1.一种基于移动边缘计算的任务卸载和资源分配方法，其特征在于，构建能量采集无线体域网系统，其中，所述能量采集无线体域网系统包括边缘服务器、无线接入AP节点、无线体域网集合，所述无线体域网集合由微型传感器节点组成，所述方法包括以下步骤：构建系统通信模型；

根据所述系统通信模型构建传感器节点的能量采集模型；

根据所述能量采集模型分别构建任务在本地处理模式下的第一计算效率模型和在边缘处理模式下的第二计算效率模型；

根据所述第一计算效率模型和所述第二计算效率模型构建整个无线体域网的第三计算效率模型；

构建深度神经网络并进行训练，得到训练好的深度神经网络；

将所述传感器节点与所述无线接入AP节点之间的链路增益集合输入所述训练好的深度神经网络中，输出候选卸载决策集合；

根据所述第三计算效率模型和所述候选卸载决策集合将决策问题转化为凸优化问题；

分别对所述候选卸载决策集合中的卸载决策进行凸优化求解，以得到最优的卸载决策和资源分配方案；

其中，所述构建任务在本地处理模式下的第一计算效率模型，包括：在所述本地处理模式下，传感器节点计算数据消耗的总能量不能超过能量采集阶段获取的能量，表示为：其中，Ei表示第i个传感器节点采集的能量，ki表示传感器节点i的计算能效系数，fi表示节点i的CPU频率，0≤ti≤T表示节点i的计算时间；

在所述数据处理阶段，所述本地处理模式下节点计算效率表示为：其中，CL,i表示节点i的计算效率，φ为传感器节点处理单位数据所需要的计算周期数，T为通信过程时长，fi表示节点i的CPU频率，0≤ti≤T表示节点i的计算时间；

根据所述节点计算效率计算节点的最大计算效率为：

1/3

其中， 表示节点i的最大计算效率，在ti＝T，fi＝(Ei/(kiT)) 时得到构建任务在边缘处理模式下的第二计算效率模型，包括：在所述边缘处理模式下，在所述数据处理阶段采用时分多路复用的方式，定义分配给节点i的时间长度占比为bi∈(0,1)，则所述边缘处理模式下传感器节点的处理时间约束为：采用无线通信技术通过传感器节点i将任务卸载至边缘服务器，根据香农公式得到节点i在biT时间内传输的最大数据量Di为：其中，B表示传感器节点与AP节点与之间的无线信道带宽，Pi表示传感器节点i的发射功率，N0表示噪声功率；

在能量采集的无线体域网中，当传感器节点将采集到的所有能量用于任务卸载时，得到最大计算功率，进一步得到边缘处理模式下节点的最大计算效率，表示为：其中， 表示边缘处理模式下节点i的最大计算效率，当最大计算功率为Pi＝Ei/biT得到所述整个无线体域网的第三计算效率模型为：

其中 ai∈{0,1}表示节点i的卸载决策，ai＝0表示节点i在本地执行任务，ai＝1表示节点将任务卸载到边缘服务器上执行。

2.如权利要求1所述的方法，其特征在于，所述边缘服务器和所述AP节点之间通过有线链路相互连接，所述AP节点与无线体域网传感节点之间通过无线链路连接，一次通信过程分为能量采集阶段和数据处理阶段，所述构建系统通信模型，包括：在所述能量采集阶段，通过AP节点广播射频信号，在传感节点采用能量采集技术在规定时间内从射频信号中捕获能量；

在所述数据处理阶段，在传感器节点根据最优卸载决策将数据本地处理或卸载处理，若将数据卸载处理，则根据分配的卸载时间，将数据发送至AP节点，由与AP节点相连的边缘服务器处理。

3.如权利要求2所述的方法，其特征在于，所述构建传感器节点的能量采集模型，包括：定义一次通信过程时长为T，能量采集阶段占比例为b0∈(0,1)，则在一次通信过程中，第i个传感器节点采集的能量为：Ei＝μPgib0T

其中，μ∈(0,1)表示传感器节点能量采集效率，P表示AP节点的发送功率，gi表示传感器节点i与AP节点之间的链路增益。

4.如权利要求1所述的方法，其特征在于，所述构建深度神经神经网络并进行训练，得到训练好的深度神经网络，包括：初始化深度神经网络参数集，使用ReLU函数、sigmoid函数分别作为所述深度神经网络的隐藏层激活函数和输出层激活函数；

使用一个容量有限的初始为空的存储器；

将凸优化问题求解的输出的最优卸载决策和输入到深度神经网络的链路增益作为一组训练样本添加至所述存储器的末尾；

每经过一个训练间隔，从所述存储器中随机提取一批训练样本训练深度神经网络；

在设定的训练次数完成后，得到训练好的深度神经网络，其中，训练所述深度神经网络所采用的损失函数为：

其中，S表示随机提取的训练样本，|S|表示S的大小， 表示一对训练样本，表示矩阵的转置运算。

5.如权利要求1所述的方法，其特征在于，所述将所述传感器节点与所述无线接入AP节点之间的链路增益集合输入所述训练好的深度神经网络中，输出候选卸载决策集合，包括：将传感器节点与AP节点之间的链路增益集合输入深度神经网络，根据深度神经网络当前的卸载策略，得到一个宽松的卸载决策集合；

使用Order‑Preserving Quantization方法进行拆分处理所述宽松的卸载决策集合，得到候选卸载决策集合。

6.如权利要求1所述的方法，其特征在于，将所述候选卸载决策集合分别带入所述整个无线体域网的第三计算效率模型中，将决策问题转化为凸优化问题，使用Bisection‑Lagrange算法进行所述凸优化求解，以得到最优的卸载决策和资源分配方案。

7.一种计算机设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1‑6中任一所述的方法。