1.一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述方法包括：

S1、在包含N个小基站和一个宏基站的移动边缘网络中，为每个小基站上配备一个MEC服务器，并建立出MEC服务器集群的系统通信模型；

S2、将用户移动智能设备请求卸载的单位任务单元假定为一个任务单元，用户请求卸载任务单元为一个离散过程，建立出MEC服务器集群的系统计算模型；

S3、计算任务单元在不同MEC服务器上单向迁移后进行卸载计算，宏基站根据整个MEC集群的状况执行迁移决策，建立出MEC服务器集群的任务迁移和卸载模型；

S4、根据MEC服务器进行任务迁移时产生的拥塞延迟和任务迁移到对应的MEC服务器后的计算时延，分别建立出MEC服务器集群的延迟和能耗模型，并得到系统总开销模型；

S6、最小化所有MEC服务器集群的总开销即系统总开销，利用基于改进后的DQN算法来优化系统总开销，并输出MEC集群的最优的任务迁移决策。

2.根据权利要求1所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述方法MEC服务器集群的系统通信模型包括每个MEC服务器的服务覆盖范围内分布着人数密度不同的用户群，每个用户使用移动智能设备通过无线网络将计算任务单元卸载到关联的MEC服务器；MEC服务器之间通过局域网连接，各个MEC服务器提供计算服务，构成一个MEC服务器集群。

3.根据权利要求1所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述MEC服务器集群的系统计算模型包括对于任意时隙，单位用户的移动智能设备请求卸载的任务单元遵循泊松过程；根据用户群的任务请求概率和用户群的移动智能设备产生的计算任务单元，计算得到MEC服务器关联覆盖范围接收用户群请求卸载的计算任务单元。

4.根据权利要求1所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述MEC服务器集群的任务迁移和卸载模型包括若某MEC服务器上任务单元量超过该MEC服务器的计算能力时，则部分任务单元会根据迁移决策迁移到相应的MEC服务器上进行卸载处理，并且任务单元只能进行单向传输，防止任务单元进入迁移循环；若某MEC服务器上的任务单元量没有超过该MEC服务器的计算能力时，则任务单元直接在本地MEC服务器进行卸载计算。

5.根据权利要求1所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述MEC服务器集群的延迟和能耗模型包括将MEC服务器进行任务迁移时产生的拥塞延迟建立为M/M/1排队模型，确定出当前MEC服务器迁移到其他MEC服务器上的任务单元，并计算出MEC服务器的拥塞时延；确定出卸载到MEC服务器上的总任务单元量，并计算出MEC服务器的计算时延，并根据MEC服务器的拥塞时延和计算时延计算得到MEC服务器的总延迟代价；根据MEC服务器空闲时的能耗比例，结合MEC服务器上计算任务单元总量与CPU最大计算服务速率的比值计算得到MEC服务器的总能耗代价。

6.根据权利要求1或5所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，系统总开销的目标模型表示为：s.t.

t t

其中，K表示MEC集群在时隙t的任务迁移决策，T表示时隙数； 表示求期望，C(K)表示MEC集群在时隙t的系统总开销，上述约束条件(8b)为保证用户的服务质量而制定的时延要求， 表示第i个MEC服务器在时隙t的总延迟代价， 表示第i个MEC服务器在时隙t的最大延迟代价；约束条件(8c)为任意一个MEC服务器上的总能耗不能超过能耗上限，表示第i个MEC服务器在时隙t的总能耗代价，Emax表示MEC服务器的最大能耗代价；约束条件(8d)表示执行任务迁移卸载必须满足制定的卸载方案要求， 表示在时隙t的卸载决策集合，N表示MEC服务器集群中的MEC服务器个数。

7.根据权利要求1所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述利用基于改进后的DQN算法来优化系统总开销包括将系统模型中宏基站下的中央控制器设计为代理，通过所述代理收集系统中各个MEC服务器的信息；所述代理观察当前MEC服务器的CPU利用率和MEC服务器的实际接收计算任务单元的状态，并根据环境和迁移决策或卸载决策执行对应任务单元的迁移或卸载的动作，从环境中获得整个MEC服务器集群的系统总开销对应的奖励。

8.根据权利要求1或7所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，改进后的DQN算法的训练过程包括：

1)初始化：初始化宏基站下的中央控制器的主神经网络Q(s,a；w)，并赋值神经网络参‑

数w以随机权重；初始化宏基站下的中央控制器中的target神经网络Q(s,a；w)，并赋值神‑

经网络参数w＝w；初始化经验回放池D的内存大小为Z；

2)片段迭代：当i＝1,...,I时，在每一轮迭代过程i中，接收中央控制器的观测状态即MEC服务器的负载任务量及其MEC服务器的CPU利用率作为状态s1，将状态s1作为开始状态x1，进入第3步；

3)时间迭代：当t＝1,...,T时，以随机概率ε随机选择行为a1训练模型的迁移卸载决策动作，否则选择行为a1＝arg max Q(x,a,w)作为模型的最优迁移卸载决策动作；在训练中执行动作a1决定任务单元是否进行迁移卸载，获取下一时刻的模型的状态st+1和奖励r1，并更新模型状态st+1为xt+1；随即中央控制器收集一组模型经验数据后存储经验数据(xt,at,r1,xt+1)到经验回放池D中作为模型下一次迁移决策训练的依据，再从经验回放池中随机抽取小批次样本(xj,aj,rj,xj+1)，结合纯贪心抽样和均匀分布抽样的随机抽样方法来计算中‑央控制器的target神经网络Q(s,a；w)的目标值yt，最后通过最小化损失函数L(w)更新主深度神经网络Q(s,a；w)；对于神经网络参数w，在L(w)上执行梯度下降，并且以每固定的C步更‑ ‑新target神经网络Q(s,a；w)的目标值，然后赋值Q(s,a；w)＝Q(s,a；w)；

4)重复步骤3)的上述迭代过程，并令t＝t+1，直至DQN算法曲线收敛或者t＝T；

5)重复步骤2)的上述迭代过程，并令i＝i+1，直到系统总开销不再随迭代片段的增加而变化或者i＝I，即DQN算法曲线收敛时，整个DQN算法训练过程结束。

9.根据权利要求8所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述经验回放池包括通过set集合搭建出数据结构，并利用set集合的去重属性，在存放经验数据时对其中的冗余数据进行过滤，在set集合中利用时序差分法计算出target神经网络的目标值与主神经网络的当前值的差值即TD error值，基于TD error的值来对存放的经验数据进行权值排序，并按照权值对经验数据进行排列。

10.根据权利要求8所述的一种MEC服务器集群的智能协同策略的实现方法，其特征在于，所述结合纯贪心抽样和均匀分布抽样的随机抽样方法包括设置第一条件和第二条件，当同时满足第一条件和第二条件时，确定出抽样概率，按照该抽样概率来控制随机抽取小批次样本；其中，所述第一条件为在确保训练数据的优先级中抽样的概率是单调，所述第二条件为对于最低优先级的训练数据也要保证非零概率，将抽样概率定义为其中p(i)为第i条训练数据的优先级，α为优先级使用程度，m表示训练样本的数量。