摘要
随着移动通信技术的升级和物联网应用的广泛普及，车联网相关技术得到了迅速发展。这导致车辆计算任务的数量呈爆炸式增长，使得车辆在资源受限的情况下难以应对大量计算任务。近年来，许多研究将移动边缘计算技术应用到车联网场景，利用边缘服务器资源为车辆提供计算服务。然而，位于路侧单元的边缘服务器由于体积小、计算资源有限，在卸载计算任务过多时，仅靠边缘服务器的资源也无法满足任务的计算需求。因此，考虑利用具有空闲资源的车辆作为边缘服务器资源的补充，为卸载任务提供计算服务。此外，由于车辆的移动性，任务卸载到具有空闲资源的车辆后可能导致该车辆与边缘服务器及任务卸载车辆通信断开，从而导致任务服务中断。因此，需要对卸载任务进行迁移，以确保卸载任务服务的连续性。本文包括以下两部分工作: (1)针对位于路侧单元的边缘服务器资源受限的问题，本文提出了基于Stackelberg博弈的资源分配及任务卸载的联合优化策略。该策略中考虑利用当前路侧单元基站通信范围内具有空闲资源的车辆即志愿服务车辆协助边缘服务器进行任务处理。首先，因为志愿服务车辆与其资源收购方边缘服务器的信息不对称，所以利用匹配理论描述双方的资源买卖合同，由志愿服务车辆选择最优合同并公布资源售价。其次，利用Stackelberg博弈分析请求计算车辆和边缘服务器之间的资源买卖关系。再次，根据各方的效益模型将策略建模为组合优化模型,通过卸载激励机制让各方主动参与资源分配过程。最后，利用拉格朗日乘子法求解动态博弈过程，并利用逆向归纳法反推满足各方及全局效益的最优解。仿真实验给出了各阶段结果图和对比实验图，证明了所提出策略的可行性，同时揭示了该策略与其它策略相比在不同车辆规模下的成本最低。 （2）针对任务卸载到志愿服务车辆上计算可能会出现的服务中断问题，本文提出了一种基于深度强化学习算法的任务迁移策略。首先，将问题建模为单目标优化模型。其次，利用长短期记忆网络来预测车辆的未来运动轨迹。最后，利用基于异步深度Q网络和蚁群优化的混合算法生成最优的任务迁移路径。本研究利用真实数据集进行了仿真实验。结果表明，一方面利用长短期记忆网络预测车辆运动轨迹不仅能够减少约40％的任务平均迁移次数请求，而且在误差指标上表现更好。另一方面，对任务迁移算法进行对比实验，评估其在不同任务量和志愿服务车辆最大通信距离下的表现。实验结果表明，该算法的任务平均完成成本均低于其他对比算法，证明了所提出策略的可行性和有效性。
NETL