CN114640966A - 一种车联网中基于移动边缘计算的任务卸载方法 - Google Patents

Abstract

本发明属于移动通信技术领域，具体涉及一种车联网中基于移动边缘计算的任务卸载方法，该方法包括：构建多边缘服务器联合卸载模型；获取车辆的卸载任务，并根据车辆的卸载任务构建卸载基站选择向量；根据卸载基站选择向量采用基于等价最大容忍时延的资源分配方法计算进行任务卸载的负载和能耗；以能耗作为适应性函数，并采用遗传算法对车辆的卸载任务进行迭代优化，得到卸载基站选择方案；根据卸载基站选择方案使用强化学习对任务卸载策略进行优化，得到任务卸载比率和卸载功率；根据选定的卸载基站、制定的卸载比率和卸载功率完成任务卸载；本发明有效的降低了系统总能耗开销，实现了车联网任务卸载和资源分配的有效性。

Description

一种车联网中基于移动边缘计算的任务卸载方法

技术领域

本发明属于移动通信技术领域，具体涉及一种车联网中基于移动边缘计算的任务卸载方法。

背景技术

自动驾驶、虚拟现实等新型移动物联网应用需要执行严格时延要求的计算密集型任务，鉴于移动设备有限的处理能力，及时完成这些任务是具有挑战性的。云计算可以通过计算卸载降低移动设备的资源限制，但它的主要挑战是车辆与云服务器持续紧密通信带来的高延迟。为了满足低时延和高性能的需求，移动边缘计算(mobile edge computing,MEC)作为一种实用的解决方案出现了，通过将大量的计算卸载到车辆附近的MEC服务器上，可以极大的缓解车辆的资源限制。由于任务类型的多元化，英伟达、赛灵思等厂商针对图像处理、神经网络等场景推出了专用处理器，从而搭载不同处理器的边缘服务器对于不同类别任务的计算效率将会不同。边缘服务器功率随CPU转速呈二次增长，当边缘服务器负载过高时，能量消耗会很大。

发明内容

为解决以上现有技术存在的问题，本发明提出了一种车联网中基于移动边缘计算的任务卸载方法，该方法包括：构建多边缘服务器联合卸载模型；获取车辆的卸载任务，并根据车辆的卸载任务构建卸载基站选择向量；根据卸载基站选择向量采用基于等价最大容忍时延的资源分配方法计算进行任务卸载的负载和能耗；以能耗作为适应性函数，并采用遗传算法对车辆的卸载任务进行迭代优化，得到卸载基站选择方案；根据卸载基站选择方案使用强化学习对任务卸载策略进行优化，得到任务卸载比率和卸载功率；根据选定的卸载基站、制定的卸载比率和卸载功率完成任务卸载。

优选的，构建多边缘服务器联合卸载模型包括：边缘服务器部署在宏基站和微基站上，各个基站的覆盖范围互不重叠，车辆与基站通过无线网络连接，基站间通过有线网络连接；该多边缘服务器联合卸载模型共有M个基站，表示为S＝{s₁，s₂，s₃，…，s_M}；M个小区内道路上总共有N个车辆，表示为V＝{v₁，v₂，v₃，…，v_N}，其中s_M表示第M个基站，v_N表示第N个车辆。

优选的，车辆的卸载任务包括：每个车辆按照泊松分布随机产生计算任务，即周期内产生的计算任务数量为I，车辆产生的任务描述为Task＝{task₁，task₂，task₃，…，task_I}，每个任务的属性表示为task_i＝{d_i，z_i，t_i，l_i}，其中d_i表示计算任务自身数据量的大小，z_i表示完成任务所需的CPU周期数表示，t_i表示该任务的最大容忍时延，l_i表示任务的类别。

