1.一种蜂窝边缘计算环境下的设备节能方法，其特征在于，包括：

步骤1，构建包括宏基站的边缘计算网络，所述宏基站的覆盖区域内包括多个用户终端以及部署有边缘服务器和多个射频单元的小基站，每个所述用户终端均通过自身的射频单元与所述小基站中任一射频单元进行连接，用于访问网络服务或卸载任务至边缘服务器；

步骤2，基于所述边缘计算网络，构建总功耗的功耗最小化问题模型，并为所述功耗最小化问题模型构造约束条件，所述总功耗包括所述小基站、所述用户终端、所述边缘服务器的功耗；

步骤3，以所述小基站为智能体、以所述智能体的所有动作集合为动作空间、以所述智能体的所有局部状态集合为状态空间，并构建奖励函数，将所述功耗最小化问题模型描述为分布式部分可观察马尔可夫决策过程；

步骤4，将所述状态空间中的所有局部状态均输入训练后的决策功耗分配模型进行决策分配，得到宏基站的覆盖区域内各设备的开关状态及功耗分配结果，所述宏基站的覆盖区域内各设备包括所述小基站的各射频单元和边缘服务器以及所述用户终端；

步骤5，根据所述宏基站的覆盖区域内各设备的开关状态及功耗分配结果对所述小基站中的射频单元和边缘服务器以及所述用户终端进行功耗调控，以实现设备节能。

2.根据权利要求1所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，所述边缘计算网络的总功耗包括所述边缘服务器、所述小基站以及与所述小基站关联的所有设备的功耗，功耗表达式为：；

其中， 表示在时槽 内边缘计算网络的总功耗， 、 均表示二进制指示变量，表示在时槽 内小基站 中的第 个射频单元的传输功耗， 表示在时槽 内的用户终端 对小基站 的传输功耗，  表示在时槽 内部署在小基站 的边缘服务器接收来自第 个射频单元的卸载任务时的维护功耗， 表示在时槽 内小基站 的维护功耗， 表示在时槽 内小基站 中的第 个射频单元的模式转换功耗， 表示在时槽 内小基站 中的边缘服务器的模式转换功耗， 表示用户终端 在时槽内卸载任务到部署在小基站 中的边缘服务器时边缘服务器的计算功耗， 表示小基站站 中的第 个射频单元， 表示用户终端， 表示用户终端的总数量， 表示射频单元的数量。

3.根据权利要求2所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，所述功耗最小化问题模型的表达式为：其中， 表示小基站中射频单元的集合， 表示在时槽 内小基站的二进制指示变量， 表示下行链路的传输功耗， 表示上行链路的传输功耗。

4.根据权利要求3所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，所述约束条件包括：用户终端的下行速率 不低于预设阈值 ；

用户终端的上行速率 不低于预设阈值 ；

小基站对应的所有射频单元的下行传输功耗之和不超过小基站的最大传输功耗 ；

每个用户终端的传输功耗不超过自身的最大传输功耗 ；

在时槽 内卸载到同一边缘服务器的所有任务的计算资源需求之和不超过该边缘服务器的计算能力上限；

约束二进制指示变量 的取值为 。

5.根据权利要求4所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，所述步骤

3包括：

以所述小基站为智能体，以所述智能体的所有动作集合为动作空间 ，所述动作空间的表达式为：其中， 表示小基站 中的射频单元在时槽 内的开关模式， 表示小基站在时槽 内应该服务的最大请求卸载任务的用户终端数量， 表示小基站 在时槽的传输功耗；

以所述智能体的所有局部状态集合为状态空间 ，所述状态空间 的表达式为：其中， 表示在时槽 内小基站 的下行链路的加权平均信道增益值向量， 表示在时槽 内小基站 的上行链路的加权平均信道增益值向量， 表示在时槽 内小基站 的下行链路的加权平均下行数据速率要求向量， 表示在时槽 内小基站 的上行链路的加权平均卸载数据速率要求向量， 表示在时槽 内用户终端向部署在小基站 的边缘服务器卸载任务的加权平均处理器容量需求向量， 表示部署在小基站的边缘服务器在时槽 开始时的剩余处理器容量；

构建奖励函数 ，所述奖励函数 的表达式为：

其中， 、 、 均表示权重， 表示在时槽 内用户终端服务质量要求的约束， 表示在时槽内边缘计算处理器容量需求的约束， 表示在时槽 系统总能耗的约束；

基于所述动作空间、所述状态空间和所述奖励函数，将所述功耗最小化问题模型描述为分布式部分可观察马尔可夫决策过程。

6.根据权利要求5所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，在所述步骤4之前还包括：构建决策功耗分配模型，所述决策功耗分配模型由依次连接的基于GRU的状态补全模块和actor‑critic神经网络架构组成；

对所述决策功耗分配模型进行训练，得到训练后的决策功耗分配模型。

7.根据权利要求6所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，所述基于GRU的状态补全模块设置于所述边缘服务器；

所述基于GRU的状态补全模块的输入为所述状态空间中小基站的所有历史局部状态；

所述基于GRU的状态补全模块的输出为补全的状态空间。

8.根据权利要求7所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，将所述状态空间中的所有局部状态均输入训练后的决策功耗分配模型进行决策分配，得到宏基站的覆盖区域内各设备的开关状态及功耗分配结果，包括：通过所有射频单元的开关状态判断所述状态空间中是否存在状态缺失值；

当存在所述状态缺失值时，所述基于GRU的状态补全模块对所述状态缺失值进行补全，得到补全后的状态空间；

将补全后的状态空间输入所述actor‑critic神经网络架构进行决策分配，得到宏基站的覆盖区域内各设备的开关状态及功耗分配结果，所述宏基站的覆盖区域内各设备包括所述小基站的各射频单元和边缘服务器以及所述用户终端；

当不存在所述状态缺失值时，将所述状态空间中的所有局部状态输入所述actor‑critic神经网络架构进行决策分配，得到宏基站的覆盖区域内各设备的开关状态及功耗分配结果，所述宏基站的覆盖区域内各设备包括所述小基站的各射频单元和边缘服务器以及所述用户终端。

9.根据权利要求8所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，所述基于GRU的状态补全模块的函数表达式为：其中， 表示在时槽 内得到的补全状态值， 表示更新门， 表示在时槽内得到的补全状态值， 表示输出候选者， 表示S形函数， 表示需要补全状态的历史值， 表示更新门的偏差， 表示复位门， 表示复位门的偏差， 表示双曲切函数， 表示输出候选集的偏差， 、 、 分别表示更新门的权重、复位门的权重、输出候选集的权重。

10.根据权利要求1所述的蜂窝边缘计算环境下的设备节能方法，其特征在于，所述用户终端包括远程服务请求用户终端和本地资源请求用户终端。