车联网是一种由具有通信、计算、存储、学习能力的移动车辆组成的智能网络系统,可以提升道路安全,改善道路交通管理状况并支持沉浸式的用户体验。但是,对于资源受限的车辆而言,如何处理车辆传感器搜集到的海量数据,以及为需要极大计算能力或超低时延的应用提供服务,是目前车联网领域面临的重大挑战。移动边缘计算作为一种新兴的网络技术,可以有效地提高计算和卸载效率,将其与车联网相结合,能够解决一部分上述问题。然而,实际的车联网环境较为复杂,部分场景尚未被考虑。对此,本文针对两种实际的车联网环境,设计了对应的车联网边缘计算卸载方案,主要工作如下:1.在农村道路或者没有配备移动边缘计算服务器的公路场景,当车辆有大量任务需要被处理时,如何有效利用附近闲置的车辆计算资源,是需要被考虑的首要问题。因此本文建立了一个面向任务执行效率的多跳任务卸载决策模型,主要包括候选车辆的选择机制与任务的卸载决策算法设计两个部分。在候选车辆的选择机制部分,任务车辆通过无线通信,获取6)跳通信范围内邻居车辆的具体信息,然后,考虑车辆之间的联通时间与任务的传输时间,计算得到邻居车辆的最大任务处理能力,进一步确定有资格参与任务卸载的车辆。在卸载决策算法设计部分,考虑任务完成的效率,以完成所有任务所需的时延最小作为优化目标,将计算卸载问题建模为一个带有约束的广义分配模型,并且分别借助贪心算法和离散蝙蝠算法进行求解。实验结果表明,这两种求解方法均具有时延性能上的优越性,且基于离散蝙蝠算法的求解方法得到计算卸载方案的性能更优。2.车辆能够与移动边缘计算服务器通信时,车辆可以考虑把任务卸载到边缘节点去完成。但是,动态到达的任务具有不确定性,如何直接根据车联网环境的原始信息获取最优的卸载策略,使得车联网边缘计算系统在一定时间内获得最大的长期奖励,是另外一个需要被考虑的问题。针对这一问题,本文提出了一种面向任务执行效率与公平性的动态计算卸载方案,使用深度强化学习中的异步优势演员评论家算法,将移动边缘计算服务器的可用资源作为系统状态,卸载策略作为动作,建立马尔可夫决策过程,然后将相对效率因子与相对公平性因子的加权值作为目标函数设计奖励。仿真结果表明,本文提出的方案能够进行在线策略更新,在模型收敛后完成所有任务的平均时延较低,任务间公平性较高,并且能够较好地适应复杂的环境变化。