1.多接入边缘计算联合任务卸载和资源分配的方法，其特征在于，包括：

根据组成各个应用的任务的规定最晚完成时间和实际执行过程中的允许最晚完成时间，确定任务执行的优先级；

针对当前应用环境确定强化学习的三要素：状态、动作和奖励；

基于物联网设备、边缘服务器和远程服务器的资源状态，要执行的任务状态和优先队列状态，采用DQN网络，结合物联网设备、边缘服务器和远程服务器的资源情况以及物联网设备产生应用的实时信息，得到当前状态下各种动作与每种动作对应的奖励，直到DQN网络收敛，得到最优的任务执行和资源分配策略；

假设任务Xtnq的初始规定完成时间是SCTtnq，随着其前任任务的执行，任务Xtnq的最新可接受完成时间ACTtnq和开始时间ASTtnq；定义STStnq是任务Xtnq的后继任务集合，ACTtni为任务Xtni∈STStnq的最新可接受完成时间，ETxtni为任务Xtni在设备x上的执行时间；如果Xtnw为应用Xtn的最后一个任务时，ACTtnw等于SCTtnw，完成时间约束；

对于任务Xtnq从它的下一个任务Xtni反向计算其最新的可接受完成时间，即因此，任务Xtnq的最新可接受开始时间为根据公式(1)和(2)得到所有任务的最新可接受开始时间，基于所有任务的最新可接受开始时间，得到任务执行的优先级；

z

通过共同优化每个物联网设备n的计算卸载决策xtnq、物联网设备的CPU频率，边缘服务器和远程服务器的计算资源，我们的优化目标是找到一种最优的任务执行策略，以使物联网设备的执行时延和能耗的总成本最小；优化问题表述为：其中，N是物联网设备的数量，Q是每个物联网每个时隙产生应用包含的任务数，T是时p间，Wtnqj是任务Xtnq从它接入的边缘服务器j获得的带宽Ttnq是任务Xtnq预处理的时延，ftn是j物联网设备CPU频率，ftnq (j≠0)为边缘服务器j为任务q分配的计算资源，Fj是边缘云服务l器j分配给任务处理的全部资源， 为任务Xtnq在本地设备上预处理的执行成本，Ctnq 为任e务Xtnq选择在本地设备执行的总成本，Ctnq为任务Xtnq选择在边缘云服务器执行的总成本，cCtnq为任务Xtnq选择在远程云云服务器执行的总成本，Dtnq为任务Xtnq的最大可容忍的延迟；

z

二进制变量xtnq表示在时隙t物联网设备n产生的应用的任务q的计算卸载决策；在决策变z量xtnq中z的取值为集合{1，2，3}中的一个，z＝1表示任务在本地设备上执行，z＝2表示任务卸载到边缘服务器上执行，z＝3表示任务由边缘服务器卸载到远程服务器执行；约束C1确保在任意时隙t，分配给卸载到边缘服务器j的所有任务的总带宽不能超过边缘云j的总带宽Wjmax；约束C2确保无论选择哪种计算方式，任务的执行延迟不超过任务的最大可容忍的延迟；约束C3和C4分别是物联网设备的CPU频率和边缘服务器的计算资源约束。

2.根据权利要求1所述的多接入边缘计算联合任务卸载和资源分配的方法，其特征在于，所述状态要素包括：状态空间、任务的状态信息、设备的状态信息和队列的状态信息；所述状态空间包括：任务、设备及队列三个部分的信息；所述任务的状态信息包括：任务的预处理前的大小、输入数据大小、计算复杂度、输出数据大小、最大可容忍延迟及最新可接受完成时间，所述设备的状态信息包括：本地设备、边缘服务器及远程服务器的计算资源分配，队列的状态信息包括：优先级队列的信息。

3.根据权利要求1所述的多接入边缘计算联合任务卸载和资源分配的方法，其特征在于，所述动作要素包括：AC1：对于决策时期k任务的选取，遵循以下规则：首先，从没有执行的任务中挑选优先级最高的任务，该任务属于哪个物联网设备的哪个应用；其次，判断该任务是否有未执行的前任任务；如果有，跳过该任务，并按同样的方法判断优先级次之的任务，直至找到可执行的qs qs任务或将所有任务查看完毕；否则，执行该任务，并将SAk 中对应该任务的元素置为0，SAk是一个N*Q*T*1的行向量，N是物联网设备的数量，Q是每个物联网每个时隙产生应用包含的任务数，T是时间；

qs

所述SAk 为优先级队列信息；

AC2：包括一个动作，当动作AC1挑选出要执行的任务Xtnq时，需要决定任务Xtnq在哪个设备上执行；另一个动作，指定该设备将分配给该任务多少计算资源；将执行决策和计算资源分配的可能取值组合起来得到AC2。

