新时代,随着信息化互联技术的高速发展,车联网技术作为物联网在现代交通领域的应用之一,得到了很多国家和地区得到广泛关注。近年来随着我国机动车数量的迅速增加,导致我国现有交通网络资源难以适应其增长速度,在一定程度上给人民带来不可忽略的安全隐患问题、交通拥堵问题、能源消耗问题等。智能辅助驾驶随着车联网技术不断发展,使得人-车-路之间的实时共享信息成为了可能,增加了道路的通行率并节能减排,自适应巡航控制(ACC)也应运而生,在很大程度上解决随着汽车保有量增长而引发的一系列交通安全问题。本文在分析了大量车辆编队、自适应巡航控制、资源调度的方法的基础上,针对目前已经有的方法的不足,根据近年来人工智能领域的研究方向热潮:深度学习和Q学习,设计了一种基于深度强化学习的自适应巡航算法。同时对车队内面向时延感知的计算任务处理问题进行研究,提出一种基于李雅普诺夫算法的自适应资源调度方案。本文的具体工作如下:(1)基于深度强化学习的车队协同式自适应巡航控制算法研究。首先为了克服传统强化学习方法在解决ACC问题上的慢收敛难题,进行了基于强化学习的框架问题重构;其次为了解决Q学习方法中的收敛性问题,引入人工神经网络的深度强化学习算法DQN。采用经验回访方法进一步提高算法的收敛速度。通过仿真比较分析,提出的算法更早的到达收敛域,相比QL算法在收敛性上提升了约21%的性能,进而验证了基于深度强化学习的车队协同式自适应巡航控制算法的可行性和优势。(2)基于李雅普诺夫算法的车队内自适应资源调度方法研究。为了解决车辆有限的计算资源和其快速增长的流量需求之间的矛盾,首先,建立了车队内的计算资源调度模型。当从车计算资源不足时,可调度头车资源以满足计算任务的时延需求。其次,从车辆的实时业务需求入手,根据车队内各车辆可用计算资源容限,以降低车队总体能耗和丢包率为目标,联合优化本地计算资源、丢包、卸载时的发射功率、头车计算资源分配策略。最后,对所提出的基于李雅普诺夫算法的车队内自适应资源调度方案进行仿真性能分析,证明了算法的有效性。