1.一种基于联邦元学习的移动边缘计算智能卸载方法，应用于移动边缘计算系统，所述移动边缘计算系统包括云端服务器、边缘服务器和无线设备，其特征在于，所述云端服务器和边缘服务器具有结构相同的神经网络模型，所述基于联邦元学习的移动边缘计算智能卸载方法，包括：

步骤1、边缘服务器从云端服务器下载所述神经网络模型的初始网络参数用于更新本地神经网络模型的网络参数；

步骤2、边缘服务器获取第一批训练样本，训练本地的神经网络模型，更新本地的神经网络模型的网络参数，并在该网络参数下获取第二批训练样本，计算出对应的损失值；

步骤3、边缘服务器将损失值上传给云端服务器，云端服务器聚合所有接收到的损失值进行网络参数的更新；

步骤4、边缘服务器从云端服务器下载网络参数更新本地神经网络模型的网络参数，重复上述步骤2、3，直到神经网络模型收敛；

步骤5、边缘服务器采用训练好的神经网络模型决定最优卸载策略。

2.根据权利要求1所述的基于联邦元学习的移动边缘计算智能卸载方法，其特征在于，所述训练样本包括无线信道增益和对应的最优卸载策略，其中所述最优卸载策略通过求解如下最小化任务完成加权总时延问题得到：其约束条件为：

其中， 为无线设备n的上下行传输总时延， 表示无线设备n在边缘服务器执行计算任务所需要的时延，Bn表示无线设备n所占用的带宽，Pn表示设备的发送和接收功率，ω0表示白噪声功率，Cn表示无线设备与边缘服务器之间的上下行传输速率；其中αn,βn,γn分别表示上行传输数据量大小、下行传输数据量大小及完成该计算任务需要的CPU运行周期数，hn(t)表示无线设备n对应的无线信道增益；

xn(t)表示无线设备n在时间帧t下的卸载策略，其中xn(t)＝0表示无线设备在本地执行该计算任务，xn(t)＝1则表示无线设备n的计算任务将会被整个卸载到边缘服务器，f0表示无线设备每秒能执行的CPU周期数，fn(t)表示在时间帧t下边缘服务器给无线设备n的计算任务所分配的计算资源，wn(t)表示在时间帧t下无线设备n的计算任务权重优先级，fe表示边缘服务器在处理计算任务时每秒所能提供的最大CPU运行周期数；xt＝{xn(t)|n∈N}表示所有用户卸载决策的集合，同样的ft＝{fn(t)|n∈N}表示资源分配策略，ht＝{hn(t)|n∈N}表示所有无线设备信道增益的集合，wt＝{wn(t)|n∈N}表示所有无线设备的计算任务权重集合，N为无线设备的数量；

其中，为了使得加权总时延最小，计算资源分配问题建模如下：约束条件为：

上述计算资源分配问题的最优解表示为：其中，最优卸载策略表示为 表示在时间帧t下边缘服务器给无线设备n的计算任务所分配的最优计算资源， 表示最优资源分配策略。

3.根据权利要求2所述的基于联邦元学习的移动边缘计算智能卸载方法，其特征在于，所述边缘服务器采用训练好的神经网络模型决定最优卸载策略，还包括：在获得最优卸载策略后，进一步计算出计算资源分配策略。

4.根据权利要求1所述的基于联邦元学习的移动边缘计算智能卸载方法，其特征在于，在遇到新的计算任务场景时，所述基于联邦元学习的移动边缘计算智能卸载方法，还包括：边缘服务器从云端服务器载入网络参数；

边缘服务器根据新的计算任务场景生成新的训练样本，采用新的训练样本训练本地的神经网络模型，对网络参数进行微调。

5.根据权利要求1所述的基于联邦元学习的移动边缘计算智能卸载方法，其特征在于，所述训练样本保存在边缘服务器本地。

6.一种基于联邦元学习的移动边缘计算智能卸载装置，包括处理器以及存储有若干计算机指令的存储器，其特征在于，所述计算机指令被处理器执行时实现权利要求1至权利要求5中任意一项所述方法的步骤。