物联网和通信技术的蓬勃发展为车联网的兴起创造了机遇。车辆通过各种传感设备收集自身以及周围环境的大量数据信息,然后通过对数据的处理为用户提供各种车联网服务。但是随着联网车辆的爆发式增长,单一的车载单元很难满足计算存储以及带宽需求。因此,云计算技术以及MEC技术的兴起为车联网的发展注入了新的动力。研究人员通过将车载任务调度到云计算平台或者MEC服务器达到了突破资源限制的目的。但是传统的车联网任务调度策略仅仅是将车载终端需要调度的任务调度到MEC服务器或者核心云数据中心,并没有考虑在三者之间进行调度,造成了资源的浪费。所以本文针对该问题进行了研究:1.本文研究了车联网系统中的车载任务的聚类问题。通过对任务进行聚类,将其划分为计算需求型、带通需求型以及存储需求型。然后对计算单元进行评价,得到计算单元主要拥有的资源标签。为接下来任务调度的适应度值评价做准备。2.本文针对聚类后的任务进行调度策略的研究。对于车联网系统中的任务调度策略,本文采用的是遗传算法。在遗传算法中,本文结合贪婪策略以及重组交叉的方法重新设计了交叉算子。并对任务调度策略的评价进行了设计。3.本文分析对比了三种常见的云计算仿真平台,然后选择了CloudSim对本文中的任务调度策略进行仿真。仿真结果表明,该任务的调度策略在满足计算单元拥有资源的前提下,可以有效地提高资源匹配度与执行时长的综合优化,同时降低了任务总的执行时长,提高了计算单元的资源利用率。