MEC计算所消耗的能量大于捕获到的能量时，适应度为无穷大，种群迭代时会舍弃这些不合理的任务调度方案。