1.一种云边端合作的边缘计算方法，其特征在于：针对基站所对应的目标区域，由基站、各移动设备、各无人机、各任务处理设备构成的云边端系统，基于各移动设备产生的计算任务，执行以下步骤，获得云边端系统中移动设备的计算任务卸载到基站、无人机或任务处理设备的卸载策略，无人机的计算资源分配策略，以及各无人机在目标区域内的位置部署策略：

步骤A：基于目标区域内的各移动设备与基站通信，各移动设备将产生的计算任务的数据量和产生计算任务时各移动设备的位置数据传输给基站；

步骤B：初始化各无人机位置部署，检查无人机自身电量状况；

步骤C：针对云边端系统，基于移动设备的计算任务卸载到基站、无人机或任务处理设备计算分别对应的能耗，以降低云边端系统总能耗为目标构建云边端系统的优化问题；

步骤D：基于云边端系统构建的优化问题，针对步骤A中基站接收到各移动设备传输的计算任务的数据量与产生计算任务时各移动设备的位置数据，循环执行步骤D1至步骤D3，直到结果收敛或者达到最大循环迭代次数，获得云边端系统中移动设备的计算任务卸载到基站、无人机或任务处理设备的卸载策略，无人机的计算资源分配策略，以及各无人机在目标区域内的位置部署策略：

步骤D1：基于云边端系统构建的优化问题，根据各无人机位置部署，针对步骤A中基站接收到各移动设备传输的计算任务的数据量与产生计算任务时各移动设备的位置数据，采用深度强化学习方法求解云边端系统中移动设备的计算任务卸载到基站、无人机或任务处理设备的卸载决策；

步骤D2：基于步骤D1中求解的云边端系统卸载策略，以及各无人机位置部署，采用拉格朗日对偶法求解承载了计算任务的各无人机分别为其所对应的计算任务分配的计算资源；

步骤D3：基于步骤D1中求解的云边端系统卸载策略，以及步骤D2中求解的无承载了计算任务的各无人机分别为其所对应的计算任务分配的计算资源，采用遗传方法求解各无人机在目标区域内的位置部署，进而实现无人机群中各无人机位置的更新。

2.根据权利要求1所述的一种云边端合作的边缘计算方法，其特征在于：所述步骤A的具体过程如下：

步骤A1：移动设备i的位置在t时隙的三维坐标表示为Li(t)＝(xi(t)，yi(t)，0)，xi(t)、yi(t)分别是移动设备i在t时隙的x轴坐标值和y轴坐标值；

基于高斯马尔可夫移动模型与随机移动模型，第i个移动设备在t时隙的移动速度vi(t)和方向θi(t)分别表示为：

式中， 和 为调整前一个时隙对当前时隙的影响的系数， 和 值均在0和1之间；

是目标区域内所有移动设备的平均速度；是第i个移动设备的平均方向；Φi为服从第i个移动设备速度均值、速度方差的独立高斯分布 的常数，Ψi为服从第i个移动设备方向均值、方向方差的独立高斯分布 的常数；

综上，第i个移动设备在t时隙的位置Li(t)表示为Li(t)＝(xi(t‑1)+τvi(t)cosθi(t)，yi(t‑1)+τvi(t)sinθi(t)，0)；

式中，τ为一个时隙的时间长度；

步骤A2：第i个移动设备将在t时隙产生的计算任务的数据量Di(t)，和产生计算任务时各移动设备的位置Li(t)传输给基站。

3.根据根据权利要求1所述的一种云边端合作的边缘计算方法，其特征在于：所述步骤B的具体过程如下：

检测上一个时隙结束后无人机的剩余能量EU(t‑1)，若无人机剩余能量EU(t‑1)小于无人机与移动设备服务和通信需要的能量Ec，则无人机通过设置在无人机上的太阳能电池板收割太阳能进行充电；

因此，可以得到t时隙开始前无人机的剩余能量EU(t)公式：式中，Esolar为无人机通过设置在无人机上的太阳能电池板收割的太阳能。

4.根据根据权利要求1所述的一种云边端合作的边缘计算方法，其特征在于：所述步骤C的具体过程如下：

步骤C1：当t时隙第i个移动设备产生的计算任务卸载给第j个无人机时，基于香农公式得到第i个移动设备和第j个无人机之间的数据传输速率 表示为：式中， 表示移动设备与无人机之间的信道带宽，U指代无人机，M为指代移动设备，pi表示第i个移动设备的传输功率，g0表示1m处的信道增益，G0、γ均为常数，N0表示噪声功率谱密度，||Li(t)‑Lj||为第i个移动设备和第j个无人机之间的距离，Li(t)表示第i个移动设备在t时隙的位置，Lj表示第j个无人机的位置；

