1.一种基于鲁棒性的多无人机辅助移动边缘计算方法，其特征在于，所述方法包括：

终端获取当前需要计算的任务相关信息输入终端任务卸载策略分析模型，所述终端任务卸载策略分析模型根据任务相关信息，采用MAPPO算法求解目标函数，并结合约束条件，输出最佳的本地计算与任务卸载策略；

所述终端根据所述最佳的本地计算与任务卸载策略，将需要卸载到无人机的MEC服务器上计算的任务，通过上行链路信道请求将任务卸载至连接的无人机的MEC服务器上进行边缘计算；

所述无人机的MEC服务器将任务计算完成后通过下行链路返回计算结果至所述终端；

所述无人机的MEC服务器获取的环境参数输入无人机边缘计算策略分析模型，所述无人机边缘计算策略分析模型根据所述环境参数，采用MAPPO算法求解所述目标函数，并结合所述约束条件，输出CPU计算资源分配结果和飞行轨迹；

所述无人机的MEC服务器根据所述CPU计算资源分配结果为覆盖范围内的终端分配边缘计算的CPU计算资源，根据所述飞行轨迹控制无人机的飞行轨迹，改变所述无人机的MEC服务器的覆盖范围。

2.根据权利要求1所述的方法，其特征在于，所述终端任务卸载策略分析模型和所述无人机边缘计算策略分析模型各自采用Actor‑Critic策略网络，并采用CTDE策略对所述终端任务卸载策略分析模型和所述无人机边缘计算策略分析模型进行训练，训练时使用终端集群与无人机集群的全局信息进行训练，训练方式为：在训练过程中，终端任务卸载策略分析模型与无人机边缘计算策略分析模型的Actor‑Critic策略网络共享一个全局的Critic网络，用于估计状态值函数，该全局的Critic网络为CTDE策略中的集中式训练部分；

在生成动作时，终端任务卸载策略分析模型与无人机边缘计算策略分析模型的Actor网络各自观察到自身的局部信息，即CTDE策略中的分散式执行部分；

对于终端集群，第k个用户在t时刻的观察信息为 相应的动作为 对于无人机集群，第m架无人机在t时刻的观察信息为 相应的动作为终端任务卸载策略分析模型与无人机边缘计算策略分析模型的根据全局的Critic网络来更新自己的策略，其中，端卸载策略分析模型更新的策略为本地计算与任务卸载策略，无人机边缘计算策略分析模型更新的策略为CPU计算资源分配结果和飞行轨迹。

3.根据权利要求2所述的方法，其特征在于，所述目标函数为：

其中，Etotal为加权能耗，El[n]为在第n个时隙内，用户终端本地计算所产生的能耗，Eo[n]为在第n个时隙内，通信过程中任务卸载所产生的能耗以及MEC服务器计算所产生的能耗，Eu[n]为在第n个时隙内，通信过程中任务卸载所产生的能耗以及MEC服务器计算所产生的能耗，Efly[n]为无人机飞行所产生的能耗，N为时间段T内的时隙总数。

4.根据权利要求3所述的方法，其特征在于，所述约束条件为：

其中，tk[n]为第k个MU的任务计算时延，ΔδZ为任务复杂度的估计误差，Δhk,m[n]为随机误差项，δ为给定的整体时延可接受范围， 为终端集合， 为时间段T内的时隙集合，hk,m[n]为， 为对信道增益的估计值，εk,m为随机误差项的范围，cz为真实的任务复杂度， 为估计的任务复杂度，εz为任务复杂度的误差区间， 为不同类型的任务集合。