1.一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述方法包括以下步骤：步骤1：构建移动边缘计算环境；

步骤2：定义边缘计算环境中每一个边缘服务器的能源消耗模型Ps，Ps＝Pidle+(Pmax‑Pidle)*u其中，Pidle是空闲状态下边缘服务器消耗的功率，Pmax是边缘服务器在满载状态下消耗的功率，u是边缘服务器的CPU利用率，u∈[0，1]；

步骤3：定义虚拟机集合VM和边缘服务器队列S，VM＝{vm1，vm2,vm3,...vmm}，S＝{S1，S2，...Sn}，其中，m和n为大于0的整数；

步骤4：以引入二阶震荡因子的蝙蝠模型进行虚拟机部署，将m个虚拟机部署至n个边缘服务器，包括以下步骤：步骤4.1：参数初始化，令蝙蝠搜索空间为D维，fi＝fmin+(fmax‑fmin)×β

其中，i为第i个种群，j为第j个任务，fi为适应度函数，fmin和fmax分别为频率的最大值和最小值，β为服从均匀分布的随机向量，β∈[0，1]， 和 分别为t+1时刻更新后和t时*刻更新前的蝙蝠的速度，X为当前的全局最优位置；

设定改进后的蝙蝠位置更新公式，

其中， 和 分别为t+l时刻更新后和t时刻更新前的蝙蝠的位置，τ为扰动幅度，σ为随机数，τ∈(0，0.1]，σ∈[‑1，1]；

步骤4.2：产生新的方案，得到新的解xnew，t

xnew＝xold+rand1×A

t

其中，xold为上一个解，randl为‑1至1间的随机数，A是所有蝙蝠在这个时间步长内的平均响度；

步骤4.3：更新响度和脉冲发射率，产生一个[0，1]上的随机数rand2，若rand2小于响度Ai且新适应度fnew小于上一时刻的适应度值fi，则更新：fi＝fnew

其中，α为响度更新系数，α∈(0，1)， 和 分别为t+1时刻更新后和t时刻更新前的脉冲发射的概率，γ为调节系数，γ∈(0，1)；

步骤4.4：对所有个体适应值进行排序，找出最佳解；

*

步骤4.5：若最佳解未过载，则更新X的值，否则使用订单转移机制进行本地搜索；若迭代次数为最大迭代次数，则输出全局最优值，否则，迭代次数加1，返回步骤4.2；

步骤5：得到虚拟机部署的历史数据，训练改进的LSTM学习模型，改进的LSTM学习模型包括基础LSTM网络，配合所述网络设置sigmoid输入门、遗忘门和输出门，包括以下步骤：步骤5.1：构建改进的LSTM学习模型；

步骤5.2：获取虚拟机部署的历史数据，以自适应收敛函数对LSTM学习模型进行训练，其中，flag为用于计数的临时变量，当flag不等于0时，flag加1、进行下一轮训练，当flag累加到10时，令flag为0；k为训练中的当前迭代次数， 为k次迭代的损失函数的平均值，lossbefore是之前的损失函数的平均值，losscur为当前迭代的损失函数的平均值，损失函数为pi是预测值，ri是实际值，z是实验的批量大小，i为训练批量的序号；gard满足预设条件则进行步骤5.3；

步骤5.3：使用训练好的学习模型进行虚拟机的部署。

2.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述移动边缘计算环境包括顺次配合设置的终端层、边缘层和云数据层；

所述终端层分布设置若干移动设备；

配合所述移动设备的边缘层分布设有基站和边缘服务器；

配合所述边缘服务器的所述云数据层包括服务器和存储设备。

3.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述步骤3中，任意两个边缘服务器的计算能力不相同。

4.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：τ＝

0.1。

5.根据权利要求1所述的一种面向移动边缘计算的虚拟机部署方法，其特征在于：所述步骤4.5中，订单转移机制包括有序交换操作和迁移操作。