随着车联网的快速发展,车辆正从交通工具转向智能终端,车载网络正面临着为众多车辆提供无处不在的连接和高质量服务的挑战。车辆配备了具有通信、传感和计算能力的车载单元。车辆可以通过无线通信相互通信。然而,车辆的计算能力不足。传统上,云计算具有强大的计算能力,但是将任务传输到远程云通常会导致高时延和高能耗。为了在车联网中支持时延敏感和多媒体丰富的服务,车辆边缘计算已经成为一种很有前途的计算技术,以提供更好的计算服务,即计算和处理将被推到附近的边缘节点辅助处理任务,如车辆、路边单元和基站等。因此,本文在计算资源扩展的基础上,以系统时延、系统能耗及系统效用等作为衡量系统综合性能的指标,进行车辆边缘计算卸载机制的研究。首先,本文介绍了车联网架构和车辆边缘计算的相关内容,这是本文主要的模型场景因素,目的是对车联网的计算资源进行扩展,进而为车联网节省大量通信资源和降低传输时延。同时介绍了车联网通信关键技术,主要包括DSRC与C-V2X两个方面。为了解决在车辆边缘计算环境下边缘服务器的任务卸载决策问题,介绍了深度学习算法和强化学习算法的相关概念,以提高系统的综合效能。其次,本文提出了一种基于DQN算法的车辆边缘计算任务卸载模型。为了对车联网计算资源进行扩展,本文引入了车辆边缘计算的概念。在该模型中,车辆需要对每一时隙产生的任务进行处理,处理方式分为本地处理,卸载到邻近车辆,卸载到RSU和卸载到BS。在卸载处理过程中,车辆首先需要通过无线信道将计算任务传输到边缘节点,然后边缘节点对计算任务进行处理,最后将计算结果回传给原车辆。为了减小系统开销,我们引入了DQN算法来解决任务卸载和处理问题,并做出最优卸载决策以提高服务质量。最后,基于Actor-Critic算法,本文提出了一种基于帧结构的车辆边缘计算任务卸载模型。由于车辆在计算能力方面有限的计算资源,可能会限制及时完成任务的可能性。可以将任务卸载到计算能力更强的路边单元VEC服务器,在VEC服务器端采用资源保留服务器作为VEC服务器端的资源保留来解决上述问题。为了提高收敛效率,我们将强化学习与深度学习相结合,采用Actor-Critic算法,把对价值函数表的维护转变成对神经网络模型的训练,以提升模型训练效率,提高VEC服务器的效用并降低车辆成本。本文共有图30幅,表2个,参考文献73篇。