1.一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，包括以下步骤：利用随机规划理论将任务在MEC服务器的排队等待时间建模为一组随机参数，并将任务卸载过程建模为两阶段卸载模型；

基于两阶段卸载模型，在时延约束条件下，以最小化系统总能耗为目标，将优化问题建模为基于两阶段随机规划的任务卸载和资源分配问题；

利用随机模拟方法将基于两阶段随机规划的任务卸载和资源分配问题转化为样本均值近似问题；

将样本均值近似问题解耦为本地计算资源分配子问题、传输功率和边缘计算资源联合分配子问题，以及卸载决策子问题；

采用标准拉格朗日乘子法获得所述本地计算资源分配子问题的最优分配策略；

采用遗传算法获得所述传输功率和边缘计算资源联合分配子问题的最优分配策略；

通过分析本地计算和边缘计算的时延估计和能耗预算获得所述卸载决策子问题的最优策略；

用户基于所述本地计算资源分配子问题的最优分配策略、传输功率和边缘计算资源联合分配子问题的最优分配策略，以及卸载决策子问题的最优策略进行任务卸载。

2.根据权利要求1所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，在两阶段卸载模型中，将卸载决策过程分为两个阶段，包括：第一阶段的决策变量为任务的传输功率，即用户在没有观察到不确定性MEC服务器排队等待时间的情况下，考虑未来所有可能排队时间的影响，做出第一阶段的传输功率分配策略pi；

第二阶段的决策变量为MEC服务器的CPU频率资源，即当任务上传至MEC服务器，排队等待时间实现已知，在获得排队等待时间和第一阶段的传输功率分配策略pi的条件下，MEC服务器将根据约束条件采取追索动作，对第一阶段策略进行补偿。

3.根据权利要求1所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，基于两阶段随机规划的任务卸载和资源分配问题表示为：约束条件：

l，min l l，max

fi ≤fi≤fi ；

e，min l e，max

f ≤fi≤f ；

loca l

Ti (fi)≤τi；

πi∈{0，1}；

其中，π＝{π1，π2，...，πN}表示任务卸载决策集合，N为请求任务处理的用户数；

l

表示本地CPU频率资源分配策略集合，fi表示第i个用户的本地CPU频率资源分配策略； 表示所有组合场景下MEC服务器CPU频率资源分配策略集合，其中 表示第i个用户在MEC服务器的排队等待时间的集合；p＝{p1，p2，...pN}表示用户任务传输功率分配策略集合，pN表示第N个用户任务传输功率分配策略；πi表示第i个用户的卸载决策；κi为第i个用户芯片构架相关的有效能量系数；Di为待计算任务的任务量大小；Li表示单位bit任务所需要的CPU周期数；Ri为第i个用户将任务卸载到MEC服务器的传输速率；γ为与MEC服务器芯片架构相关的有效能量系数；τi表示计算完成该任务的最大时延要求； 表示组合场景的期望； 和 分别表示传输功率l，min l，max

的最小值和最大值；fi 和fi 分别表示本地CPU频率的最小e，min e，max wait值和最大值；f 和f 分别表示MEC服务器CPU频率的最小值和最大值；Ti (ω)表loca l

示组合实现为ω时第i个用户的排队等待时间；Ti (fi)为第i个用户本地计算的时延；

tran

Ti (pi)为第i个用户选择将任务卸载到MEC服务器处理时任务上传的通信时延；

为第i个用户在MEC服务器的计算时延。

4.根据权利要求1所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，利用随机模拟方法将基于两阶段随机规划的任务卸载和资源分配问题转化为样本均值近似问题包括：

约束条件：

l，min l l，max

fi ≤fi≤fi ；

e，min l e，max

f ≤fi≤f ；

loca l

Ti (fi)≤τi；

πi∈{0，1}；

其中，π＝{π1，π2，...，πN}表示任务卸载决策集合，N为请求任务处理的用户数；

l

表示本地CPU频率资源分配策略集合，fi表示第i个用户的本地CPU频率资源分配策略； 表示所有组合场景下MEC服务器CPU频率资源分配策略集合，其中 表示第i个用户在MEC服务器的排队等待时间的集合；p＝{p1，p2，...pN}表示用户任务传输功率分配策略集合，pN表示第N个用户任务传输功率分配策略；πi表示第i个用户的卸载决策；κi为第i个用户芯片构架相关的有效能量系数；Di为待计算任务的任务量大小；Li表示单位bit任务所需要的CPU周期数；Ri为第i个用户将任务卸载到MEC服务器的传输速率；γ为与MEC服务器芯片架构相关的有效能量系数；τi表示计l,min

