1.一种基于前景理论框架的边缘计算任务卸载方法，其特征在于该方法主要包括如下步骤：第1、边缘计算任务卸载场景下的人工鱼群算法实现：

第1.1、聚群行为；

第1.2、追尾行为；

第1.3、捕食行为；

第1.4、随机游动；

第2、基于前景理论框架的边缘计算任务卸载方法的设计：

第2.1、改进人工鱼群算法；

第2.2、算法复杂度分析；

步骤第2.1中为了增强人工鱼群算法的寻优能力，对标准人工鱼群算法中的觅食函数、聚群函数和追尾函数进行改进，限定人工鱼的搜索范围，使其远离局部极值，向最优位置靠近，引入当前最优适应度阈值限定策略，

1)对觅食函数的改进，试追尾次数try_num次后，如果其状态值小于当前鱼群最优适应度值的1/n，则执行随机游动函数，否则保持当前状态以避免人工鱼离开其最优位置；

2)对聚群函数的改进，只有当人工鱼搜寻到中心位置处的适应度值大于最优适应度值的1/n时，它才向某一方向游动，否则执行觅食函数，以保证其不会陷入较小局部极值点附近；

3)对追尾函数的改进，与聚群函数改进类似，只有当人工鱼搜索到鱼群中适应度值大于当前最优适应度值的1/n时，它才继续向某一方向游动，否则执行觅食函数；

改进算法的代码与人工鱼群算法一致，但是需要在算法中加入记录全局最优适应度值的变量，并且更新最优适应度值时需要满足公式(7)，其中Fitness_global为全局最优适应度值，使用捕食行为作为例子进行说明，Fitness(prey)

步骤第2.2中算法的复杂度表示为一个函数，该函数的定义域为输入数据的规模，函数值的范围为执行步骤的数量，即时间复杂度，或需要的存储空间，即空间复杂度，时间复杂度是解决问题所需要的时间，通过计算部署来度量，设总迭代次数为M，人工鱼数量为F，觅食、聚群、追尾算法的尝试次数为T，因为AFSA算法执行过程会执行若干次迭代，且每次迭代会调用若干次觅食、聚群和追尾算法，所以算法的时间复杂度为：O(M*F*(O(T)+O(T)+O(T)))≈O(M*F*T) (9)AFSA算法中需要储存的变量为人工鱼群的位置及最优适应度值及其他辅助变量，而人工鱼群位置和人工鱼数量成正比，最优适应度值和总迭代次数成正比，所以本算法的空间复杂度为：O(M*F) (10)；

在研究的场景中，每辆车辆都会拥有一个专属的任务，每个任务由一个三元组组成，其中包括任务量bi，处理每个字节所需要的CPU循环数c以及每个任务所能等待的最长时间即任务 将任务是否卸载标记为offloadi，j，offloadi，j＝{0，

1}，其中0代表车辆Ui的任务在本地执行，1代表车辆Ui的任务卸载到飞蜂窝基站Bj，并且将飞蜂窝基站Bj是否将任务传输到核心网络基站Mm标记为transportj，m＝{0，1}，其中0代表不传输，1代表传输；

本地任务处理的最大CPU频率为 本地卸载任务的最大天线发射功率为 最小发射功率为 BS(Base Station)卸载任务的最大天线发射功率为 最小发射功率为 最终实际的本地发射功率和BS发射功率Pij、Pjm会在最大值和最小值之间按泊松分布随机波动，假定核心网络层由足够大的发射功率，并且处理任务的时间和处理结果回传时间可忽略不计，BS基站处理速度足够快，任务处理时间可忽略不计，根据香农定理，车辆Ui任务传输到飞蜂窝基站Bj的传输速度为飞蜂窝基站Bj任务传输到核心网络基站Mm的传输速度为

2 ‑6

其中W为信道带宽，g为信道增益，σ为高斯噪声，g＝l ，l为两者之间的距离；

如果在本地处理任务，则任务处理时间为

Ti，exe＝bi·c/fi (13)

其中fi为车辆Ui的CPU频率，假设CPU频率稳定不变且不随时间改变，则本地任务处理能耗为如果任务被卸载到飞蜂窝基站Bj处理，则传输时间为

传输能耗为

eij＝Pij·Tij (16)

如果任务被传输到核心网络基站Mm处理，则传输时间为

其中 传输能耗为

ejm＝Pjm·Tjm (18)

前景理论的数学模型包括两个函数，即价值函数和概率比重函数；

价值函数使用Tversky函数，充分考虑大多数人的心理预期其中d是理论适应度函数，即不考虑前景理论的原始价值函数，β是风险厌恶参数，与函数影响成反比，λ是风险惩罚参数，λ越大则v(d)对风险越敏感；

概率比重函数使用Prelec函数，

其中α为可能性扭曲参数，α值越小，对可能性的影响越大，即越偏离理性，pi为任务卸载成功概率，pi∈[0，1]，如果卸载失败，则任务在本地进行，并且会产生额外惩罚d；

在期望效用函数理论EUT系统中，可以得到问题的适应度函数，任务卸载成功时卸载失败时fitnessfalse＝ei，exe+d (22)

则在本问题的估值阶段中将Tversky函数和Prelec函数加入到适应度计算后可以得到公式(23)fitnessPT＝v(fintesssucess)·w(pi)+v(fitenessfalse)w(1‑pi) (23)最后得到本问题的适应度