优选的，采用基于等价最大容忍时延的资源分配方法计算任务卸载的资源分配方案的过程包括：采用基于等价最大容忍时延的资源分配方法计算进行任务卸载的负载和能耗包括：获取计算任务task_i的最大容忍时延t_i；获取车辆执行计算任务task_i的信息；获取的信息包括车辆V_n卸载计算任务task_i时的发射功率p_n、卸载率α_i、计算任务自身数据量的大小d_i、车辆V_n和基站S_m之间的信道容量、边缘服务器S_m的计算时间、边缘服务器S_m当前CPU转速、边缘服务器S_m为计算任务task_i分配的CPU转速、边缘服务器S_m最大CPU转速、车辆V_n当前CPU转速、车辆V_n为计算任务task_i分配的CPU转速以及车辆V_n的最大CPU转速；根据获取的信息计算任务一次传输所需要的时间和能耗；获取基站间传输信道容量和传输功率，根据基站间传输信道容量和传输功率计算任务二次传输过程的时间和能耗；根据任务一次传输所需要的时间和能耗、任务二次传输过程的时间和能耗以及车辆执行计算任务task_i的信息构建优化目标函数；根据计算任务task_i的最大容忍时延t_i求解优化目标函数的最优解，得到进行任务卸载的负载和能耗。

进一步的，优化目标函数为：

其中，C1表示计算任务完成的时间应该满足任务的最大容忍时延，C2的含义是计算任务task_i可以按照任意比例进行计算卸载，C3表示不能超过边缘服务器最大CPU转速执行计算任务，C4表示不能超过车辆最大CPU转速执行计算任务，C5中u_i＝1表示计算任务会进行二次传输，u_i＝0表示只将计算任务卸载到与车辆相连的边缘服务器上，C6表示车辆一次传输功率的取值范围。

优选的，用遗传算法对车辆的卸载任务进行迭代优化包括：

步骤1：初始化Len个卸载基站选择向量choose；其中卸载基站选择向量即为卸载策略；

步骤2：计算目标边缘服务器为每个任务分配的计算资源；

步骤3：计算每个边缘服务器的功率；

步骤4：根据功率和罚函数判断策略的好坏；

步骤5：对Len个策略进行遗传交叉变异操作；

步骤6：判断迭代次数episodes是否达到预设值Episodes，若episodes＜Episodes，转到步骤2，否则转到步骤7；

步骤7：根据适应性函数在迭代后的Len个策略中选择最佳策略。

优选的，采用强化学习对任务卸载策略进行优化包括：

步骤1：初始化经验池；

步骤2：判断训练轮数episodes和预设值Episodes的大小关系，若episodes＜Episodes，转到步骤3，否则转到步骤10；

步骤3：初始化边缘服务器；

步骤4：随机产生一个计算任务；

步骤5：基于ε-greedy策略，使用Q-network选择最好的action；

步骤6：计算即时奖励R，并使用S,A,R,S_更新经验池；

步骤7：判断经验池累计量capacity和最大容量Capacity的大小关系，若capacity>Capacity，反向传播更新Q-network参数；

步骤8：更新边缘服务器当前CPU转速f′_m；

步骤9：判断边缘服务器当前CPU转速f′_m和最大CPU转速f_m的大小关系，若f′_m>f_m，转到步骤2，否则转到步骤10。

步骤10：获取更新后的Q-network参数；

步骤11：采用更新后的Q-network参数计算任务的最佳卸载比率和卸载功率。

为实现上述目的，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一上述车联网中基于移动边缘计算的任务卸载方法。

为实现上述目的，本发明还提供一种车联网中基于移动边缘计算的任务卸载装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种车联网中基于移动边缘计算的任务卸载装置执行任一上述车联网中基于移动边缘计算的任务卸载方法。

