1.一种基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，其包括以下步骤：S1、在服务器群中，考虑任务的突发到达模式，将泊松过程推广至马尔可夫调制泊松过程MMPP，利用任务划分模块，将用户设备工作时持续产生的大量任务，按照一定的比例将每一个任务划分成卸载子任务与本地固有子任务，并求解卸载子任务与本地固有子任务在用户设备的本地服务器计算的平均时延和平均电池电量所述服务器群包括用户设备、基站、D2D设备、边缘云和远程云；

S2、求解卸载子任务在用户设备的输出端口计算和卸载传输的平均电池电量Eout,Etra、卸载子任务在用户设备的输出端口计算的平均时延Tout以及卸载子任务从用户设备的输出端口卸载的传输时间Ttra；

S3、求解卸载子任务在所有D2D设备的平均时延和平均电池电量Td2d,Ed2d；

S4、求解卸载子任务在边缘云的平均时延、平均电池电量和平均评价Tedg,Eedg,Cedg；

S5、求解卸载子任务在远程云的平均时延和平均评价Tclo,Cclo；

S6、求解任务在服务器群内的总平均时延、总平均电池电量和总平均评价T,E,C；

S61、一个本地固有子任务和一个卸载子任务在服务器群内产生的平均时延分别为T1,T2：其中，p表示卸载概率；q表示卸载至n个D2D设备总的概率；ξ表示卸载至边缘云的概率；Tout表示卸载子任务在用户设备的输出端口计算的平均时延；Ttra表示卸载子任务从用户设备的输出端口卸载的传输时间；表示本地固有子任务在用户设备本地服务器上计算的平均时延；表示卸载子任务在用户设备本地服务器上计算的平均时延；

S62、任务在用户设备与包含D2D设备、边缘云和远程云在内的多个卸载端同时计算，且一个任务划分成用户设备部分与所有卸载部分，则一个任务在服务器群内的总平均时延T为用户设备部分与所有卸载部分时延中的最大者：T＝max{2(1-l)T1,2lT2}   (17)

其中，l表示卸载子任务占比；

S63、一个本地固有子任务和一个卸载子任务在服务器群内的平均电池电量分别为E1,E2：其中，分别表示本地固有子任务和卸载子任务分别在本地服务器的平均电池电量；Eout,Etra分别表示卸载子任务在用户设备的输出端口计算和卸载传输的平均电池电量；

S64、设服务器群中每有一个任务得到处理，产生的平均电池电量大小为总平均电池电量E，则有：E＝2(1-l)E1+2lE2   (20)；

S65、一个任务在服务器群中产生的总平均评价为：

C＝2l(Cedg+Cclo)   (21)；

S7、改进快速精英非支配排序遗传算法，运用MATLAB软件进行优化实验，找出一组时延、电池电量、评价的最优帕累托前沿点(T*,E*,C*)，此时总平均时延T*、总平均电池电量E*与总平均评价C*相对较低且处于平衡，并获得任务分配概率(p*,q*,ξ*)的智能优化方案，其中p*表示优化的卸载概率；q*表示优化的卸载至n个D2D设备总的概率；ξ*表示优化的卸载至边缘云的概率；

所述步骤S1中所述卸载子任务在本地服务器的缓冲队列的容量为L，所述本地固有子任务在本地服务器的缓冲队列的容量无限，本地服务器排队模型为一个MMPP+MMPP/M/1队列；所述步骤S2中所述卸载子任务在用户设备的输出端口计算处理和排队等待卸载传输的排队缓存无限，用户设备的输出端口的排队模型为一个MMPP/M/1队列；所述步骤S3中所述卸载子任务在D2D设备的缓冲队列的容量为B，本地任务在D2D设备的缓冲队列的容量无限，D2D设备的本地任务具有强抢占优先级，D2D设备中的排队模型为一个M+MMPP/M/1队列；所述步骤S4中边缘云为所述卸载子任务提供一个无限容量的缓冲队列，边缘云中按照服务速率将有限数量的服务器分簇，分成高速服务器群与低速服务器群两个集群，当边缘云内子任务个数小于一定数量时，只有高速服务器群工作，当子任务个数大于一定数量时，高速服务器群与低速服务器群两个集群均处于工作状态，边缘云中的排队模型为一个MMPP/M/c队列；所述步骤S5中远程云中拥有足够多的云服务器且计算能力足够强，卸载到远程云中的任务不需要等待，到达的同时能够毫无延迟地接受服务，远程云中的排队模型为一个MMPP/M/∞队列。

