1.一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，包括：

S1：构建MEC场景下的网络系统模型；

S2：基于MEC场景下的网络系统模型构建协作通信模型、任务计算模型、用户移动性模型和负载均衡模型；

S3：根据协作通信模型、任务计算模型、用户移动性模型和负载均衡模型构建卸载决策和协作集合关联决策联合优化问题；

S4：采用两时间尺度决策模型求解卸载决策和协作集合关联决策联合优化问题，得到最优卸载决策和协作集合关联决策；系统根据最优卸载决策和协作集合关联决策进行任务迁移。

2.根据权利要求1所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，所述MEC场景下的网络系统模型具体包括：U个基站和M个用户，每个基站上均配备有一个MEC服务器；基站集合表示为 用户集合表示为用户的任务表示为 其中， 表示任务数据大小， 表示每bit任务所需

CPU计算周期数， 表示任务最大容忍时延， 表示t时隙用户u的移动速度；用户选择协作集合 卸载任务，定义 表示协作集合关联变量， 表示用户选择在协作集合执行任务， 表示用户没有选择协作集合 定义 表示任务卸载决策变量，表示任务卸载到边缘一侧执行， 表示任务本地执行。

3.根据权利要求1所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，所述用户移动性模型包括：采用用户逗留时间作为小区切换过程中任务能否成功传输的评价指标；如果用户在协作集合中逗留时间 小于任务传输时间 任务传输失败；根据逗留时间预测任务传输失败的概率。

4.根据权利要求1所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，所述负载均衡模型包括：采用LSTM网络计算服务器的预测计算资源占用量和预测存储资源占用量，根据预测计算资源占用量和预测存储资源占用量计算服务器的预期负载；设置预期负载阈值，当服务器的预期负载大于预期负载阈值时，则将该服务器作为高负载节点，否则，将该服务器作为低负载节点；

高负载节点用于向其他邻近节点疏散多余的计算任务且不接受其他节点的计算任务，低负载节点用于接收其他节点的计算负载且不需要向其他节点卸载计算任务；高负载节点和低负载节点间共享计算资源，组成协作集合，定义协作集合的预期负载偏差。

5.根据权利要求1所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，卸载决策和协作集合关联决策联合优化问题表示为：其中， 表示t时隙用户u的任务成功执行的用户时延成本， 表示时隙集合，T表示系统时间周期，表示用户集合， 表示协作集合，表示t时隙用户u的任务最大容忍时延，表示t时隙用户u的任务卸载决策变量， 表示t时隙用户u的协作集合关联变量，表示t时隙用户u接收来自协作集合 信号的信干噪比，p0表示信干噪比阈值，表示t时隙用户设备能耗， 表示用户设备能耗预算。

6.根据权利要求1所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，求解卸载决策和协作集合关联决策联合优化问题的过程包括：两时间尺度决策模型包括慢时间尺度模型和快尺度时间模型；慢时间尺度模型根据负载信息采用基于FCM算法和联盟博弈的协作机制更新协作集合，快时间尺度模型根据协作集合和用户任务信息，采用基于Actor‑Critic的迁移决策算法求解最佳卸载决策和协作集合关联决策。

7.根据权利要求6所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，采用基于FCM算法和联盟博弈的协作机制更新协作集合的过程包括：采用FCM算法将所有服务器节点聚类，得到K个协作集合；

对K个协作集合反复执行合并和拆分过程，直到最终协作集合不再发生变化；

合并：根据协作集合的预期负载偏差设置联盟效用函数，根据联盟效用函数比较合并集合和多个协作集合的帕累托优势，当合并集合的帕累托优势大于多个协作集合的帕累托优势时，将合并集合作为新的协作集合，否则，保留多个协作集合；其中，合并集合为多个协作集合的并集；

拆分：比较分割子集合和原协作集合的帕累托优势，当分割子集合的帕累托优势大于原协作集合的帕累托优势时，将分割子集合作为新的协作集合，否则，保留原协作集合；其中，分割子集合为原协作集合的子集。

8.根据权利要求6所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，采用基于Actor‑Critic的迁移决策算法求解最佳卸载决策和协作集合关联决策的过程包括：将卸载决策和协作集合关联决策联合优化问题抽象为马尔科夫决策过程，由基站充当智能体，并构建对应的状态空间、动作空间和奖励函数；每个智能体均具有Actor网络和Critic网络；Actor网络和Critic网络均由结构相同的两个神经网络组成；Actor网络根据单个智能体当前的本地观测状态生成相应的动作并根据动作更新奖励函数，进入下一状态；Critic网络将Actor网络输出的动作作为输入，通过输出的策略梯度调整Actor网络的动作；根据当前状态、下一状态、动作和奖励值生成经验信息；采样多条经验信息训练Actor网络和Critic网络，更新网络参数，得到训练好的Actor网络和Critic网络；根据Actor网络训练结果得到最优卸载决策和协作集合关联决策。

9.根据权利要求8所述的一种移动边缘计算中基于多点协作的任务迁移方法，其特征在于，奖励函数为：其中，Rt表示t时隙用户执行动作获得的奖励值， 表示t时隙用户u的任务成功执行的用户时延成本，u表示用户集合。