1.一种降低系统能耗与花费和的边缘计算卸载方法，其特征在于，包括以下步骤：
当任务在本地设备进行计算时，根据任务所需算力计算能耗开销；
当任务需要卸载到其他边缘服务器进行计算时，根据边缘服务器cpu频率和卸载任务所需算力，计算得到卸载任务的时间开销；
边缘服务器和云服务器通过卸载任务所需算力，根据卸载任务的时间开销计算卸载任务的计算花费；
根据能耗开销和计算花费构建卸载任务最小化能耗和花费模型；
对卸载任务最小化能耗和花费模型，设定任务数量以及边缘服务器数量，通过强分支策略产生训练集；
采用训练集训练好的深度学习模型执行强分支策略，将结果传给分支定界，进行下一次迭代，得到最优的卸载任务方法，确定任务计算位置是在本地进行或卸载到其他服务器进行计算。
2.根据权利要求1所述的一种降低系统能耗与花费和的边缘计算卸载方法，其特征在于，任务在本地设备进行计算时，根据任务所需算力计算能耗开销：
构建任务在本地计算的能耗模型，终端用户自身的计算能力为
其中k是能耗参数；cn表示完成本次任务所需要的计算资源，fn表示本地终端能够提供的计算能力；
终端用户n的任务在本地计算时，时延如下所示：
3.根据权利要求1所述的一种降低系统能耗与花费和的边缘计算卸载方法，其特征在于，当任务需要卸载到其他边缘服务器进行计算时，根据信道状态构建卸载任务通信模型，基站依照正交频分多址技术将带宽为b赫兹的信道分为n个子信道；其各子信道的分配比例为αn(αn≥0，∑n∈nαn＝1)；终端用户n卸载任务到基站的s的信号噪声比，如下所示：
其中pn表示终端用户n的发射功率，hns是终端用户n发送任务到基站s的信道增益，pi表示终端用户i的发射功率，his是终端用户i发送任务到基站s的信道增益，σ表示高斯白噪声；
根据终端用户n卸载任务到基站的s的信号噪声比计算终端用户n卸载任务到基站s的时间开销。
4.根据权利要求3所述的一种降低系统能耗与花费和的边缘计算卸载方法，其特征在于，计算卸载任务的时间开销：根据终端用户n卸载任务到基站的s的信号噪声比，计算如下所示：
卸载任务的时间开销，如下所示：
5.根据权利要求1所述的一种降低系统能耗与花费和的边缘计算卸载方法，其特征在于，计算卸载任务的计算花费：卸载任务的计算花费如下所示：
终端用户总的能耗开销en，如下所示：
终端用户卸载到边缘服务器或者远端云服务时，卸载任务的计算花费cn，如下所示：
cn(xi，yi，fn)＝fn(1-yi)δ+∑j∈sxijyifnδs。
6.根据权利要求1所述的一种降低系统能耗与花费和的边缘计算卸载方法，其特征在于，构建卸载任务最小化能耗和花费模型时，具体表示如下：
pn，αn，fn≥0，n∈n；λe和λc分别是能耗和花销的权重。
7.根据权利要求1所述的一种降低系统能耗与花费和的边缘计算卸载方法，其特征在于，使用传统的强分支策略产生训练集，具体包括：
建立深度学习模型模拟强分支策略，获得的训练集训练参数并得到分支结果，并用测试集检测训练结果。
8.一种降低系统能耗与花费和的边缘计算卸载系统，其特征在于，包括；
能耗开销模块，用于当任务在本地设备进行计算时，根据任务所需算力计算能耗开销；
时间开销计算模块用于当任务需要卸载到其他边缘服务器进行计算时，根据边缘服务器cpu频率和卸载任务所需算力，计算得到卸载任务的时间开销；
计算花费模块用于边缘服务器和云服务器通过卸载任务所需算力，根据卸载任务的时间开销计算卸载任务的计算花费；
卸载任务能耗和花费最小化模块用于根据能耗开销和计算花费构建卸载任务最小化能耗和花费模型；
训练集产生模块用于对卸载任务最小化能耗和花费模型，设定任务数量以及边缘服务器数量，通过强分支策略产生训练集；
任务计算位置判断模块用于采用训练集训练好的深度学习模型执行强分支策略，将结果传给分支定界，进行下一次迭代，得到最优的卸载任务方法，确定任务计算位置是在本地进行或卸载到其他服务器进行计算。