1.基于人工智能的移动边缘计算服务放置策略，其特征在于，包括以下步骤：
步骤1：首先对全网络系统进行建模，需要建立宏基站模型、小基站模型、用户模型。
步骤2：将用户的延迟模型分为切换延迟模型和非切换延迟模型。切换延迟模型分为排队延迟模型、传输延迟模型、计算延迟模型。首先根据接入基站的通信能力和用户任务的上传数据量计算出用户的排队模型。
步骤3：将传输模型分为三种类型。第一种是用户任务从本地传输到小基站或宏基站直接处理。第二种是用户从小基站接入，而任务从本地传输到小基站后，再通过小基站将任务放置到宏基站进行处理。第三种是用户接入到小基站，任务从本地传输到小基站后，再通过宏基站中继传输到其他小基站处理。
步骤4：根据任务所需的计算能力和边缘服务器能够提供的中央处理器周期数计算用户的计算时延。
步骤5：计算出用户的迁移时延，迁移时延可能是将任务从小基站向宏基站迁移产生的时延，或者任务从小基站向其他小基站迁移产生的时延，或者任务从宏基站传输到小基站产生的时延。至此通过以上模型可以计算出一个时隙内用户的总传输时延。通过切换时延和非切换时延加权，可以实现成本控制。
步骤6：使用强化学习方法对本策略研究的问题建模，建立状态空间、动作空间、收益信号、贝尔曼方程。
步骤7：利用dnn网络解决强化学习的动作和状态空间爆炸问题。
2.根据权利要求1中所述的网络环境感知的移动边缘计算服务放置策略，其应用场景为：异构网络环境下多移动用户、多任务的移动边缘网络场景，通过对基站选择和服务放置解耦合，分别对两个要素进行决策，实现了更低的用户感知时延。
3.根据权利要求1中所述的基于人工智能的移动边缘计算服务放置策略，其特征在于，能够适应复杂的异构网络环境，在有限的成本下实现高效的服务放置策略，并且能够实现成本可调的服务迁移决策，从而为用户提供更高的服务质量。
4.根据权利要求1中所述的基于人工智能的移动边缘计算服务放置策略，其特征在于，利用深度强化学习方法优化了解决方案，相比较传统方法，更加智能化，能应对网络的实时变化而做出自我调节，并且不需要预先的数据集标记，符合人工智能的未来潮流。通过深度q网络解决该问题，相比传统方法，能够更快速地实现收敛，并且同时解决了在利用强化学习方法处理类似问题的情况下，由于动作空间爆炸而无法快速收敛甚至无法收敛的问题。