随着汽车产业和信息技术的发展,新兴的智能网联汽车具备有环境感知和信息共享的能力,人-车-环境互联的车联网络应运而生,为提高交通效率和交通安全提供了可行解决方案,如其中的安全类应用可以传输紧急事故预警消息,娱乐类应用可以提高驾乘人员的出行体验。网络通信是实现这些应用服务的必要条件,车联网中数据包经过多跳传输从源节点发送到目的节点,车辆和路边基础设施在路由过程中充当中继节点。然而,车联网的特性使得车联网路由协议设计面临严峻的挑战:动态的网络结构使得节点链路间歇性断连、不均匀的节点分布使通信时延增大、快速变化的网络状态加重了通信开销等。因此,为车联网通信设计高效的路由机制是十分必要的。基于地理位置的路由被认为是最适合车联网的路由方法,且这类路由在具有适当车辆密度和网络负载的路径上表现良好。本文提出了具有多个交叉路口的城市场景下的车辆到车辆通信的路由方案,该方案通过Q-learning学习路由策略,路由算法使用的数据来自历史流量信息和实时网络状态监控。路由算法由两部分组成:训练多维Q表用于在交叉路口选择最优路段进行报文转发;以及改进的贪婪策略用于选择路径上的最佳中继节点。路边设施上的监控模块可以及时检测网络负载并调整路由决策,以防止网络拥塞。该路由协议减少了通信开销和延迟,并确保了数据包的可靠传输。通过实验将提出的算法与已有算法进行比较,结果表明本文算法的数据包传输成功率、端到端延迟、通信开销和通信跳数性能指标优于现有方法。5G蜂窝移动网络驱动的车联网通信具有超高可靠性和超低延迟的特点,为车联网中各类应用的发展带来了机遇。为了提高资源利用率和保证服务质量,5G车联网中的用户可以选择不同的通信模式并控制其传输功率。本文提出了一种基于博弈论方法的联合模式选择和功率自适应方案,目标是最大化整个系统的吞吐量。考虑到不同车辆应用的多优先级数据包的差异化传输需求,更高优先级的数据包具有更严格的延迟约束。采用带保留价格的分段拍卖方法为车辆用户选择通信模式,并引入斯塔克伯格博弈模型来解决同频干扰问题。仿真测试验证表明,本文算法提高了系统吞吐量和资源利用率,减小了服务质量违反率。