本发明的有益效果：

本发明提出了一种车联网中基于移动边缘计算的任务卸载方法，该方法将任务分配、卸载方案联合建模为一个最小化系统总开销问题，首先，基于计算任务的来源和目标边缘服务器，以及任务的属性，计算出任务的等价最大容忍时延，根据每个任务的等价最大容忍时延计算出每个边缘服务器的计算资源分配方案；然后，使用能量消耗和罚函数作为适应性函数，基于遗传算法选择出次优分配方案；最后，根据每个计算任务的分配情况，以车辆与边缘服务器计算该任务的能量消耗的相反数作为奖励函数，基于深度强化学习进行卸载率和发射功率的分配；本方案有效的降低了系统的能耗开销，实现了计算卸载的有效性。

附图说明

图1为本发明的多边缘服务器联合卸载模型框架图；

图2本发明的基于移动边缘计算的任务卸载方法的流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

一种车联网中基于移动边缘计算的任务卸载方法，如图2所示，该方法包括：构建多边缘服务器联合卸载模型；获取车辆的卸载任务，采用基于等价最大容忍时延的资源分配方法计算任务卸载的资源分配方案；根据资源分配方案采用遗传算法对车辆的卸载任务进行卸载优化，得到任务卸载比率和卸载功率；根据任务卸载比率和卸载功率完成任务卸载。

构建多边缘服务器联合卸载模型如图1所示，在这个模型中，边缘服务器部署在宏基站(macro base station，MBS)和微基站(small cell base station，SBS)上，各个基站的覆盖范围互不重叠，车辆与基站通过无线网络连接，基站间通过有线网络连接。边缘服务器的适应性数组和最大CPU转速各不相同，且MBS上同时存在着一个任务调度服务器。假设区域内总共有M个基站，表示为S＝{s₁，s₂，s₃，…，s_M}。M个小区内道路上总共有N个车辆，表示为V＝{v₁，v₂，v₃，…，v_N}。每个边缘服务器可以为多个车辆服务，但车辆只能接入一个边缘服务器。

每个车辆按照泊松分布随机产生计算任务。假设周期内产生的计算任务数量为I，车辆产生的任务描述为Task＝{task₁，task₂，task₃，…，task_I}，每个任务的属性表示为task_i＝{d_i，z_i，t_i，l_i}，其中d_i表示计算任务自身数据量的大小，z_i表示完成任务所需的CPU周期数，t_i表示该任务的最大容忍时延，l_i表示任务的类别。

每个车辆和基站之间通过信道进行信息交流，信道按照正交频分复用(Orthogonal Frequency Division Multiplexing，OFDM)的方式进行划分，各个小区按照微蜂窝的方式进行连接，每个基站的覆盖范围内包含K个正交的信道，表示为C＝{c₁，c₂，c₃，…，c_K}，每个信道的带宽为B，将车辆的信道分配情况表示为二维矩阵的形式，

表示将信道c_k分配给了车辆V_n。

定义车辆V_n卸载计算任务task_i时的发射功率为

车辆与基站S_m之间的信道增益为h_n，m，加性高斯白噪声的频谱密度表示为N₀，根据香农公式，车辆V_n和基站S_m之间的信道容量可以描述为：

其中，∑_jp_jh_j，m表示临近小区使用相同信道所产生的信道干扰。本文假设基站间通过有线进行连接，定义其发送功率为p_bs，传输速度为r_bs。

将任务处理过程分为本地计算、任务分配、一次传输到相连接的基站、二次传输到分配的基站、执行计算任务、返回计算结果六个部分。由于返回的计算结果数据量很小，所以不做考虑，同时任务分配过程也只考虑基于算法时间复杂度的时间消耗，表示为T_ga，假设计算任务可以部分卸载，卸载率表示为α_i，下面对本地计算、一次传输、二次传输、边缘服务器计算这四个步骤的时间和能耗进行详细分析。