算完成该任务的最大时延要求； 和 分别表示传输功率的最小值和最大值；fi 和l,max e,min e,maxfi 分别表示本地CPU频率的最小值和最大值；f 和f 分别表示MEC服务器CPU频率wait loca l

的最小值和最大值；Ti (ωs)表示组合实现为ωs时第i个用户的排队等待时间；Ti (fi)tran

为第i个用户本地计算的时延；Ti (pi)为第i个用户选择将任务卸载到MEC服务器处理时任务上传的通信时延；

N

为第i个用户在MEC服务器的计算时延；S＝K 表示该样本组合场景的数量，K为从第i个用户的场景集合Ωi中抽取的独立同分布样本数量。

5.根据权利要求4所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，若第i个用户的任务卸载决策为0，即第i个用户将任务在本地处理，则任务在本地计算时最优CPU频率分配策略为：l*

其中，fi 为任务在本地计算时最优CPU频率分配策略。

6.根据权利要求4所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，若第i个用户的任务卸载决策为1，即第i个用户将任务卸载到服务器计算，则通过遗传算法计算最优的卸载策略，具体包括：将每一个可行的传输功率进行浮点向量编码，每一个浮点向量表示一个染色体，浮点向量维数与解向量维数一致；

从用户i传输功率的可行域中随机产生一个点，并检验其是否满足用户传输时延小于最大传输时延要求，如果满足则作为一个染色体，否则，重新产生一个随机点，直到满足约束条件，重复以上过程M次，产生M个染色体作为初始种群，记为pi,1,pi,2,...,pi,M；

对于每个染色体pi,m，求解其适应度函数，并根据适应度求其评价函数，且对于每个染色体评价函数值越大，被选择产生后代的概率越大，其中适应度为样本均值近似问题函数；

对于染色体pi,m，计算前m个染色的累积概率 从区间(0,qi,M)中生成一个随机数r，若满足qi,m‑1＜r＜qi,m，qi,0＝0，则选择染色体pi,m作为父本繁殖下一代，依此规则选择M个染色体；

定义Pc为交叉概率，则种群中有期望值为Pc×M个染色体进行交叉操作，即假设pi,1和pi,2为要交叉的两个染色体，则从区间(0,1)中生成一个随机数c，直到p'i,1＝cpi,1+(1‑c)pi,2和p'i,2＝(1‑c)pi,1+cpi,2满足用户传输时延小于最大传输时延要求，则p'i,1和p'i,2将代替原染色体pi,1和pi,2成为两个新的染色体；

定义Pu为变异概率，则种群中有期望值为Pu×M个染色体进行变异操作，即假设pi,1为要变异的染色体，随机选择一个变异方向d，从 中生成一个随机数α，直到p'i,1＝pi,1+αd满足约束条件，则p'i,1将取代原染色体pi,1成为新的染色体；

经过选择、交叉和变异操作，可以得到一个新的种群，并准备进行下一代进化，如果上述步骤达到了给定的循环次数，则遗传算法终止；算法终止后，从最后一代选择一个适应度最高的染色体，即得到优化问题的全局最优解。

7.根据权利要求6所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，每个染色体相应的适应度值，并按照适应度值从小到大对染色体进行排序，则染色体pi,m的评价函数表示为：

m‑1

eval(pi,m)＝a(1‑a) ,m＝1,2,...,M；

其中，eval(pi,m)为染色体pi,m的评价函数；a为常数，且a∈(0,1)。

8.根据权利要求1所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，最优卸载决策表示为：

其中， 为最优卸载决策； 为任务在本地计算时最优CPU频率分配策略； 为每个场景下MEC服务器最优CPU频率分配策略； 为第i个用户的最优发射功率。

9.根据权利要求7所述的一种不确定网络环境中的任务卸载和资源分配方法，其特征在于，每个场景下MEC服务器最优CPU频率分配策略 表示为：其中， 为第i个用户选择发射功率为pi,m时将任务卸载到MEC服务器处理时任务上传的通信时延。