1.一种边缘计算系统能量与任务调度的优化方法，其特征在于，包括以下步骤：第一步：基于新的能量与任务调度协议，以使MEC系统可根据信道条件、IRS电池的能量状态和用户任务队列状态，自适应地在能量收集模式、IRS辅助任务卸载模式和IRS待机任务卸载模式进行切换；

第二步：基于所开发的协议，对系统优化问题进行建模，在最小化用户长期的任务卸载和计算能耗；

第三步：利用李雅普诺夫优化方法，把其分解为基于时隙的确定性优化问题，并通过凸优化理论对相应的确定性优化问题进行求解。

2.根据权利要求1所述的一种边缘计算系统能量与任务调度的优化方法，其特征在于：所述第一步中的具体步骤如下：

S1：建立信道模型；

以MEC系统中的信道为准静态信道；

用户端可以通过UA链路和URA链路把计算任务数据卸载到HAP；

UA链路，时隙k中的信道系数表示为hUA(k)，并将其建模为瑞利衰落，即其中ρ0是参考距离d0＝1m处的路径损耗，αUA是UA信道链路的相应路径损耗指数，dUA是用户端与HAP之间的距离， 是零均值和单位方差的复高斯随机散射分量；

URA链路，包括用户端至IRS(UR，user‑to‑IRS)和和IRS至HAP(RA，IRS‑to‑HAP)两个信道链路，时隙k中信道系数向量统一表示为 其中，ab∈{UR,RA}，αab是从节点a到节点b的信道路径损耗指数，dab是节点a和节点b之间的距离，ζab是与小尺度衰落相关的莱斯因子， 是ULA阵列响应向量， 为I行J列的复数矩阵，在 中，φab(k)表示为相应信号的到达角度或T离开角度，(·)表示为转置操作， 是莱斯衰落信道中的非直射分量，其每个元素均为零均值和单位方差的随机散射分量；

设 表示IRS在时隙k中的反射向量，其中θn(k)是第n个反射单元的相移，对于每个反射单元的反射振幅系数，均设置为可达的最大值，以使信号反射功率最大，由此，IRS的反射系数应满足以下约束：S2：无线供电IRS辅助任务卸载协议；

新协议下的MEC系统可按能量收集模式、IRS辅助任务卸载模式和IRS待机任务卸载模式运行，其中te(k)和to(k)分别是一个时隙k中用于IRS收集能量的时长和用户端卸载计算任务数据至HAP的时长，T为一个时隙的长度，在三种模式中，用户都将在整个时隙的持续时间内本地执行部分计算任务，而用户的计算任务卸载和IRS的能量收集不能同时进行；

在时隙k，以下等式成立：φI(k)te(k)+φII(k)(te(k)+to(k))+φIII(k)to(k)＝T。

3.根据权利要求2所述的一种边缘计算系统能量与任务调度的优化方法，其特征在于：所述能量收集模式中，一个时隙中的所有时间都用于IRS的能量收集，在此情况下，HAP向IRS发射RF能量信号，IRS从这些RF能量信号中收集能量，在此模式下，用户端不卸载计算任务数据至HAP，仅依靠自身在本地执行计算任务；

在IRS辅助任务卸载模式中，将一个时隙分为两个阶段，在第一阶段，IRS进行能量收集；在第二阶段，用户端在IRS的辅助下，向HAP卸载计算任务数据，作为其中一个特例，在此模式下，当IRS初始能量足够时，第一阶段可以不存在，此时IRS在整个时隙都将辅助用户端卸载计算任务数据至HAP，即有te＝0和to＝T；

在IRS待机任务卸载模式中，用户仅通过UA链路将计算任务数据卸载至HAP，IRS处于电源关闭的待机状态，此模式在以下两种情形会被选择：其一，IRS电池能量不足时，IRS无法参与辅助任务卸载，其二，当前时隙的UA链路信道质量很好时，用户可直接通过UA链路卸载计算任务至HAP。