本地计算

假设车辆V_n的最大CPU转速服从均匀分布，表示为

表示所有车辆中的最大转速的最小值，

表示所有车辆中的最大转速的最大值，那么车辆V_n为计算任务task_i分配的CPU转速应满足

CPU功率与转速关系可以表示为：

p＝k(f)²

其中，系数k与设备的芯片架构等相关，p表示CPU功率p与转速f关系。

根据CPU功率与转速关系车辆的功率系数表示为k_n，f′_n表示车辆V_n当前CPU转速，则车辆执行计算任务时增加的功率表示为：

其中，

表示车辆执行计算任务时增加的功率，k_n表示CPU功率与转速关系车辆的功率系数，f_n表示车辆V_n当前CPU转速，f_i ^local表示车辆V_n为计算任务task_i分配的CPU转速。

已知任务计算量和卸载率，那么本地计算的时间可以表示为：

其中，

表示本地计算的时间，α_i表示卸载率，z_i表示完成任务所需的CPU周期数。

由车辆执行计算任务时增加的功率和本地计算的时间计算本地计算的能量消耗，其表达式为：

其中，

表示本地计算的能量消耗，

表示车辆执行计算任务时增加的功率。

根据信道容量计算公式计算出一次传输所需的时间表示为：

其中，

表示一次传输所需的时间，d_i表示计算任务自身数据量的大小，r_n，m表示车辆V_n和基站S_m之间的信道容量，α_i表示卸载率。

一次传输能耗为：

其中，p_n表示车辆V_n卸载计算任务task_i时的发射功率。

假设基站间传输信道容量和传输功率分别为r_bs和p_bs，计算任务二次传输过程的时间和能耗表示为：

其中，r_bs表示传输速度，p_bs表示发送功率。

边缘服务器的静态属性描述为S_m＝{f_m，γ_m}，其中

表示边缘服务器S_m最大CPU转速，γ_m∈(0.5，1]为适应性数组，表示边缘服务器运行不同类别任务时的计算效率。由于边缘服务器计算功耗呈现非线性增长，用f′_m表示边缘服务器S_m当前CPU转速，f_i ^server表示边缘服务器S_m为计算任务task_i分配的CPU转速，k_m表示边缘服务器的功率系数，则边缘服务器执行计算任务所增加的功率表示为

将边缘服务器S_m对计算任务task_i的计算效率表示为

则边缘服务器S_m的计算时间表示为：

根据边缘服务器执行计算任务所增加的功率和边缘服务器S_m的计算时间可得边缘服务器计算的能量消耗，其表达式为：

本发明优化目标是在满足计算任务最大容忍时延的约束下，最小化系统能耗。因此，优化问题可建模为：

其中，约束条件C1表示计算任务完成的时间应该满足任务的最大容忍时延，C2的含义是计算任务task_i可以按照任意比例进行计算卸载，C3表示不能超过边缘服务器最大CPU转速执行计算任务，C4表示不能超过车辆最大CPU转速执行计算任务，C5中u_i＝1表示计算任务会进行二次传输，u_i＝0表示只将计算任务卸载到与车辆相连的边缘服务器上，C6表示车辆一次传输功率的取值范围。

优化问题中部分变量是离散变量，该优化问题的可行解集不是凸集，无法利用凸优化方法优良的全局最优解性质。该问题是一个混合整数非线性规划问题，需要高效求得一个可行解。

一种车联网中基于移动边缘计算的任务卸载方法的具体实施方式，该方法根据车联网中任务的异构属性和多边缘服务器协同，联合优化车辆任务卸载决策、卸载率和发射功率以最小化系统总开销，该方法包括以下步骤：

S1：基于等价最大容忍时延的计算资源分配方案；

S2：基于遗传算法的计算任务联合卸载方案；

S3：任务卸载率和卸载功率决策方案。

在步骤S1中，由task_i的最大容忍时延t_i来计算边缘服务器S_m的计算时间，将

表示为

γ_m∈(0.5，1]为适应性数组，表示边缘服务器运行不同类别任务时的计算效率。当前任务为目标基站增加的CPU转速表示为：

在步骤S2中，卸载基站选择向量choose表示计算任务task_i最终在边缘服务器choose_i进行计算，将一个卸载基站选择向量作为一个策略。定义add数组表示所有计算任务为所有边缘服务器增加的CPU转速，表示为：

