1.一种基于移动性感知的任务卸载和资源分配联合优化方法，其特征在于，包括以下步骤：

根据基于设备随机移动性的边缘计算环境，分别建立本地计算模型和边缘计算模型；

利用两阶段随机规划理论，将移动设备与移动边缘设备服务器之间的通信距离建模为一组随机参数，并在时延约束条件下以最小化移动设备的总能耗为目标，建立基于两阶段随机规划的能耗最小化问题的期望值模型，表示为：约束条件：

0≤ti,L≤τi；

ai∈{0,1}；

其中，a为任务卸载决策集合，表示为a＝{a1,a2,...,aN}；fL为本地CPU频率资源分配决策集合，表示为fL＝{f1,L,f2,L,...,fN,L}；p为移动设备任务传输功率决策集合，表示为p＝{p1,p2,…pN}；N为移动设备的数量；ai为第i个移动设备的任务卸载决策；Ei,L(fi,L)为第i个移动设备本地计算的计算耗能；fi,L为第i个移动设备处理任务时的CPU频率；pi为第i个移动设备卸载任务时的传输功率；ω∈Ω表示所有移动设备与一个移动边缘计算服务器之间通信距离的集合，称为组合实现，di(ω)表示组合实现为ω时的距离；Ei,R(pi,di(ω))表示距离为d(ω)时第i个移动设备的能耗； 表示期望； 为第i个移动设备卸载任务时的最小传输功率； 为第i个移动设备卸载任务时的最大传输功率； 为第i个移动设备处理任务时的最小CPU频率； 为第i个移动设备处理任务时的最大CPU频率；ti,L为第i个移动设备将任务在本地计算时的本地执行时延；τi为第i个移动设备计算完成一个任务的最大时延； 为第i个移动设备上传任务的通信时延； 为移动边缘计算服务器处理任务的计算时延；

给定移动设备与移动边缘设备服务器之间通信距离的统计特性，将基于两阶段随机规划的能耗最小化问题的期望值模型转化为其等价的确定性优化问题，表示为：约束条件：

0≤ti,L≤τi；

ai∈{0,1}；

其中，κ为有效能量系数；Di为第i个移动设备需要计算的任务量大小；Li为第i个移动设备单位bit任务所需要的CPU周期数；P(ω)表示组合实现为ω时的概率；Ω为所有移动设备与移动边缘计算服务器之间通信距离的集合；Ci(pi,di(ω))为第i个移动设备将任务卸载到移动边缘计算服务器可以获得的传输速率；di(ω)表示组合实现为ω时的距离；

将确定性优化问题解耦为资源分配子问题和卸载决策子问题；

对于资源分配子问题，假设任务在本地计算，并采用标准凸优化方法求得本地最优CPU频率分配策略，表示为：

其中， 为任务在本地计算时最优CPU频率分配策略；

再假设任务在移动边缘设备服务器计算，采用Dinkelbach算法将所述资源分配子问题中的非线性分式规划问题转化为带参的凸优化问题，求得最优传输功率策略和最优传输能耗；将任务卸载到MEC服务器处理，则移动设备的能耗最小化问题为：其中，P(ω)为表示组合实现为ω时的概率；

求解移动设备的能耗最小化问题，得到第i个移动设备将任务卸载到移动边缘计算服务器时的最优传输功率分配策略为：其中， 为移动设备传输能耗的最优值；B0为通信带宽；N0为高斯白噪声功率谱密度；hi(ω)表示组合实现为ω时的信道增益；

基于本地最优CPU频率分配策略和最优传输功率分配策略，利用标准凸优化方法求得最优任务卸载策略；其中移动设备传输能耗的最优值 表示为：其中，Φ表示功率值的所有可行解；

将任务卸载到MEC服务器处理，则卸载决策子问题表示为：约束条件：ai∈{0,1}；

其中，ai为第i个移动设备的卸载决策；

任务卸载最优决策包括：

其中， 为本地最优的CPU频率值； 为第i个移动设备将任务卸载到移动边缘计算服务器时的最优传输功率分配策略；

移动设备基于最优任务卸载策略、本地最优CPU频率分配策略以及最优传输功率分配策略进行任务卸载决策以及本地CPU频率资源和传输功率的分配。