1.一种5G超密集异构网络下的用户任务卸载与资源分配联合优化方法，其特征在于，包括：第一部分，基于改进的K-means分簇算法对微基站进行分簇；

第二部分，根据本地处理模型和卸载处理模型分别得到关于宏用户和微用户的系统代价函数，通过将系统代价函数分解成若干个子问题进行优化，从而实现通信资源与计算资源的合理分配。

2.如权利要求1所述的5G超密集异构网络下的用户任务卸载与资源分配联合优化方法，其特征在于，所述第一部分具体包括：

步骤一，将宏基站下的所有微基站作为一个微基站集合，并输入微基站集合中微基站坐标，初始化簇覆盖半径和最大迭代次数Iterate_max；

步骤二，根据微基站坐标，计算第i个微基站SBSi与其余微基站间的欧氏距离之和Distancei_sum和两两微基站间欧氏距离之和Distance_sum；

步骤三，根据公式Density(SBSi)＝Distance_sum/Distancei_sum计算SBSi的分布密度，然后求平均分布密度Density_average；

步骤四，将微基站集合中分布密度大于Density_average的微基站纳入初始的簇头集合中，并按照分布密度从大到小对初始的簇头集合内的微基站进行筛选，以保证两两簇头间的距离大于簇覆盖半径；

步骤五，将簇头集合外的微基站，根据微基站与簇头集合内各个簇头间的距离大小，将微基站分配给距离最近的簇头，从而形成各个簇集合；

步骤六，计算每个簇集合内微基站坐标的平均值，选择离平均坐标最近的微基站为新簇头，并更新簇头集合；

步骤七，判断迭代次数是否大于Iterate_max，若是则至步骤八，否则至步骤五；

步骤八，输出分簇结果。

3.如权利要求1或2所述的5G超密集异构网络下的用户任务卸载与资源分配联合优化方法，其特征在于，所述第二部分具体包括：

首先，分别给出宏用户和微用户的系统代价函数及其约束条件；

宏用户的系统代价函数及其约束条件表示如下：

s.t.(1)

(2)

(3)

(4)

(5)

其中， 为卸载决策因子，当 表示第m个宏用户MUEm的任务 卸载处理，反之亦反； 为任务 的数据量， 为完成 所需的周期数； 为MUEm的计算频率；κ为常量因子； 为MUEm的传输速率，式中N为子信道个数，为MUEm的信道分配因子，当 时，表示将子信道k分配给MUEm，反之亦反，W为子信道带宽， 为MUEm在子信道k上的传输功率， 为子信道k上MBS与MUEm间的信道增益，U为每个SBS下SUE个数， 为第j个微基站下的第u个微用户SUEu,j在子信道k上的传输功率，为子信道k上SUEu,j与MBS间的信道增益，σ2为背景噪声； 为MUEm可分配到边缘服务器计算资源的比例；fc为边缘服务器总计算资源；

条件(1)和(2)表示最大时延与最大能耗约束；条件(1)中 为MUEm本地处理时延、为MUEm卸载处理时延、 为宏用户最大处理时延约束，条件(2)中 为MUEm本地处理能耗、 为MUEm卸载处理能耗、 为宏用户最大处理能耗约束，条件(3)表示MUEm计算频率取值范围，条件(4)表示MUEm传输功率取值范围，条件(5)表示卸载决策因子 取值范围；

微用户的系统代价函数及其约束条件表示如下：

s.t.(21)

(22)

(23)

(24)

(25)

其中， 为卸载决策因子，当 表示第j个微基站下的第u个微用户SUEu,j任务卸载处理，反之亦反； 为卸载任务 的数据量， 为完成 所需的周期数； 为SUEu,j的计算频率； 为SUEu,j的传输速率，式中 为SUEu,j的信道分配因子，当 时，表示将子信道k分配给SUEu,j，反之亦反，为SUEu,j在子信道k上的传输功率， 为子信道k上SUEu,j与SBSj之间的信道增益，为SUEu,i在子信道k上的传输功率， 为子信道k上SUEu,i与SBSj间的信道增益， 为MUEm在子信道k上的传输功率， 为子信道k上MUEm与SBSj间的信道增益；σ2为背景噪声； 为SUEu,j可分配到边缘服务器计算资源的比例；