4.根据权利要求1所述的一种边缘计算系统能量与任务调度的优化方法，其特征在于：所述第二步的具体步骤如下：

S1：用户的能耗模型，模型包括任务卸载的能耗以及任务本地计算的能耗；

S2：IRS的能量收集与消耗模型；

IRS在能量收集模式以及IRS辅助任务卸载模式下，从HAP发射的RF能量信号中收集能量，IRS在时隙k中收集到的能量可以表示为在IRS辅助任务卸载模式下，可得IRS在时隙k中消耗的能量为EC(k)＝μNφII(k)to(k)。

5.根据权利要求4所述的一种边缘计算系统能量与任务调度的优化方法，其特征在于：所述任务卸载的能耗包括：

在IRS辅助任务卸载模式下运行时，最大可达数据传输速率为：2

B是系统的带宽，p(k)是用户端的发射功率，σ是HAP处的加性高斯白噪声功率。设d(k)为to(k)期间卸载的任务数据量；

用户端执行任务卸载的能耗为：

IRS待机任务卸载模式下运行时，用户端卸载d(k)任务数据量所消耗的能量为；

S3：问题建模，用户端在处理计算任务时，可以在一个时间段内对任务队列中的计算任务量进行调度。在时隙k开始时，把用户任务队列状态表示为Q(k)，在时隙k结束或等效的时间瞬间(k+1)‑，把用户任务队列状态表示为Q(k+1)，用户在三种模式下都执行本地计算，在IRS辅助任务卸载模式和IRS待机任务卸载模式下执行任务卸载，令D(k)为在时隙k中用户端在本地执行与卸载的任务数据量，则有

6.根据权利要求1所述的一种边缘计算系统能量与任务调度的优化方法，其特征在于：所述第三步的具体步骤如下：

S1：基于IRS电池的能量状态B(k)定义一个虚拟能量状态：X(k)＝B(k)‑G；

S2：其中G＝2TNμ是一个与时间无关的常数，描述为：X(k+1)＝X(k)+EH(k)‑EC(k)；

S3：定义二次李雅普诺夫函数为：

S4：引入李雅普诺夫漂移函数Δ(Ω(k))：S5：进一步定义由李雅普诺夫漂移函数和确定性优化问题的目标函数加权得到的李雅普诺夫漂移惩罚函数：其中λ是一个非负加权因子；

S6：定理李雅普诺夫漂移惩罚函数的上界：

M是一个独立于λ的有限常数；

S7：把优化目标由问题的目标函数改写为李雅普诺夫漂移惩罚函数，利用漂移惩罚函数的上界，可以把原问题转换为求解该上界的最小值的问题：d(k)≥0,l(k)≥0，T≥τ(k)≥0；

S8：基于问题求解与系统优化算法，确定最优系统工作模式，从而得到最小值的问题的最优解；

当φI(k)＝1时，系统工作于能量收集模式，最小值的问题可以简写为：s.t.l(k)≥0，

目标函数为O(k)，对方程 进行求解，结合约束条件l(k)≥0，可得优化变量l(k)的最优解为；

当φII(k)＝1时，系统工作于IRS辅助任务卸载模式，令Ψ′(k)＝{d(k)，l(k)，t(k)，Θ(k)}，则最小值的问题可以改写为：d(k)≥0,l(k)≥0，T≥τ(k)≥0；

S9：由于 因此可得优化变量Θ(k)的最优解为：其中

* *

在得到l(k)和θ(k)后，可以简化为以下问题：s.t.d(k)≥0,T≥τ(k)≥0；

S10，求解上述问题，得到最优解后，即可确定Ym(k)(m∈{I,II,III})的值，从而可按下式确定第k个时隙的最优系统工作模式：

7.根据权利要求6所述的一种边缘计算系统能量与任务调度的优化方法，其特征在于：所述系统优化算法包括以下步骤：

S1：初始化：k＝1；

S2：while TRUE；

S3：获得第k个时隙的系统信道状态信息CSI，读取IRS电池的能量状态信息B(k)、用户任务队列状态信息Q(k)；

S4：求解三个模式所对应的优化问题，得到d(k)、l(k)、t(k)和Θ(k)的最优解，并计算Ym(k)；

*

S5：确定系统工作模式m(k)；

*

S6：根据m (k)以及相应系统工作模式下的d(k)、l(k)、t(k)和Θ(k)的最优解，进行最优资源分配，更新下一个时隙的队列状态B(k+1)和Q(k+1)；

S7：k＝k+1；

S8：end while。