摘要
近年来，车联网技术发展迅速，涌现出大量计算密集型和时延敏感型应用。车辆用户因自身有限的存储和计算能力，难以提供实时且高质量的服务。移动边缘计算（MobileEdgeComputing，MEC）技术将服务平台部署在网络边缘侧，为车辆用户提供计算、存储以及通信服务，极大地减少了网络链路传输延迟，可以更好地满足车辆用户对延迟、响应速度和服务质量的要求。信息年龄（AgeofInformation，AoI）能够衡量信息的新鲜程度。因此，制定基于AoI的计算卸载和资源分配策略，能够更好地满足未来车联网对时效性的高要求，对于提升车联网网络整体性能具有重要的现实意义。 本文的具体研究工作如下： 针对多车辆单MEC车联网场景，提出了AoI约束的平均能耗最小的MEC资源分配方法。首先，综合考虑任务卸载方式、通信资源以及计算资源的分配，建立AoI约束的计算任务平均能耗优化问题。然后，提出基于混合策略改进的鲸鱼优化算法（HybridStrategyImprovedWhaleOptimizationAlgorithm，HSWOA）对该优化问题进行求解。针对标准鲸鱼优化算法存在种群多样性不足和易陷入局部最优的问题，在初始化阶段引入分段Logistic混沌映射策略对种群进行初始化，以丰富初始种群的多样性；位置更新时，引入步长控制因子服从t分布的莱维飞行策略对位置更新公式进行扰动，以改善其易陷入局部最优的缺点。仿真结果表明，该方法能够在满足AoI约束的前提下，有效降低处理计算任务的平均能耗。 针对多车辆多MEC车联网场景，提出了一个基于MEC的车联网资源分配方法，旨在最小化系统平均卸载成本。在多车辆单MEC系统模型的基础上，建立了多MEC服务器和多服务车辆的车联网模型，联合考虑卸载模式选择、卸载比例分配以及计算资源分配，以最小化系统内平均卸载成本。由于该问题是一个混合整数非线性规划问题，难以直接获得最优方案，故将其划分为两个子问题并进行迭代求解。首先采用库恩-曼克尔斯（Kuhn-Munkres，KM）算法解决卸载模式选择子问题；然后利用HSWOA算法求解任务卸载比例与计算资源分配子问题。仿真结果表明，该方案可以充分利用车联网内空闲车辆和MEC服务器上的多种资源，实现任务卸载方式、卸载比例及计算资源的合理配置，达到有效降低平均卸载成本的目的。
NETL