1.一种物联网环境下的云边协同计算任务卸载方法，通过计算系统的最低完成任务时延确定最优任务卸载策略，系统根据最优任务卸载策略对系统任务进行卸载，其特征在于，包括：S1：构建物联网的协同计算系统模型，构建的协同计算系统模型包括设备层、边缘节点层和云节点层；模型的设备层、边缘节点层和云节点层分别选取排队系统模型，包括：设备层的各设备均选择M/M/1/C排队模型；边缘节点层选择M/M/S/K排队模型；云节点层选择M/M/1/∞排队模型；

S2：根据协同计算系统模型构建所有任务的总完成时延期望函数；总完成时延期望函数为：E[Tfinish]＝E[Tcomp]+E[Ttr]其中，E[Tcomp]表示任务的总计算时间期望，E[Ttr]表示任务的总传输时延期望；

任务的总计算时间期望计算公式为：

其中，表示任务在设备层的计算时间期望，表示任务在边缘节点层的计算时间期望，表示任务在云节点层的计算时间期望；

任务的总传输时延期望计算公式为：

其中，Q表示设备总数，表示第i个设备卸载任务的大小，表示到边缘节点层的信道带宽，gi表示瑞利衰落分布函数，pi表示传输功率，N0表示噪声功率，Φi表示路径损失；SEC表示边缘节点层卸载的总的任务大小，BEC表示边缘节点层到云节点层的带宽；

S3：将最小总完成时延期望作为目标函数，采用位置参数优化蜜獾算法对目标函数进行求解，得到各排队系统需要调整的容量大小，各排队系统根据需要调整的容量大小对排队系统容量进行调整；

S4：根据各排队系统调整后的容量大小得到最优卸载策略，根据最优卸载策略进行任务卸载。

2.根据权利要求1所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，采用位置参数优化蜜獾算法对目标函数进行求解的过程包括：S31：初始化蜜獾种群，设置最大迭代次数、蜜獾的位置、蜂蜜吸引度以及密度因子；

S32：采用蜜獾位置更新算法更新蜜獾位置；

S33：根据目标函数寻找最优的蜜獾位置；

S34：迭代执行步骤S32‑S33，当达到最大迭代次数时，得到的最优蜜獾位置即全局最优解。

3.根据权利要求2所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，采用蜜獾位置更新算法更新蜜獾位置包括：生成0到1之间的随机数r5，若0≤r5<0.5，则执行挖掘阶段蜜獾位置的更新方法；若0.5≤r5<1，则执行采蜜阶段蜜獾位置的更新方法。

4.根据权利要求3所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，挖掘阶段蜜獾位置的更新方法为：xnew＝α×{xprey+F×β×I×xprey+F×r1×di×|cos(2πr2)×[1‑cos(2πr3)]|}其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，β表示蜜獾的搜索能力，di表示当前蜜獾与最优蜜獾的距离，r1、r2和r3均为0到1之间的随机数。

5.根据权利要求3所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，采蜜阶段蜜獾位置的更新方法为：xnew＝α×[xprey+F×r4×di]

其中，xnew表示蜜獾位置，α表示密度因子，xprey表示当前最优的蜜獾位置，F表示搜寻方位标识，r4为0到1之间的随机数，di表示当前蜜獾与最优蜜獾的距离。

6.根据权利要求1所述的一种物联网环境下的云边协同计算任务卸载方法，其特征在于，根据各排队系统调整后的容量大小得到最优卸载策略的过程包括：获取物联网的协同计算系统模型的任务个数P和各排队系统调整后的容量大小R，将各排队系统调整后的容量大小R与任务个数P进行对比，若各排队系统调整后的容量大小R小于任务个数P，则卸载对应的任务，否则，不进行任务卸载。