1.一种基于SSA‑SA算法的移动边缘计算任务卸载方法，其特征在于，该方法包括：S1：建立多信道无线干扰用户移动模型；确定该模型的参数；设定当前任务集；模型的参数包括：移动设备计算1bit数据所需周期数为C，任务i总数据量Di，移动设备的本地计算能力Fl；

S2：若当前任务在本地进行计算时，根据模型的参数构建本地时间模型和本地计算能耗模型；本地时间模型为：本地计算能耗模型为：

2

Elocal,i＝kCLiFl

其中，Tlocal,i表示本地计算时间，C表示移动设备计算1bit数据所需周期数，Li表示数据量，Fl表示移动设备的本地计算能力；Elocal,i表示本地计算能耗，k表示有效开关电容；

S3：若当前任务需要进行卸载时，获取移动设备的相关参数，根据相关参数计算移动设备的上传时间、边缘服务器运行时间、移动设备卸载的能耗和移动设备运行的能耗；并求出移动设备卸载任务的成本；

移动设备的相关参数包括：移动设备的上传速率ri，边缘服务器计算能力Fe，信道带宽B，移动设备卸载任务i时的传输功率pi，当前移动设备与基站s之间的信道增益gi,s，当前移动设备与基站s之间的距离li,s；

移动设备上传时间为：

边缘服务器运行时间：

移动设备卸载的能耗：

Eup,i＝piTup,i

移动设备任务卸载的时间：

Toff,i＝Tup,i+Texe,i

其中，Tup,i表示本地计算能耗，Di表示任务i总数据量，Li表示数据量，ri表示移动设备的上传速率，Texe,i表示边缘服务器运行时间，C表示移动设备计算1bit数据所需周期数，Fe表示边缘服务器计算能力，Eup,i表示移动设备卸载的能耗，pi表示移动设备卸载任务i时的传输功率，Toff,i表示移动设备任务卸载的时间；

移动设备卸载任务的成本为：

其中， 表示用户对计算时间的权重，Tlocal,i表示本地计算时间，Toff,i表示移动设备任务卸载的时间， 表示用户对能耗的权重，Elocal,i表示本地计算的能耗，Eup,i表示移动设备卸载的能耗；

S4：根据本地计算与边缘服务器的时间和能耗模模型求出优化的目标函数；

S5：初始化麻雀种群，设置最大迭代次数、发现者数量、加入者数量、警戒者比例以及安全阈值参数；设置模拟退火算法参数：初始温度、结束温度以及退火系数；种群中每个麻雀表示卸载比例向量；

S6：根据优化的目标函数计算每个麻雀的适应度值，对适应度值进行排序，选出适应度值中的当前最优值和最差值；设置最大迭代次数；计算每个麻雀的适应度值的公式为：其中，Costi表示单个任务i的实际成本，i表示单个任务，j表示总任务量；

S7：根据当前最优值更新发现者的位置、加入者的位置以及警戒者位置；

S8：获取更新后的化麻雀种群的最优值，若更新后的最优值比上一次迭代的最优值好，则更新最优值；否则采用退火算法对该值进行处理，使种群接受该值；

S9：判断当前迭代次数是否达到最大迭代次数，并且退火算法的温度大于等于结束温度，若到达最大迭代次数或者温度小于结束温度，则输出结果，否则返回S7，迭代次数加1，温度下降。

2.根据权利要求1所述的一种基于SSA‑SA算法的移动边缘计算任务卸载方法，其特征在于，更新发现者的位置的模型为：其中，t表示当前迭代数，j＝1,2,3,...,d；itermax表示最大的迭代次数， 表示在第t次迭代中第i个麻雀在第j维中的位置信息，α∈(0,1]表示一个随机数，R2表示预警值，ST表示警戒阈值，Q为服从标准正太分布的随机数，L表示一个1×d的矩阵，每个元素全部为1。

3.根据权利要求1所述的一种基于SSA‑SA算法的移动边缘计算任务卸载方法，其特征在于，更新加入者的位置模型为：其中， 表示在第t次迭代中第i个麻雀在第j维中的位置信息， 表示目前发现者所占据的最优位置，Xworst表示当前全局最差的位置，A表示一个1×d的矩阵，其中每个元素随机赋值为1或‑1，n表示种群数，L表示一个1×d的矩阵，每个元素全部为1。

4.根据权利要求1所述的一种基于SSA‑SA算法的移动边缘计算任务卸载方法，其特征在于，更新的警戒者模型为：其中， 是当前迭代次数中所有麻雀中的最优位置，β表示步长控制参数， 表示在第t次迭代中第i个麻雀在第j维中的位置信息， 表示第t次迭代中全局最差的位置，K∈[0,1]是一个随机数，fi表示当前麻雀个体的适应度值，fg表示当前迭代次数中的全局最佳的适应度值，fw表示当前迭代次数中的全局最差的适应度值，ε表示常数。