当前边缘服务器增加的功率表示为：

考虑到可能存在超过服务器最大CPU转速的情况，用base表示处罚基数，则惩罚函数表示为：

Punish_m＝(base+f′_m+add_m-f_m)²

忽略各个任务最大容忍时延不同带来的影响，用功率表示能耗的增长，则适应性函数表示为

采用遗传算法对车辆的卸载任务进行卸载优化的过程包括：

步骤1：初始化Len个卸载基站选择向量choose；

步骤2：计算目标边缘服务器为每个任务分配的计算资源；

步骤3：计算每个边缘服务器的功率；

步骤4：根据功率和罚函数判断策略的好坏；

步骤5：对Len个策略进行遗传交叉变异操作；

步骤6：判断迭代次数episodes是否达到预设值Episodes，若episodes＜Episodes，转到步骤2，否则转到步骤7；

步骤7：根据适应性函数在迭代后的Len个策略中选择最佳策略。

在步骤S3中，不同的卸载率和卸载功率会直接影响到车辆和边缘服务器的计算功率，以及车辆的发送功率。使用深度Q学习解决这个问题，状态空间包含已知的信息，分别从车辆状态、边缘服务器状态和任务状态三个方面进行描述。根据系统模型的分析，车辆状态描述为state_n＝{f_n，f′_n}，表示车辆最大CPU转速和当前CPU转速；边缘服务器状态描述为state_m＝{f_m，f′_m，γ_m}，表示边缘服务器最大CPU转速和当前CPU转速，以及适应性数组；任务状态描述为state_i＝{d_i，z_i，t_i，l_i，u_i}，表示任务的数据量、计算量、最大容忍时延、类别和任务是否进行了二次传输。动作空间中包含需要求解的变量，描述为action_i＝{α_i，p_n}，表示计算任务的卸载率、卸载车辆的发送功率。奖励函数用能量消耗描述。

动作空间中包含需要求解的变量，描述为action_i＝{α_i，p_n}，表示计算任务的卸载率、卸载车辆的发送功率。

DQN以奖励函数来衡量动作的好坏，在计算卸载中能耗越低表示当前状态下的当前动作越好，于是对能耗取反作为奖励函数，表示为

根据任务卸载比率和卸载功率完成任务卸载的过程包括：

步骤1：初始化经验池；

步骤2：判断训练轮数episodes和预设值Episodes的大小关系，若episodes＜Episodes，转到步骤3，否则转到步骤10；

步骤3：初始化边缘服务器；

步骤4：随机产生一个计算任务；

步骤5：基于ε-greedy策略，使用Q-network选择最好的action；

使用Q-network选择最好的action包括：根据任务状态、车辆状态、边缘服务器状态构造网络的输入；Q-network输出多个值，数量为动作空间大小；获取Q-network输出的多个值中的最大值，获取最大值对应的下标；根据下标获取对应的action。

步骤6：计算即时奖励R，并使用S，A，R，S_更新经验池；将S，A，R，S_串行组合，构造成经验池的一行形式；使用构造好的数据覆盖经验池中循环标记处的数据；更新循环标记。

步骤7：判断经验池累计量capacity和最大容量Capacity的大小关系，若capacity＞Capacity，反向传播更新Q-network参数；

步骤8：更新边缘服务器当前CPU转速f′_m；

更新边缘服务器当前CPU转速的过程包括：首先根据卸载率确定边缘服务器实际计算量，然后根据卸载率和发送功率确定信道容量，进而推导传输时间，最后用边缘服务器实际计算量除以计算时间得到为计算任务分配的CPU转速，更新边缘服务器当前CPU转速f′_m。