当t时隙第i个移动设备的计算任务卸载给第j个无人机时，数据传输时间 和传输能耗 分别表示为：

式中，Di(t)表示第i个移动设备在t时隙产生的计算任务的数据量；

第j个无人机计算第i个移动设备的计算任务的计算时间 和计算能耗 表示为：式中， 为第j个无人机分配给第i个移动设备的计算资源，ρ表示计算任务需要就算的比例，κ表示电容开关；

综上，当t时隙第i个移动设备的计算任务卸载给第j个无人机时，云边端系统的总时间T1和总能耗E1表示为：

步骤C2：当t时隙第i个移动设备的计算任务卸载给基站时，基于香农公式得到第i个移动设备和基站之间的数据传输速率 表示为其中，||Li(t)||为第i个移动设备和基站之间的距离， 表示移动设备与基站之间的信道带宽，M指代无人机，B指代基站；

当t时隙第i个移动设备的计算任务卸载给基站时，数据传输时间 和传输能耗分别表示为：

综上，当t时隙第i个移动设备的计算任务卸载给基站时，云边端系统的总时间T2和总能耗E2表示为：

步骤C3：当t时隙第i个移动设备的计算任务卸载给任务处理设备时，基于香农公式获得第i个移动设备和任务处理设备之间的数据传输速率 表示为式中，||Li(t)‑LC||为第i个移动设备和任务处理设备间的距离，LC表示任务处理设备的坐标， 表示移动设备与任务处理设备之间的信道带宽，M指代无人机，C指代任务处理设备；

当t时隙第i个移动设备的计算任务卸载给任务处理设备时，数据传输时间 和传输能耗 分别表示为

任务处理设备计算第i个移动设备的计算任务的计算时间 和计算能耗 表示为：

式中，fc为任务处理设备分配给移动设备的计算资源；

综上，当t时隙第i个移动设备的计算任务卸载给任务处理设备时，云边端系统的总时间T3和总能耗E3表示为

步骤C4，综上，优化问题可以表示为s.t.约束1：

约束2：||Lj‑Lk||≥dmin约束3：||Lj||＜||Lj||max约束4：

i

约束5：fj≤fmax

式中，A表示移动设备卸载决策矩阵；F表示无人机资源分配矩阵；L表示无人机位置矩阵；I表示目标区域内移动设备的总数；ai为云边端系统对于第i个移动设备的卸载决策动作，ai＝1表示卸载给无人机，ai＝2表示卸载给基站，ai＝3表示卸载给任务处理设备；约束1表示每个任务的处理时间不能超过自身的服务质量时间TQoS；约束2表示每两个无人机之间要大于等于最小距离dmin；约束3表示每个无人机的位置不能超过空间限制；约束4表示当无人机为移动设备服务时，无人机的剩余能量应该大于此次任务处理所需要的能量；约束5表示无人机分配给移动设备计算资源不能超过无人机的计算资源上限。

5.根据权利要求1所述的一种云边端合作的边缘计算方法，其特征在于：所述步骤D1的具体过程如下：

基于云边端系统构建的优化问题，根据各无人机位置，针对步骤A中基站接收到各移动设备传输的计算任务的数据量与产生计算任务时各移动设备的位置数据，采用DDQN的深度强化学习方法循环执行步骤D1.1至步骤D1.5，直到达到最大循环次数或者损失函数的绝对值小于预设阈值，得到云边端系统中移动设备的计算任务卸载到基站、无人机或任务处理设备的卸载决策；

步骤D1.1：获得t时隙下云边端系统的状态，即t时隙下云边端系统中所有移动设备的计算任务的数据量D(t)和位置数据L(t)，状态表示为St＝(D(t)，L(t))；

