1.一种计算资源有限MEC中任务卸载与资源分配方法，其特征在于，该方法具体包括以下步骤：

S1：移动用户产生新的计算任务，并向MEC服务器发送任务卸载请求；

S2：MEC服务器收集当前卸载周期内所有用户的卸载请求；

S3：MEC根据网络场景，建立通信模型、移动用户本地计算模型与MEC计算模型。构建出MEC总收益最大化问题模型与用户任务执行成本模型；

S4：MEC服务器为请求用户分配可提供的计算资源；

S5：MEC服务器根据Stackelberg博弈模型建立与用户之间的交互，根据差异化定价策略计算向不同用户收取的计算费用；

S6：结合步骤S5，MEC服务器进行计算资源重分配，并检查是否满足结束条件，若满足，执行步骤S7；若不满足，返回步骤S4；

S7：MEC服务器将报价以及可以提供的计算资源返回给用户端；

S8：移动用户根据收到MEC的反馈独自完成卸载决策。

2.根据权利要求1所述的一种计算资源有限MEC中任务卸载与资源分配方法，其特征在于，所述步骤S2中当前卸载周期具体包括：S21：为了确保卸载至MEC的任务可以在卸载周期内完成计算，设定MEC服务器在每个卸载周期内用于计算接收数据的总CPU周期上限为F，该约束条件为：其中，N为请求用户个数，λi，λi∈[0,1]为用户i的卸载任务数据量的比例，bi表示任务的总数据量，di表示计算1bit该任务数据所需要的CPU周期数，MEC服务器为请求的多任务提供有限的计算能力fmec。因此，卸载周期的长度为：T＝F/fmec(2)。

3.根据权利要求2所述的一种计算资源有限MEC中任务卸载与资源分配方法，其特征在于，所述步骤S3中具体包括以下步骤：S31：建立通信模型；

根据香农公式，用户上行传输速率为：ri＝Blog2(1+Ptra,igi/BNo)  (3)其中Ptra,i表示用户i的发送功率，gi表示用户i与MEC服务器之间的信道增益，No表示信道单位噪声与干扰的功率谱密度，由于MEC向用户回传的计算结果数据量很小,因此回传时间忽略不计。

S32：建立用户本地计算模型；

用户i本地执行任务的时间与能耗分别为：tloc,i＝(1‑λi)bidi/floc,i(4)2

eloc,i＝kibidi(1‑λi)(floc,i) (5)其中ki是与移动用户的硬件架构相关的常数，floc,i是用户i本地的计算能力。

S33：建立MEC计算模型；

用户i卸载执行任务的时延与能耗分别为：tmec,i＝ttra,i+texe,i＝λibi/ri+λibidi/fmec,i(6)emec,i＝etra,i＝Ptra,i·ttra,i＝λiPtrabi/ri(7)其中，Ptra,i表示用户的发射功率，ttra,i与texe,i分别表示任务的传输时延与MEC计算时延。

S34：构建MEC总收益最大化问题模型；

MEC最大化收益问题表示为：

其中，集合 表示所有用户的单价集合，集合 表示N个用户卸载比例集合，集合 表示MEC为N个用户分配的计算资源集合。约束条件C1确保MEC服务器提供的价格为正数，C2确保了MEC在并行运算时为每个用户分配的频率不大于总频率，C3确保了MEC接收CPU总周期小于上限值。

S35：构建用户任务执行成本模型；

用户任务执行成本问题表示为：

其中αi、βi和γi分别表示用户i对于执行任务产生的时延、能耗以及费用成本的权重，不同用户权重不同。

4.根据权利要求3所述的一种计算资源有限MEC中任务卸载与资源分配方法，其特征在于，所述步骤S5中具体包括以下步骤：S51：建立Stackelberg博弈交互模型；

将MEC服务器视为博弈中的领导者，而用户视为跟随者。领导者首先对跟随者的CPU 周期施加价格。然后，跟随者将依据领导者宣布的价格，独立计算其用于卸载的CPU周期，以分别进行本地计算和卸载。

S52：差异化定价策略；

首先分析跟随者行为。根据步骤S4分配的计算资源，结合式(9)，用户i的总成本可写为λi的分段函数：

其中 是在区间[0,1]内的一个卸载比例。对式(10)一阶求导，得到卸载比例与单价的关系：其中λ为用户i的最佳卸载比例，用户将根据该比例卸载任务，并且：接着分析领导者行为。领导者根据式(11)调整μi，为最大化MEC收益，MEC应当将μi定为G2,i或无穷高。具体每个用户的定价，可通过多用户卸载决策算法求得。

5.根据权利要求4所述的一种计算资源有限MEC中任务卸载与资源分配方法，其特征在于，所述步骤S6具体包括以下步骤：S61：MEC服务器计算资源重分配；

在步骤S5得到具体的定价之后，结合步骤S5得到的价格，针对实际卸载的任务，进行计算资源重分配，通过求解凸优化问题解决，计算资源重分配问题表示为：其中实际卸载的 用户集合 代表其中第j个用户，表示M个用户的计算资源的集合。优化问题P3是分数规划问题，对其进行变量替换，令Yj＝fmec,j/[(1+floc,j/rjbj)fmec,j+floc,j]，令Zj＝1/[(1+floc,j/rjbj)fmec,j+floc,j]，得到集合Y＝{Y1,Y2,...,YM}。将原问题P3转化为：式(15)问题P4'的函数式与约束条件均为凸函数，所以问题P3'是一个凸优化问题，可通过内点法快速求解。

S62：判断是否满足结束条件；

本发明通过改进模拟退火算法求解计算资源分配问题，将步骤S4的计算资源分配做为模拟退火算法的解向量，通过迭代进行求解。对算法的改进如下：算法加入控温策略，是指算法解相对上一次解没有更新时，以Tk/2T0＞random[0,1)的概率保持温度不变，保持算法接受较差解的概率。

算法只考虑基于温度的单层循环，从较大的初始温度开始下降，温度下降公式为：Tk＝Tk‑1×0.97  (16)若温度下降至小于1，则满足算法结束条件，执行步骤S7。若温度大于1，则根据步骤S62中的控温策略对温度进行更新，同时在原解向量附近更新解向量，返回步骤S4。