自第一次工业革命汽车被发明以来,随着经济与科技的发展,各种各样的车辆越来越多,随着车辆的增多,传统的无线蜂窝网络已无法满足车辆间通信的带宽要求,然后车辆自组织网(Vehicle Ad-hoc Network,VANET)的概念被提出。在VANET中,每个车辆都配备有车载单元(On Board Unit,OBU),这些OBU之间可以相互通信,同时它们也可以和路边单元(Roadside Unit,RSU)进行通信,获取相关路况数据信息等,从而降低事故发生率,实现实时导航,提高行驶效率等。为了保证所有车辆都能及时获取所需数据信息,提高数据分发效率在VANET中就尤为重要。在现有的研究中,大部分仅采用车辆到基础设施(Vehicle to Infrastructure,V2I)的通信方式进行数据分发,效率较低,即使采用了V2I与车辆到车辆(Vehicle to Vehicle,V2V)通信相结合的方式,也没有利用深度学习和强化学习等方式,因此对VANET的动态适应性较差。本课题采用V2I以及V2V通信相结合的基于深度强化学习进行簇头节点选择的方法来提高数据分发效率。具体说来,就是在VANET中,由引入的人工智能软件定义网络(Software-defined Network,SDN)控制器通过卷积神经网络(Convolutional Neural Network,CNN)和微分神经字典(Differentiate Neural Dictionary,DND)相结合的深度强化学习方式,从RSU管辖区域内的众多车辆中,选择出一定数量的车辆节点作为边缘簇头节点和网关簇头节点,由这些簇头节点进行数据的分发,避免所有车辆直接与RSU通信,造成拥堵,从而提高数据分发效率。此外,现有研究没有考虑数据在车辆与车辆间传输时可能会遇到高楼隧道等的阻碍,所以为了进一步提高VANET的连接性和稳定性,提高数据分发效率,本课题引入无人机作为数据分发的辅助中继节点。在非簇头的普通车辆节点间进行数据传输时,每一个节点都会通过Q-学习的方式评估下一跳节点的有效性以及下一跳节点和目的节点间的距离,然后选择出最优的下一跳转发节点,以此来保证数据传输的稳定性和效率。最后的仿真结果表明,采用V2I和V2V相结合的基于深度强化学习选择簇头节点的方式,系统的分组传递率比只采用V2I通信和随机选择簇头节点情况下的分组传递率高。此外,在有无人机协作和采用Q-学习选择最优下一跳节点的情况下,系统的分组传递率和按需距离矢量(Ad-hoc On-demand Distance Vector,AODV)、贪婪周边无状态路由协议(Greedy Perimeter Stateless Routing,GPSR)等路由方式相比有所提高,且端到端时延减少。由此说明了本课题所提方案在提高系统性能方面的有效性。