步骤9：判断边缘服务器当前CPU转速f′_m和最大CPU转速f_m的大小关系，若f′_m＞f_m，转到步骤2，否则转到步骤4。

步骤10：获取更新后的Q-network参数。

步骤11：采用更新后的Q-network参数计算任务的最佳卸载比率和卸载功率。

于本发明一实施例中，本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一所述车联网中基于移动边缘计算的任务卸载方法。

本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过计算机程序相关的硬件来完成。前述的计算机程序可以存储于一计算机可读存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

一种车联网中基于移动边缘计算的任务卸载装置，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种车联网中基于移动边缘计算的任务卸载装置执行任一上述车联网中基于移动边缘计算的任务卸载方法。

具体地，所述存储器包括：ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。

优选地，所述处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application SpecificIntegrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。

以上所举实施例，对本发明的目的、技术方案和优点进行了进一步的详细说明，所应理解的是，以上所举实施例仅为本发明的优选实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种车联网中基于移动边缘计算的任务卸载方法，其特征在于，包括：构建多边缘服务器联合卸载模型；获取车辆的卸载任务，并根据车辆的卸载任务构建卸载基站选择向量；根据卸载基站选择向量采用基于等价最大容忍时延的资源分配方法计算进行任务卸载的负载和能耗；以能耗作为适应性函数，并采用遗传算法对车辆的卸载任务进行迭代优化，得到卸载基站选择方案；根据卸载基站选择方案使用强化学习对任务卸载策略进行优化，得到任务卸载比率和卸载功率；根据选定的卸载基站、制定的卸载比率和卸载功率完成任务卸载。

2.根据权利要求1所述的一种车联网中基于移动边缘计算的任务卸载方法，其特征在于，构建多边缘服务器联合卸载模型包括：边缘服务器部署在宏基站和微基站上，各个基站的覆盖范围互不重叠，车辆与基站通过无线网络连接，基站间通过有线网络连接；该多边缘服务器联合卸载模型共有M个基站，表示为S＝{s₁,s₂,s₃,…,s_M}；M个小区内道路上总共有N个车辆，表示为V＝{v₁,v₂,v₃,…,v_N}，其中s_M表示第M个基站，v_N表示第N个车辆。

3.根据权利要求1所述的一种车联网中基于移动边缘计算的任务卸载方法，其特征在于，车辆的卸载任务包括：每个车辆按照泊松分布随机产生计算任务，即周期内产生的计算任务数量为I，车辆产生的任务描述为Task＝{task₁,task₂,task₃,…,task_I}，每个任务的属性表示为task_i＝{d_i,z_i,t_i,l_i}，其中d_i表示计算任务自身数据量的大小，z_i表示完成任务所需的CPU周期数表示，t_i表示该任务的最大容忍时延，l_i表示任务的类别。

4.根据权利要求1所述的一种车联网中基于移动边缘计算的任务卸载方法，其特征在于，采用基于等价最大容忍时延的资源分配方法计算进行任务卸载的负载和能耗包括：获取计算任务task_i的最大容忍时延t_i；获取车辆执行计算任务task_i的信息；获取的信息包括车辆V_n卸载计算任务task_i时的发射功率p_n、卸载率α_i、计算任务自身数据量的大小d_i、车辆V_n和基站S_m之间的信道容量、边缘服务器S_m的计算时间、边缘服务器S_m当前CPU转速、边缘服务器S_m为计算任务task_i分配的CPU转速、边缘服务器S_m最大CPU转速、车辆V_n当前CPU转速、车辆V_n为计算任务task_i分配的CPU转速以及车辆V_n的最大CPU转速；根据获取的信息计算任务一次传输所需要的时间和能耗；获取基站间传输信道容量和传输功率，根据基站间传输信道容量和传输功率计算任务二次传输过程的时间和能耗；根据任务一次传输所需要的时间和能耗、任务二次传输过程的时间和能耗以及车辆执行计算任务task_i的信息构建优化目标函数；根据计算任务task_i的最大容忍时延t_i求解优化目标函数的最优解，得到进行任务卸载的负载和能耗。