2.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S1具体包括以下步骤：S11、基于排队论，得到本地固有子任务和卸载子任务分别在用户设备中本地服务器的平均时延其中，λ表示任务到达率；L表示卸载子任务在本地缓冲队列的容量；πi,j,k,g表示稳态下的概率分布，即稳态下当本地固有子任务个数为i，卸载子任务个数为j，本地固有子任务底层马尔可夫链处于状态k，卸载子任务底层马尔可夫链处于状态g时的概率；

S12、假设本地服务器计算所需的平均功率为Ploc，则本地固有子任务和卸载子任务分别在本地服务器的平均电池电量为：

3.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S2具体包括以下步骤：S21、基于排队论，分别得到卸载子任务在用户设备的输出端口计算的平均时延Tout和其从用户设备的输出端口卸载的传输时间Ttra：其中，λ表示任务到达率，r表示上行链路数据传输速率；W表示信道带宽；θ表示一个卸载子任务包含的平均数据量；表示信噪比，且S表示信号功率，N表示噪声功率；πi,j表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j时的概率；

S22、假设用户设备的输出端口处理计算所需的平均功率为Pout，则卸载子任务在用户设备的输出端口计算和从用户设备的输出端口卸载传输的平均电池电量Eout,Etra为：

4.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S3具体包括以下步骤：S31、卸载子任务在所有D2D设备的平均时延Td2d为：

其中，λ表示任务到达率，n表示D2D设备的个数；B表示卸载子任务在D2D设备缓冲队列的容量；πi,j,k表示稳态下的概率分布，即稳态下当D2D设备本地任务个数为i，卸载子任务个数为j，卸载子任务底层马尔可夫链处于状态k时的概率；

S32、假设一个D2D设备计算的平均功率为Pd2d，则卸载子任务在所有D2D设备的平均电池电量Ed2d为：

5.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S4具体包括以下步骤：S41、卸载子任务在边缘云的平均时延Tedg为：

其中，λ表示任务到达率，πi,j,k表示稳态下的概率分布，即稳态下当卸载子任务个数为i，卸载子任务底层马尔可夫链处于状态j，边缘云低速服务群是否处于工作状态k时的概率；

S42、假设边缘云计算的平均功率为Pedg，则卸载子任务在边缘云的平均电池电量Eedg为：S43、假设边缘云使用资源的单位评价C1，则卸载子任务在边缘云的平均评价Cedg为：Cedg＝2lp(1-q)ξλC1   (12)。

6.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S5具体包括以下步骤：S51、卸载子任务在远程云的平均时延Tclo为：

其中，To表示任务请求经过负载平衡器传输到远程云固定的时间延迟；μclo表示云服务器服务速率；

S52、假设远程云使用资源的单位评价C2，则卸载子任务在远程云的平均评价Cclo为：Cclo＝2lp(1-q)(1-ξ)λC2   (14)；

其中，λ表示任务到达率。

7.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述本地固有子任务只在所述用户设备的本地服务器处理计算，所述卸载子任务中以一定概率决定其在所述本地服务器处理，还是在所述用户设备的输出端口排队并等待被卸载；若所述卸载子任务在所述用户设备的输出端口排队，则离开所述输出端口后，其中一部分被平均卸载到相邻的多个D2D设备，另一部分经过所述基站传输给所述边缘云中的负载平衡器，并由所述负载平衡器根据负载均衡情况决定卸载到所述边缘云或远程云。

8.根据权利要求1所述的基于任务划分与D2D的MEC任务卸载策略方法，其特征在于，所述步骤S9中所述改进快速精英非支配排序遗传算法利用Tent映射初始化种群，并动态改变遗传中的交叉和变异算子以实现种群的自适应进化。