1.一种基于改进粒子群算法的计算卸载方法，包括下列系统模型：(1)、在一个多个用户和多个MEC服务器的MEC网络中，有多个用户，即本地设备，有任务计算需求，多个MEC服务器可为用户提供计算服务，本地设备同时有多个计算任务需要计算，任务可在本地设备执行或者卸载到MEC服务器进行计算，本地设备通过无线的方式连接到基站，MEC服务器部署于基站处，本地设备与基站通过无线直连，此种部署方式可使得任务数据传输到服务器的跳数最少，有利于减少通信延时；

(2)、假设场景模型中包含N个本地设备，本地设备序号n∈{1,2,...,N}，M个MEC服务器，MEC服务器序号m∈{1,2,...,M}，在一个决策周期内，每个本地设备产生一个或多个需要计算的任务，设本地设备n共产生K(3)、当某一任务在本地执行时，任务的本地计算时延等于任务本地执行时间，任务的计算能耗即是任务本地执行时所消耗的能量；

如任务

本地设备的能耗主要为任务计算期间设备自身的CPU能量消耗，采用经典能耗计算模型来计算CPU能耗，即E＝εf(4)、当任务卸载到MEC服务器执行时，任务的计算总时延分为任务传输时延、MEC服务器执行时延和结果传输时延，由于结果数据往往不大，其传输时延远远小于上载任务传输时延和MEC服务器执行时延，因此忽略结果传输时延，任务的边缘计算能耗即为任务传输时所消耗的能量；

当任务

其中，W为带宽大小，σ

设任务

当

这样，任务

在任务数据卸载到服务器上计算时，能耗主要包括本地设备的上传能耗和服务器计算能耗，由于服务器是电缆供电，不考虑服务器能耗，只考虑大多数采用电池供电的用户端能耗，则任务(5)、对于某个任务

其中，

其中，

其中，λ

(6)、对于反映时延和能耗的权重因子λ其中，

此外，设备的充电状态也会影响时延和能耗的权重，若本地设备处于充电状态，则不太注重设备的能耗，此时时延权重因子λ综上，计算卸载问题可描述为，在时延能耗权重自适应的情况下，联合优化卸载决策和资源分配，使系统总代价最低，这样计算卸载问题被建模为混合整数非线性规划问题；

P1:

s.t.C1:

C2:

C3:

C4:

其中，C1表示任意的MEC服务器m给所处理的所有任务分配的计算资源之和不超过自身的总计算资源，如果MEC服务器m性能较好，大量用户的任务都卸载到MEC服务器m，会造成服务器m的负载过高，因此需要考虑任务分配至各服务器的公平性问题，以让其他服务器来均衡负载，对于每一台MEC服务器m，令分配到服务器上的总计算量与其计算能力相匹配，将分配到服务器1×10基于以上定义，用公平修正函数来修正系统总代价，计算卸载问题更新为

2.根据权利要求书1所述的基于粒子群算法的计算卸载方法，其特征是：其计算卸载策略是按照如下方法得到的：(1)、粒子编码

设粒子的个数为L，粒子序号l∈{1,2,3,...,L}，本地设备个数为N，本地设备n所产生的任务个数为K(2)、用矩阵V

(3)、将问题P2的目标函数作为算法的适应度函数，表示系统总代价Y的大小，在粒子群算法中，粒子的位置代表一个可行解，在粒子搜索解的过程中，通过每次迭代计算各粒子运动的下一位置，直到收敛到最优位置，粒子位置的更新由上次位置和粒子的速度决定，算法核心是粒子位置和速度的迭代更新方法，速度更新受惯性速度、自身认知经验和社会经验三大方面影响，每一方面对应一个因子，即惯性因子w和学习因子c若粒子第t+1次迭代的速度为V

其中，t表示更新迭代次数，rand()为随机函数，P其中，t和t

学习因子c

其中，Y

若粒子第t+1次迭代的位置为X

X

为了避免公式计算得到的粒子速度过大或过小，对于V用改进PSO算法求解卸载策略与资源分配问题，具体流程如下：a)初始化所有本地设备上的任务数据量b)初始化粒子群算法，在解空间内随机产生L个粒子的粒子群，随机产生各矩阵，包含位置矩阵A、F和速度矩阵Vc)按照式14计算每个粒子的适应值；

d)更新个体历史最优位置P

e)更新粒子群位置矩阵A和F，对卸载决策矩阵A中越界的元素值，使其位于Af)更新粒子群速度矩阵V

g)t＝t+1；

h)若两次迭代的适应度差异小于定值，或迭代次数r达到设定值，算法结束，并输出全局最优粒子位置Gi)根据算法求得的卸载位置信息A，选择每个任务的目标处理位置，若任务卸载到边缘服务器，则根据求得的F为任务分配计算资源。