1.一种基于三支决策模型的移动边缘任务卸载方法，其包括如下步骤：S100：用户在移动终端发起任务，将任务数据加载到一个任务队列里；

S200：分别将所述任务数据代入到三支决策模型中进行计算，获取任务的总时间和能耗进而获得用户的开销；

S300：基于上述获取的用户的开销计算卸载任务量的阈值；

S400：如果当前任务的所需计算资源小于边缘服务器可用资源则认为当前任务的计算资源充足，进而将移动终端的当前任务全部卸载到边缘服务器；如果当前任务的所需计算资源不是很充足时，预测该当前任务的下一个计算资源充足的概率，并将该概率与所述阈值进行比较，进而选择将当前任务全部卸载、部分卸载还是不卸载到边缘服务器上。

2.根据权利要求1所述的方法，步骤S200进一步包括步骤：S201：本地执行模型中的任务的总时间和能耗计算过程如下：本地执行时间Tl可以表示为：

本地执行的能量损耗El可表示为：

其中，λ表示卸载比率，γ表示应用性能指数，D表示输入的所述任务数据的大小，fl为用户的CPU频率，k表示CPU芯片结构的参数；

S202：移动边缘计算MEC服务器执行模型中的任务的总时间和能耗计算过程如下：总时间Tc表示为：

Tc＝(Tu+Tce)

能量损耗Ec表示为：

其中， r表示传输速率，B为带宽，ω为噪声功率，h表示从用户到MEC服务器的通道增益，Tu表示传输时间，Tce表示执行时间，fc为MEC服务器的CPU频率，p表示传输功率，pce表示执行时的功率，γ表示应用性能指数；

S203：用户的开销U表示为：

U＝μ(Tl+Tc)+(1-μ)(El+Ec)其中，μ表示用户任务执行时间的权重系数，(1-μ)表示能量损耗的权重系数。

3.根据权利要求2所述的方法，步骤S300进一步包括步骤：S301：根据步骤S200确定λ的取值范围为：其中，T为单位时间；

S302：随机抽取一定数量的λ值；

S303：将μ值按侧重时间、侧重能耗以及平分时间和能耗进行设置；

S304：根据随机抽取的一定数量的λ以及不同设置的μ的值得到部分卸载时一定数量的U值；

S305：分别计算所得到全部卸载、部分卸载以及不卸载三种情况下U值的平均值；

S306：计算得出全部卸载、部分卸载以及不卸载三种情况下阈值α、β的值。

4.根据权利要求3所述的方法，步骤S306进一步包括步骤：α，β分别表示为：

其中，ηAP、ηPP、ηNP分别表示在当前任务的下一个计算资源充足的情况下进行全部卸载、部分卸载以及不卸载的代价，ηAN、ηPN、ηNN分别表示在当前任务的下一个计算资源不充足的情况下进行全部卸载、部分卸载以及不卸载的代价。

5.根据权利要求4所述的方法，其中ηAP、ηPP、ηNP、ηAN、ηPN、ηNN的计算如下：ηAP＝U1；

ηPP＝U′1；

ηNP＝U″1；

ηAN＝U2；

ηPN＝U′2；

ηNN＝U″2；

其中，U1表示在资源充足的情况下进行全部卸载的用户的开销；U′1表示在资源充足的情况下进行部分卸载的用户的开销；U″1表示在资源充足的情况下进行不卸载的用户的开销；U2表示在资源不充足的情况下进行全部卸载的用户的开销；U′2表示在资源不充足的情况下进行部分卸载的用户的开销；U″2表示在资源不充足的情况下进行不卸载的用户的开销。

6.根据权利要求5所述的方法，其中，

7.根据权利要求1所述的方法，步骤S400进一步包括步骤：S401：如果下一个计算资源充足的概率大于等于α则全部卸载；

S402：如果下一个计算资源充足的概率小于等于β则不卸载；

S403：如果下一个计算资源充足的概率小于α且大于β则部分卸载。

8.根据权利要求3所述的方法，其中步骤S303中的侧重时间时μ为0.2，侧重能耗时μ为

0.8，平分时μ为0.5。

9.根据权利要求2所述的方法，所述卸载比率λ为：λ＝本地执行数据/输入数据总数。

10.根据权利要求2所述的方法，其中k＝10-26。