随着现代社会经济和科技的高速发展,人们的生活水平不断提升,体现在公共交通领域,机动车数量急剧增加,但是这也带来了一系列问题,例如交通拥堵、交通事故频发。车联网以及车联网中的智能应用是解决上述问题的有效解决方案,例如自动驾驶能够避免司机驾驶疲劳引发的交通事故,也可以通过合理的路径规划避免城市交通堵塞。这些智能应用按照对时延的敏感度可以分为时延敏感型、时延不敏感型,按照对存储资源的要求可以分为资源密集型和非资源密集型,按照可分性可以分为可拆分任务和不可拆分任务。大多数应用都有一个共同特点,就是对时延非常敏感,各种应用需要在短时间内处理大量数据,这都需要强大的计算能力,因此需要更好的计算卸载和计算资源分配方法,本文针对这一现实需求展开研究。本文首先考虑在MEC算力不足的场景中,并且车辆自身的计算能力受限,计算任务需要其他拥有计算能力的设备帮助车辆计算,本文将周围运动中的车辆和自身的资源作为资源池,利用所有可以利用的车载资源为应用提供低时延的服务。基于资源池的可利用资源,充分考虑到车辆的高速移动性和通信链路的不稳定性,本文设计了一种单任务分布式计算卸载方法,通过将复杂计算任务拆分成多个小任务,分配到周围车辆中进行计算,以获得较低的计算任务处理时延。在分配算法的设计中,本文分别基于遗传算法和DQN设计了资源分配的最佳分配方案,并获得了良好的实验结果,大幅度降低复杂任务的处理时延。经仿真证明,本文提出的模型能够充分利用周围车辆的计算资源,考虑车辆移动性、通信传输时延、任务的可分性,大幅度降低计算任务的执行时间。其次,针对车队行驶场景中,车头和车尾承担的计算任务过多,消耗算力和能量较多,而车队中间的车辆只需要启动跟车模式,算力和能量消耗极少,而导致车辆资源没有合理分配的问题,提出了一种基于DDPG的在线计算卸载方法。这是一种联合卸载策略,整合车辆周围所有可以利用的资源,本地可以使用的计算资源、周围车辆空闲的计算资源、MEC提供的计算资源,通过本地计算、V2V、V2I三种不同的计算卸载方式协作完成任务的计算。本文基于DDPG算法设计的长期在线计算卸载方法,统一调度三种计算资源,进行学习以获得更高的系统利用率。该方法在满足应用时延要求下,最大化系统资源的利用率,在保证计算任务时延的同时,提高系统的利用率,均衡地分配计算任务到各个设备中,为计算卸载提供新的方案。仿真证明了该方案的有效性,算法能够收敛,并在不同计算任务数量和大小的情况下取得最好的效果。