5.根据权利要求4所述的一种车联网中基于移动边缘计算的任务卸载方法，其特征在于，优化目标函数为：

s.t.C1:

C2:

C3:

C4:

C5:

C6:

其中，C1表示计算任务完成的时间应该满足任务的最大容忍时延，C2的含义是计算任务task_i可以按照任意比例进行计算卸载，C3表示不能超过边缘服务器最大CPU转速执行计算任务，C4表示不能超过车辆最大CPU转速执行计算任务，C5中u_i＝1表示计算任务会进行二次传输，u_i＝0表示只将计算任务卸载到与车辆相连的边缘服务器上，C6表示车辆一次传输功率的取值范围，

表示本地计算的能量消耗，

表示一次传输能耗，

表示二次传输过程的能耗，

表示边缘服务器计算的能量消耗，

表示本地计算的时间，T_ga表示任务分配过程基于算法时间复杂度的时间消耗，

表示一次传输所需的时间，

表示二次传输所需的时间，

表示边缘服务器S_m的计算时间，t_i表示任务的最大容忍时延，α_i表示卸载率，f′_m表示边缘服务器S_m当前CPU转速，

表示边缘服务器S_m为计算任务task_i分配的CPU转速，f_m表示边缘服务器S_m最大CPU转速，f′_n表示车辆V_n当前CPU转速，

表示车辆V_n为计算任务task_i分配的CPU转速，f_n表示车辆V_n的最大CPU转速，p_n表示车辆V_n卸载计算任务task_i时的发射功率，

表示车辆V_n卸载计算任务task_i时的最小发射功率，

表示车辆V_n卸载计算任务task_i时的最大发射功率。

6.根据权利要求1所述的一种车联网中基于移动边缘计算的任务卸载方法，其特征在于，采用遗传算法对车辆的卸载任务进行迭代优化包括：

步骤1：初始化Len个卸载基站选择向量choose；其中卸载基站选择向量即为卸载策略；

步骤2：计算目标边缘服务器为每个任务分配的计算资源；

步骤3：计算每个边缘服务器的功率；

步骤4：根据功率和罚函数判断策略的好坏；

步骤5：对Len个策略进行遗传交叉变异操作；

步骤6：判断迭代次数episodes是否达到预设值Episodes，若episodes<Episodes，转到步骤2，否则转到步骤7；

步骤7：根据适应性函数在迭代后的Len个策略中选择最佳策略。

7.根据权利要求1所述的一种车联网中基于移动边缘计算的任务卸载方法，其特征在于，采用强化学习对任务卸载策略进行优化包括：

步骤1：初始化经验池；

步骤2：判断训练轮数episodes和预设值Episodes的大小关系，若episodes<Episodes，转到步骤3，否则转到步骤10；

步骤3：初始化边缘服务器；

步骤4：随机产生一个计算任务；

步骤5：基于ε-greedy策略，使用Q-network选择最好的action；

步骤6：计算即时奖励R，并使用S,A,R,S_更新经验池；

步骤7：判断经验池累计量capacity和最大容量Capacity的大小关系，若capacity>Capacity，反向传播更新Q-network参数；

步骤8：更新边缘服务器当前CPU转速f′_m；

步骤9：判断边缘服务器当前CPU转速f′_m和最大CPU转速f_m的大小关系，若f′_m>f_m，转到步骤2，否则转到步骤10。

步骤10：获取更新后的Q-network参数；

步骤11：采用更新后的Q-network参数计算任务的最佳卸载比率和卸载功率。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行，以实现权利要求1至7中任一项车联网中基于移动边缘计算的任务卸载方法。

9.一种车联网中基于移动边缘计算的任务卸载装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种车联网中基于移动边缘计算的任务卸载装置执行权利要求1至7中任一项车联网中基于移动边缘计算的任务卸载方法。

Images