近年来随着物联网技术的深入发展,在云计算和通信技术的强大支撑下,汽车自动驾驶技术的迅速发展和关键技术的突破使得货车编队成为可能。除了通过降低空气阻力来减少卡车的油耗和空气污染外,有效的货车编队策略还可以在提高驾驶安全性的同时最大化高速公路吞吐量。然而,目前针对用于货车编队策略的资源分配模型仍处于研究的初步阶段。同时,车载移动设备的信息关联与处理技术限制了车辆之间的持续通信能力。此外,随着货车编队用户的增加,云端编队控制中心需要处理的编队服务请求也随之急剧增加,由于提供货车编队服务需要占用和花费有限的通信、算力以及存储资源,并且货车编队的环境具有动态性,这些问题给货车编队综合资源的优化分配带来了极大的挑战。另一方面,目前求解云资源管理模型的优化算法通常需要一些强假设才能满足算法运行的需求,这难以满足实际场景的需要和模型系统的动态特性以及系统策略的最优化。作为一种先进的算法优化模式,强化学习（Reinforcement Learning,RL）在训练中不需依靠大量的强假设条件,即可通过来自周围环境的反馈进行行动策略的学习,适应动态变化编队环境的同时,能得到近似最优的资源分配策略。因此,受RL在解决资源分配问题上成功经验的启发,本文以高速公路的货车编队系统为研究场景,利用强化学习来优化求解通过半马尔可夫决策过程（Semi-Markov Decision Processes,SMDP）构建的货车编队云计算资源分配模型。针对货车编队系统的资源分配问题,本文首先通过SMDP对货车编队动态服务请求的决策和编队系统的收益进行建模,研究并构建了货车编队资源分配的系统状态集、行动集、收益模型、决策时间点和状态转移概率。其次,针对基于SMDP构建的货车编队资源分配模型,以强化学习思想为依据,利用Q-learning算法对模型进行优化求解。在考虑交通系统资源费用和系统收入平衡的情况下,使得交通系统的总回报最大化。仿真结果表明,基于SMDP和Q-learning资源分配模型的综合性能优于传统的优化算法。最后,考虑到货车编队系统的长期回报和货车编队用户的体验质量,针对复杂的交通环境,进一步研究了深度强化学习并利用深度Q网络（DQN）对由SMDP构建的网络进行优化求解。实验结果表明,基于SMDP和DQN的资源分配模型的性能优于对比的方法。在降低请求处理延迟概率的同时,能够维持系统获得较高的回报。