技术摘要：
本发明公开了一种基于深度Q网络的车载边缘网络任务分发卸载方法，首先根据层次分析法对不同车辆终端的计算任务进行优先级划分，从而为计算任务处理速率赋予不同的权重建立关系模型；其次，引入基于深度Q网络的边缘计算方法，以计算任务处理速率加权和为优化目标建立任  全部
背景技术：
为了解决车辆终端与车载应用之间的矛盾，车辆上的计算任务可以卸载到RSU配 置的MEC服务器上，这样在车辆旁边就能够完成任务的计算及分析过程，部署灵活的MEC服 务器上的存储及计算资源可以减小计算任务的处理时间及车辆能耗。目前由于车辆网等技 术的快速发展以及日益庞大的数据量，出现了大量对计算资源高需求的车载应用任务，如 自动驾驶、智能识别、实时路况等。这些车载应用任务不仅需要大量的存储与计算资源，同 时对于任务执行时延的要求非常严格。车联网环境中计算任务卸载决策主要解决车载应用 任务是否需要卸载以及卸载多少的问题。卸载决策的主要优化目标有任务执行时延、能耗 以及时延与能耗的折中等。传统的方法包括面向5G的边缘计算多用户卸载方案，将问题转 换为多重背包问题，优化计算任务执行时延。也有一系列基于各种数值优化算法提出了一 系列计算卸载决策及资源配置方案。 但是上述方法没有针对不同终端进行任务优先级划分，从而实现处理程序的优 化。同时上述方法需要实时准确的信道状态消息以及算法复杂度高、迭代步骤长，难以满足 低时延需求很高的车联网通信系统。针对以上研究中存在的问题，本方法通过引入移动边 缘计算，使车辆产生的计算任务能够直接在边缘节点进行处理，同时针对不同终端任务要 求的不同进行优先级划分。在移动车辆端，基于深度强化学习，研究了计算速率最优的任务 卸载策略，在信道条件时变的环境中能够根据过去的经验实现卸载策略的自我更新，并且 与传统复杂的MIP问题不同，其计算复杂度不会因为网络规模的增长而爆炸，并且在任务执 行时延方面有一定的改善，改善了网络拓扑结构动态变化的车联网终端用户的使用体验。
技术实现要素：
发明目的：本发明提出一种基于深度Q网络的车载边缘网络任务分发卸载方法，能 将计算任务有序分发卸载至边缘服务器，降低任务执行平均时延。