步骤D1.2：DDQN网络内有包括移动设备的卸载决策动作的动作空间At，移动设备的卸载决策动作包括卸载到基站、无人机或任务处理设备；

步骤D1.3：将t时隙下云边端系统的状态St输入进DDQN网络中，基于输出动作空间At中各个动作的价值，再结合∈‑greddy准则选择生成的动作at，并计算出云边端系统能耗的负值作为DDQN的奖励，记为rt；并更新(t+1)时隙的状态St+1，步骤D1.4：将步骤D1.1和步骤D1.3生成的(St，at，rt，St+1，)存入到记忆库中，若记忆库中的数据已经满了，则用新的数据逐个覆盖旧的数据；

步骤D1.5：当记忆库中的数据达到预设数量后，抽取记忆库中预设数量的数据训练DDQN网络。

6.根据权利要求5所述的一种云边端合作的边缘计算方法，其特征在于：所述DDQN网络内包含预测网络、目标网络，所述损失函数L为：2

L＝(Q预测‑Q目标)

Q预测＝Q(St，at)

Q目标＝rt+γQ(St+1，at+1)式中，Q预测为基于St、at输入到DDQN的预测网络中得到的预测输出值，Q目标为基于rt、St+1、at+1输入到DDQN的目标网络得到的目标输出值。

7.根据根据权利要求4所述的一种云边端合作的边缘计算方法，其特征在于：所述步骤D2的具体过程如下：

步骤D2.1：步骤D2：基于步骤D1中求解的云边端系统卸载策略，以及各无人机位置部署，将云边端系统的优化问题重塑为：s.t.约束1：T1＜TQoS约束4：

i

约束5：fj≤fmax

式中，F表示无人机资源分配矩阵；H表示卸载动作为卸载给无人机的移动设备集合，E1表示卸载给无人机的卸载动作所对应的系统总能耗；T1表示卸载给无人机的卸载动作所对应的系统总时间，约束1表示每个任务的处理时间不能超过自身的服务质量时间TQoS；约束4表示当第j个无人机为第i个移动设备服务时，无人机的剩余能量EU(t)应该大于此次任务i

处理所需要的能量 约束5表示无人机分配给移动设备计算资源fj不能超过无人机的计算资源上限；

步骤D2.2：引入广义拉格朗日函数，步骤D2.1的问题变化为其中，αj、βj、γj是拉格朗日算子，j指代第j个无人机， 是关于αj，βj，γj的函数；

步骤D2.3：定义函数

i

若约束有一个不满足，θP(fj)将趋近于无穷，得出i

综上，在满足约束的情况下，minFθP(fj)＝minFE1步骤D2.4：定义关于αj，βj，γj的函数步骤D2.5：定义重塑问题的对偶问题求解对偶问题的解即可求解重塑问题的解，得到承载了计算任务的各无人机分别为其所对应的计算任务分配的计算资源。

8.根据根据权利要求1所述的一种云边端合作的边缘计算方法，其特征在于：所述步骤D3的具体过程如下：

步骤D3.1：将各个无人机的位置均采用预设长度的二进制表示，位数不够的在前面补

0；

步骤D3.2：基于各个采用预设长度的二进制表示位置的无人机，生成一个无人机种群，其中无人机的总个数为I，每个无人机都是一个无人机个体，无人机种群公式可以表示为：步骤D3.3：从种群I中随机抽取K个无人机个体作为父本，再随机抽取K个无人机个体作为母本，构成一组；

步骤D3.4，对于每一组父本和母本，确定两个十进制随机数，两个随机数之和小于无人机个体长度对应的十进制数；将母本前端到第一个随机数长度的DNA和母本后端到第二个随机数长度的DNA替换掉父本中对应的部分，得到新的个体；

步骤D3.5，对于新的个体每个位数都以预设概率变异，即1变为0，0变为1，若新个体满足无人机位置的约束即保留；

步骤D3.6，将新的个体与对应的父体分别代入目标函数中进行比较，保留能耗较少的一方；

步骤D3.7，反复迭代步骤D3.3至步骤D3.6，直到达到设定的迭代次数，得到筛选后的无人机种群；

步骤D3.8，从筛选后的无人机种群中，抽取预设无人机个数的无人机位置部署，作为当前无人机在目标区域的位置部署。

9.根据权利要求8所述的一种云边端合作的边缘计算方法，其特征在于：所述步骤D3.1将各个无人机的位置均采用预设长度的二进制表示，位数不够的在前面补0的过程如下：确定无人机横纵坐标的范围和高度的上限和下限，这三者的最高值作为标准，并将最高值转化为二进制，其他两个数都以该最高值对应的二进制长度为标准转化为二进制，长度不足的在前面补0。