随着5G技术与智能化技术的不断发展,智能网联汽车能够依靠车路协同技术,通过路边基础设施的边缘缓存、边缘计算服务对交通态势形成更具体的认知,以保障行车安全,提高交通效率。由于交通系统情况复杂且车辆需求多样,路边基础设施所能够提供的通信、缓存、计算资源为智能网联汽车提供服务时通常会出现需求时空分布不均衡、资源供需不平衡的情况,从而影响服务质量。交通系统中车辆的行车路线分布与边缘资源的区域性请求存在着复杂的耦合关系,仅通过服务放置与迁移均衡边缘资源负载的效果有限,且集中式调度策略通常会因交通系统问题规模庞大而遭遇计算瓶颈。为应对以上问题,本文利用多智能体深度强化学习来解决车路协同场景下的“道路-边缘服务”资源资源联合优化问题。本文对于车路协同环境下车辆行车与服务迁移场景中的道路资源、通信资源、网络资源、计算资源建模并定义了优化目标,然后基于MADRL方法提出一种双通道的网络模型为智能网联汽车提供行车规划与服务迁移的联合优化决策来实现道路资源与边缘计算信息资源的联合优化调度。并设计仿真实验证明本文算法能够均衡地利用道路资源与边缘资源从而保证车辆应用满足服务时延要求且保证车辆行车效率。车路协同场景中,车辆的移动模式不仅影响连接基站序列,还会影响所连接基站的通信质量,这些因素会影响缓存资源的调度决策。且基于状态快照的缓存调度方法难以保证长期效用的最优化。为了解决这一问题,本文对于车路协同场景中利用微基站为车辆提供缓存服务的问题进行研究。本文对此场景的通信资源、缓存资源建模并定义缓存内容分发开销,最后立足于边缘缓存资源的长期效用优化,利用深度强化学习思想提出一种缓存内容分发决策算法,该算法通过评估系统状态值与采取的不同的动作优势函数值决定输出决策动作。并设计仿真实验,证明本文算法在保证车辆及时获取目标内容的同时,提高了缓存资源的利用效率。