1.一种基于自适应遗传算法的任务卸载决策方法，其特征在于：该方法包括以下步骤：步骤一：单小区‑多用户网络场景模型的构建；

步骤二：单小区‑多用户网络场景任务卸载模型的构建；

构建单小区‑多用户场景下的任务卸载模型，单小区‑多用户场景下的任务卸载模型包括通信模型、计算模型以及系统总开销优化函数模型；

步骤三：基于自适应遗传算法的任务卸载策略；

通过初始化种群和编码、适应度函数设计、基因选择、交叉、变异遗传操作，最后得出最优的用户卸载决策；

所述单小区‑多用户网络场景任务卸载模型包括通信模型、计算模型以及系统总开销优化函数模型：(1)通信模型的构建

假设用户采用正交的上行传输信道，用户在计算卸载过程中彼此之间不会产生同频干扰；令Rk(pk)表示用户k以pk功率传输时的上行链路速率，表示为：其中，Wk表示用户k对应的上行链路带宽，用户k可调节其上行传输功率为pk∈(0，pmax]，表示系统上行链路总带宽，hk表示用户k到BS的上行链路功率增益， 表示BS对应于用户k的上行链路噪声功率；

(2)计算模型的构建

用户k的计算任务使用一个三元参数组来表示： 其中bk表示计算任务输入数据的大小，sk表示计算该任务所需的CPU周期数， 表示用户k所能容忍的最大时延，即任务若在 时间内完成，则不会影响用户的体验质量QoE；

假设任务 不能再分，即任务仅能够被整体处理，或者其已是最小任务单元；用户k通过监测应用配置获取任务输入数据大小bk及所需的计算资源信息sk；根据具体需求，用户选择在本地进行计算任务处理，或将计算任务卸载到基站侧的MEC服务器进行远端处理；

①当用户k选择本地执行任务时，令 表示用户k的本地计算能力，即CPU周期数； 表示本地执行任务完成时间，则有：令 表示用户k本地执行任务所消耗的能量，表示为：其中，能耗系数k值的大小取决于移动设备的芯片结构；

本地计算的开销包括本地设备执行此计算任务所对应产生的能量消耗和时延的加权和，根据公式(26)(27)，表示为：其中， 且 分别为用户k对任务能耗和时延的偏好权重值；

若用户k对任务完成时延要求高，则需增大 减小 即以增加能耗为代价来减小任务完成的时延；

②当用户k选择将任务卸载到MEC服务器进行计算时，令 表示任务在对应于用户远端的MEC服务器的处理时延，表示为：其中， 和 分别表示任务的输入数据通过上行链路上传至MEC服务器以及任务在MEC服务器处理所对应的时延，并且有：其中， 务处理时延，记作 表示为：

为保证任务正常处理，在公式(31)中，令fk表示MEC服务器分配给卸载用户的计算资源，假定fk≠0；

用户k卸载任务的远端处理能耗，记作 包含用户上传数据量所消耗的能量，忽略等待任务处理和结果返回阶段的待机能耗，表示为：其中，ζ是设备传输功率放大器的效率；当用户k选择将任务卸载到MEC服务器进行处理时，其总开销包括任务上传至MEC服务器的能量消耗和任务在远端MEC服务器的执行时延的加权和，根据公式(29)(30)(31)(32)，表示如下③系统总开销优化函数模型

令ak∈{0，1}表示用户k是否进行任务卸载的决策变量；当ak＝1时，用户k选择将任务卸载到基站MEC服务器执行；否则，用户k选择本地处理任务；本发明的主要目标是最小化用户在计算任务卸载过程中的总开销；在单小区‑多用户的场景下，计算任务卸载的优化目标函数表示：其中，A＝{a1，a2，…，aK}表示K个用户的卸载决策集合；约束条件C1表明用户任务仅能选择本地执行或者远端处理；约束条件C2表明由于系统带宽限制，假设各个用户上传时分配的链路带宽Wk皆相等，则有 表示小区内仅同时允许不超过N个用户进行数据上传；约束条件C3表示用户的计算任务处理时的总时延要小于用户所能容忍的最大时延；

具体为：

(1)初始化种群和编码

用 户的 卸 载决 策为 0‑ 1的 二进 制变 量 ，选择 二进 制编 码方式 ；令表示初始种群集合，满足 而且网络中的用户总数为K，使用K个二进制位构造第i条染色体为

种群初始化算法描述生成初始种群集合 的过程， 表示第i条染色体中随机生成基因k的概率；

(2)适应度函数设计

将用户总开销的倒数作为评价染色体优劣的适应度函数，表达式如下所示：一条染色体个体所对应的适应度函数越大，则其所对应的任务卸载决策的总开销越小，是基于遗传算法的任务卸载策略的求解目标；根据给定的适应度函数，遗传算法将在基因更新的迭代操作中找到渐进的最优解；

(3)选择运算

根据个体的适应度函数值比例来进行选择操作，各个个体被选中的概率与其适应度函数值大小成正比；采用轮盘赌选择方法，从父代中选取一部分个体，构成子代种群集合具体操作如下：①首先根据公式(22)计算出每个个体遗传到下一代群体中的概率：其中f(Ai)为公式(21)中描述的个体Ai的适应度函数值；

②然后计算出每个个体的累积概率：

在得到个体的累计概率后，然后通过随机产生[0，1]之间的个体选择点r，判断其在累计概率序列中的位置进行个体的选择，最终得到选择后的种群集台(4)交叉和变异运算

选择单点交叉对染色体进行操作，具体操作为：在两个相互配对的染色体个体中随机选择基因交叉点e，并将该点的基因概率re与交叉概率Pc进行比较，若小于等于Pc，则在该点相互交换两个染色体的部分基因，从而产生两个新个体；

采用基本位变异，即染色体个体中的某个基因值概率 与变异概率Pm进行判断来决定是否发生改变，即0→1或者1→0的变动；

(5)自适应的交叉和变异概率

采用根据个体的适应值做动态变化的交叉概率Pc和变异概率Pm，使其更好地保留种群中的优良个体，使算法收敛于全局最优；对交叉概率Pc和变异概率Pm做出相应的改进，其表示为：其中，fmax表示种群个体中的最大适应度值；favg表示整个种群的平均适应值；f表示种群中选择交叉操作的两个个体中较大的适应度值；f′是变异个体的适应度值；β1、β2、β3和β4为常数；

(6)遗传终止条件

通过遗传操作，得到新一代的种群；然后根据公式(21)计算出新一代种群个体的适应度值；若该种群的最大适应度值与平均适应度值变化不大，即|fmax‑favg|≤ξ，ξ取0.0015，或者已经达到预设的种群最大进化次数Gmax，则算法停止，输出最优的适应度值以及所对应的卸载决策；否则继续执行算法，直到满足停止条件。

2.根据权利要求1所述的一种基于自适应遗传算法的任务卸载决策方法，其特征在于：所述单小区‑多用户网络场景模型为宏基站BS小区下有K个移动用户，所有移动用户的集合表示为 BS与MEC服务器共址部署并相连，MEC服务器利用其计算资源协助处理移动用户卸载的计算任务。