1.一种移动边缘计算网络中多目标优化的计算卸载方法，该方法适用的网络构架为，上端的云服务器通过交换机与基站进行通信，在整个网络中有多个基站，且每个基站附近都部署一个MEC服务器，每个基站所覆盖的区域内都存在多个用户进行计算，考虑到云时延较高的问题，当用户选择卸载的时候则只会将对应比例的用户程序卸载到该区域内的MEC服务器上进行计算，其特征在于包括以下步骤：S1.根据网络架构进行建模，包括系统模型，应用程序模型，通信模型以及计算模型；

整个移动边缘计算系统网络架构，由若干个小区域组成，整体卸载工作包括两部分，首先考虑一个小区域中的计算卸载情况，然后对各个区域进行求和；

对于任意子区域1，即考虑多个用户与一个MEC服务器的场景，

系统模型如下：在该区域中，一、总共有U个用户，即{1,2,…,U}，有一个MEC服务器，二、无线链路为正交信道，链路不受其他信道的干扰；

应用程序模型如下：用户i产生的任务Ti用 表示，其中，wi表示任务的工作负载，即所需的CPU周期数，Di表示该用户的计算能力，即每周期可以计算的数据bit，σi表示该用户输入和输出数据量的比例， 表示用户i可以接受的最大延迟，此外，a为应用程序的卸载比例，a的取值为0‑1之间，即用户是否选择卸载，或者选择其应用程序的百分之多少卸载到MEC上；

通信模型如下：对于每一个用户i，其传输速率ri为

其中，B表示的是链路带宽，pi表示的是用户i的传输功率，h表示的是用户i与MEC服务器通信道路上的信道增益，d表示的是用户与MEC服务器传输道路的距离，θ表示的是路径损耗指数，N代表的是加性高斯白噪声；

计算模型包括用户在本地的计算模型，以及卸载在MEC服务器端的计算模型，每个计算模型包括时延与能耗两部分：l

其中，所述的用户在本地的计算模型包括用户i在本地的计算时延Ti和用户i在本地的计算所消耗的能耗 两部分，l

所述的用户i在本地的计算时延Ti为：

其中fi为用户i的CPU频率，

所述的用户i在本地的计算所消耗的能耗 为：

其中ki为用户i芯片结构的系数因子；

其中，卸载在MEC服务器端的计算模型包括用户i的总的卸载时延 和卸载能耗所述用户卸载在MEC服务器端的计算模型包括用户i的总的卸载时延 和计算卸载能耗 两部分；

其中，用户i卸载到MEC服务器中时，总的卸载时延 由计算时延、传输时延、结果回传时延、以及等待时延组成，因此用户i的总的卸载时延 为：其中 指的是用户在MEC端的计算时延，f代

表MEC服务器的计算能力， 表示的是任务上行链路的传输时延， 表示的是结果回传的时延，twait表示的是任务卸载到MEC时产生的等待时延；

用户的计算卸载能耗 为：

S2.对于整体网络建立面向时延和能耗的联合优化模型，具体模型为：其中，Ctotal表示整体网络中所有M个小区域的代价总和；

任意一个小区域的代价C为该区域内所有用户进行任务处理时，所消耗的代价总和，第i个用户进行任务处理时所消耗的代价Ci为：其中，β指的是时延加权因子，Υ指的是能耗的加权因子，两者之和为1；p表示用户传输功率。

2.根据权利要求1所述的一种移动边缘计算网络中多目标优化的计算卸载方法，其特征在于：步骤S2中联合优化模型的求解方法为GPSO优化算法，用于提高计算时效。

3.根据权利要求2所述的一种移动边缘计算网络中多目标优化的计算卸载方法，其特征在于：所述GPSO优化算法是根据生物界中的种群行为衍生出来的启发式算法，通过一定的优化规则更新种群并搜索最优解；在算法中，主要是通过不断更新种群进行最优解的求解，具体求解过程如下：步骤一：设置总的迭代次数为T，收敛标准为ε，令迭代次数t＝1，初始化S组用户，每一组用户的用户个数为U，用户维数为2，每一组用户表示为向量组X′(t)＝{X′1(t),X′2(t),…,X′U(t)}，s＝1,2,…S，其中X′i(t)＝[X′i,1(t),X′i,2(t)]表示第s组第i个用户选择的策略，即选择的卸载比例以及功率,i＝1,2,…U,X′i,1(t)表示第s组第i个用户的卸载比例，X′i,2(t)表示第s组第i个用户的功率；设置用户选择策略的取值范围，卸载比例的值为

0‑1之间，功率的值处于0与设置的最大功率之间；

步骤二：设置迭代次数T1，令迭代次数t1＝1；

步骤三：计算S组用户中每组用户的适应度值，适应度函数为在区域内用户产生的总代价，具体如下：保留S组中最优的用户适应度值，所述的最优的用户选择策略是指S组中适应度值最小的一组用户对应的值；

步骤四：将上一步保留的最优选择策略的一组用户复制S/2份，组成一个“种马种群”；

步骤五：从S组用户中去除步骤三所求出来的最优个体，并在剩下的个体中运用轮盘赌的方法选择S/2个个体，并与步骤四中的种马种群共同组成新的S组用户；

步骤六：开始进行进化操作；设置交叉算子pc,变异算子pm，首先采用部分匹配交叉算法对步骤五得到的新的S组用户进行交叉重组操作，再将得到的结果进行变异操作，得到新的S组用户；

步骤七：令t1＝t1+1,判断是否满足t1>T1，如果不满足，将新一代的S组用户返回步骤三进行迭代；如果满足，则进入下一步；

步骤八：设置迭代次数T2，惯性权重ω，加速度常数c1,c2；令迭代次数t2＝1；初始化S组用户，此时S组用户的值为步骤七所得到的新一代的S组用户，并初始化每一组用户的更新速度V′(t)＝{V′1(t),V′2(t)…V′U(t)}，其中V′i(t)＝[V′i,1(t),V′i,2(t)]表示每一组用户中每个用户卸载比例决策与功率选择的更新速度；

步骤十：计算这S组用户每组用户的适应度值，同理，每一组用户的适应度函数为上面所述的公式7，即在区域内用户产生的总代价；并初始化每组用户的最佳适应度值pbest，并根据每组用户的最佳适应度值pbest得到所有组的最佳适应值gbest，gbest为所有S组用户中的最小适应度值；

步骤十一：更新速度、S组用户的策略选择值，具体更新公式如下所示：V′i(t+1)＝ω*V′i(t)+c1*random(0,1)*(pbesti‑X′(t))+c2*random(0,1)*(gbesti‑X′(t))             (10)X′(t+1)＝X′(t)+V′i(t+1)                     (11)步骤十二：计算更新后的S组用户的适应度值，对于每一组用户，如果它的新的适应度值比该组历史的最小的适应度值还要小，则将该组用户的最佳适应度值pbest更新为新的适应度值；

步骤十三：根据每一组用户的最佳适应度值更新历史中出现过的所有用户中的最佳适应值gbest，即最小的适应度值，并记录其对应的那一组用户的决策值；

步骤十四：t2＝t2+1，判断是否满足t2>T2,如果不满足，将更新后的S组用户返回步骤十一进行迭代；如果满足，则进入下一步；

步骤十五：t＝t+1，判断是否满足t>T,是否达到收敛标准，如果不满足，将更新后的S组用户返回步骤二进行迭代；如果满足，结束，输出最终的所有用户的最佳适应值gbest，以及其对应的那一组用户的决策值，得到最优解。