条件(21)和(22)表示最大时延与最大能耗约束；条件(21)中 为SUEu,j本地处理时延、为SUEu,j卸载处理时延、 为微用户最大处理时延约束，条件(22)中 为SUEu,j本地处理能耗、 为SUEu,j卸载处理能耗、 为微用户最大处理能耗约束，条件(23)表示SUEu,j计算频率取值范围，条件(24)表示SUEu,j传输功率取值范围，条件(25)表示卸载决策因子取值范围；

其次，将系统代价函数分成三个优化子问题，分别是计算频率优化问题p1、传输功率优化问题p2和计算资源分配优化问题p3，具体如下所示：s.t.fmin≤f≤fmax

其中，f和c泛指终端设备的计算频率和完成任务所需的周期数；

s.t.0＜p≤pmax

其中，d和p泛指终端设备下任务的数据量和传输功率，g泛指终端设备在某一子信道上的信道增益；

其中t为宏资源占比， 为宏用户所分配到的计算资源；1-t为微资源占比，为微用户所分配到的计算资源；

利用正交频分复用技术，将带宽为B的信道分解成若干个子信道，并构成子信道集合；

再次，为宏用户和微用户分配传输信道：

宏用户信道分配算法步骤如下：

步骤S11，列出宏用户MUE的增益矩阵G，共N列，并根据每列最大值从小到大按列排序；

步骤S12，根据边缘用户占比R，将增益矩阵G分为边缘用户增益矩阵G’和中心用户增益矩阵G”；G’由G从后往前取fix(RN)列构成，G”由G剩余的N-fix(RN)列构成；fix()表示截尾取整；

步骤S13，先根据G’为边缘MUE分配子信道，将子信道k分配给max(G’(:,k))所对应的用户，并将子信道k从信道集合中剔除；

步骤S14，再根据G”为中心MUE分配子信道，将子信道l分配给max(G”(:,l))所对应的用户，并将子信道l从信道集合中剔除；

步骤S15，输出宏用户MUE信道分配结果；

微用户信道分配算法步骤如下：

步骤S21，统计每个簇集合内微用户SUE数量，确定每个簇集合内所需信道个数；

步骤S22，计算出每个SUE在不同子信道下的信噪比；

步骤S23，根据分簇结果，列出每个簇集合内SUE的信噪比矩阵；

步骤S24，在某一簇内，将子信道k分配给信噪比矩阵内值最大的SUE，并将子信道k从信道集合中剔除，直至簇内的SUE都已分配到传输信道；

步骤S25，重置信道集合，按照步骤S24对下一个簇集合内的SUE进行信道分配，直至所有簇集合内SUE都已分配到传输信道；

步骤S26，输出SUE信道分配结果。

然后，对这三个子问题采用不同的方法进行优化；

p1问题是关于计算频率f的凹函数，在最大时延与最大能耗的约束下可缩小f的取值范围，进而利用凸优化方法求得最优计算频率f；

p2问题是关于传输功率p的凹函数，采用二分法寻找最优的传输功率值；

p3问题可利用拉格朗日乘子法与松弛对偶法相结合的方法，将带有不等式约束条件的优化问题转换为不带约束条件的优化问题，然后对不带约束条件的优化问题中变量求偏导并令其偏导数为零，最终得到计算资源分配结果；

最后，根据 和El＝κf2c计算出终端设备本地处理时延与能耗；根据 和计算出终端设备卸载处理时延与能耗，其中r泛指终端设备的传输速率，δ泛指终端设备分配到边缘服务器计算资源的比例；采用代价值比较法作出卸载决策；

首先将终端设备本地处理时延Tl和能耗El与最大时延Tmax和最大能耗Emax进行比较，若存在Tl大于Tmax或El大于Emax的情况，则令卸载决策因子x＝1，否则再将终端设备卸载处理时延To和能耗Eo与最大时延Tmax和最大能耗Emax进行比较，若存在To大于Eo或Tmax大于Emax的情况，则令卸载决策因子x＝0，否则利用公式(1)和(2)计算出本地处理代价Cost_local和卸载处理代价Cost_offload并进行比较，若Cost_local>Cost_offload，则令x＝1，否则令x＝

0，最终得到卸载决策方案。