4.根据权利要求1所述的多接入边缘计算联合任务卸载和资源分配的方法，其特征在于，所述奖励要素包括：agent在状态s∈SAk执行动作a∈AC后，将获得奖励r(s,a)并进入下一状态s’，奖励函数与优化目标一致；

其中，SAk为决策点k处的状态空间。

5.根据权利要求4所述的多接入边缘计算联合任务卸载和资源分配的方法，其特征在于，所述优化目标是通过配置调整物联网设备的CPU频率、边缘服务器及远程服务器上的计算资源分配做出最优卸载决策，以使物联网设备的执行时延和能耗的总成本最小。

6.根据权利要求4所述的多接入边缘计算联合任务卸载和资源分配的方法，其特征在于，所述DQN网络包括：输入层、两层隐藏层和输出层，输入层具有(6*nt*m×nc)个神经元，其中nt表示总的任务数量；第一个隐藏层大小为128个神经元，第二个隐藏层大小为64个神经元，输出层为与总动作空间大小相同的神经元的全连接层；

其中，nc是所有设备中的最大资源数，m表示设备的数量。

7.多接入边缘计算联合任务卸载和资源分配的系统，基于如权利要求1‑6任一项所述的多接入边缘计算联合任务卸载和资源分配的方法，其特征在于，包括：优先级排列模块，其被配置为：根据组成各个应用的任务的规定最晚完成时间和实际执行过程中的允许最晚完成时间，确定任务执行的优先级；

要素确定模块，其被配置为：针对当前应用环境确定强化学习的三要素：状态、动作和奖励；

最优决策获得模块，其被配置为：基于物联网设备、边缘服务器和远程服务器的资源状态，要执行的任务状态和优先队列状态，采用DQN网络，结合物联网设备、边缘服务器和远程服务器的资源情况以及物联网设备产生应用的实时信息，得到当前状态下各种动作与每种动作对应的奖励，直到DQN网络收敛，得到最优的任务执行和资源分配策略；

假设任务Xtnq的初始规定完成时间是SCTtnq，随着其前任任务的执行，任务Xtnq的最新可接受完成时间ACTtnq和开始时间ASTtnq；定义STStnq是任务Xtnq的后继任务集合，ACTtni为任务Xtni∈STStnq的最新可接受完成时间，ETxtni为任务Xtni在设备x上的执行时间；如果Xtnw为应用Xtn的最后一个任务时，ACTtnw等于SCTtnw，完成时间约束；

对于任务Xtnq从它的下一个任务Xtni反向计算其最新的可接受完成时间，即因此，任务Xtnq的最新可接受开始时间为根据公式(1)和(2)得到所有任务的最新可接受开始时间，基于所有任务的最新可接受开始时间，得到任务执行的优先级；

z

通过共同优化每个物联网设备n的计算卸载决策xtnq、物联网设备的CPU频率，边缘服务器和远程服务器的计算资源，优化目标是找到一种最优的任务执行策略，以使物联网设备的执行时延和能耗的总成本最小；优化问题表述为：其中，N是物联网设备的数量，Q是每个物联网每个时隙产生应用包含的任务数，T是时p间，Wtnqj是任务Xtnq从它接入的边缘服务器j获得的带宽Ttnq是任务Xtnq预处理的时延，ftn是j物联网设备CPU频率，ftnq (j≠0)为边缘服务器j为任务q分配的计算资源，Fj是边缘云服务p l器j分配给任务处理的全部资源，Ctnq为任务Xtnq在本地设备上预处理的执行成本，Ctnq 为任e务Xtnq选择在本地设备执行的总成本，Ctnq为任务Xtnq选择在边缘云服务器执行的总成本，cCtnq为任务Xtnq选择在远程云云服务器执行的总成本，Dtnq为任务Xtnq的最大可容忍的延迟；

z

二进制变量xtnq表示在时隙t物联网设备n产生的应用的任务q的计算卸载决策；在决策变z量xtnq中z的取值为集合{1，2，3}中的一个，z＝1表示任务在本地设备上执行，z＝2表示任务卸载到边缘服务器上执行，z＝3表示任务由边缘服务器卸载到远程服务器执行；约束C1确保在任意时隙t，分配给卸载到边缘服务器j的所有任务的总带宽不能超过边缘云j的总带宽Wjmax；约束C2确保无论选择哪种计算方式，任务的执行延迟不超过任务的最大可容忍的延迟；约束C3和C4分别是物联网设备的CPU频率和边缘服务器的计算资源约束。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1‑6中任一项所述的多接入边缘计算联合任务卸载和资源分配的方法中的步骤。

9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1‑6中任一项所述的多接入边缘计算联合任务卸载和资源分配的方法中的步骤。