1.车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征包括以下步骤：步骤101：构建车联网场景下基于MEC计算卸载和资源分配的整合框架；

步骤102：建立目标规划问题；

步骤103：通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案。

2.根据权利要求1所述的车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征在于，所述步骤101构建车辆网场景下基于MEC的计算卸载和资源分配的整合框架包括：考虑一个车辆自组织网络，其中车辆可以通过蜂窝系统与邻近车辆、路边单元(RSU)进行通信来接收最新的道路信息，部署有L个服从泊松分布的请求车辆，表示为Vi(i∈{1,

2,...,L})，考虑具有一个宏小区和M个小小区的5G异构MEC网络，宏基站配备有能够执行多个计算密集型任务的MEC服务器，并且小基站被宏基站覆盖，小基站与宏基站通过有线链路连接，每个基站服务Uj(j∈{1,2,...,M})个车辆；

为了重用频谱，我们假设多个基站在相同的频带中工作，其中存在小小区之间的干扰，带宽B被分成N个信道，车辆与正交频分多址(OFDMA)中的基站相关联，其中同一基站中的每个车辆的信道与其他信道正交，车辆i在基站j的下需完成的计算任务为其中，di,j是输入数据的大小，ci,j是完成计算任务所需的CPU周期数，是最大延迟容限；

任务可以由车辆利用自身资源进行本地执行，也可以以V2I形式通过RSU卸载到MEC服务器执行，或者以V2V形式卸载到周边车辆，si,j表示在小区j中车辆i的卸载决策，如果车辆将任务卸载到MEC服务器上，si,j＝1，否则，si,j＝0；

每辆车的计算能力 不同，当任务τi,j在本地计算时的计算执行时间表示为：车辆在本地执行的能量消耗也可表示为： 其中k＝10-26是取决于芯片架构的系数，考虑到 同时影响计算时间和能量消耗，通过动态电压和功率缩放技术来调度CPU周期频率；

当输入数据通过基站传输给MEC服务器时，在MEC服务器和基站之间的传输支出可忽略不计，假设有N个信道，车辆在信道n上接入基站，上行传输速率可表示为：其中 为每个信道的带宽,B是总的带宽，pi,j,n和hi,j,n分别是在信道n上车辆i和基站j之间的传输功率和信道增益，σ2是噪声功率，Ii,j,n是指在相同信道中，小区j中的车辆i与相邻小区中的其他车辆间的干扰，其表达式如下：因此，在小区j中车辆i的总上行传输速率为： 其中ai,j∈{0,1}，ai,j＝

1表示信道n被分配给小区j中的车辆i去卸载任务，否则，ai,j＝0；

由于上传时间和在MEC上的计算时间共同组成了总的边缘计算执行时间，可表示为：这里的fC是MEC服务器的CPU周期频率，在MEC上的总能耗为：在任务执行过程中，时延和能耗对于车辆是至关重要的，这取决于车辆用户的经验和电池能量的限制，通常，权重因子ωi,j(ωi,j∈[0,1])是时延和能耗之间的权衡，为了满足用户的需求，通过调整权重因子可以节省能源和降低时延，故把电池的剩余能量率加到权重因子中，其中 是电池的最大剩余能量，Etotal是电池容量，新的权重因子可定义为：车辆i在小区j中，其任务在本地计算的总开销可以表示为时延和能耗的加权和：令 相应地，任务在本地计算的开销可以简化成：

同样，任务在MEC上计算的开销可以表示为：

此时，总的开销可以表示为：

3.根据权利要求1所述的车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征在于，通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案，建立目标规划问题包括：多小区场景下考虑任务在本地和上传到MEC上计算的时延和能耗的折衷；

优化目标是在系统需求和时延约束下，最小化系统总的开销，规划问题如下：其中，约束条件C1表示执行任务的最大容忍延迟；C2确保能耗不能超过车辆用户的剩余能量；C3将本地CPU周期频率限制为一组有限的值；C4保证最大传输功率；C5表示卸载决策作为二进制变量，本地计算的开销可以通过对 求偏导并令 为0，可获得最优的将 带入到 中，可得到最优的本地开销因此p1问题可写成：

给定卸载决策s，鉴于任务卸载策略s与MEC上的开销成为已知量，因此可以写出问题p21：约束条件C1可写成 其中 对于所有的可行解，χi是 的

上限，因此将上述p21中的 均用si,jχi代替，得到以下凸近似问题p22：2

明显，p2除了离散子载波分配值ai,j,n之外，几乎是一个严格凸的问题，将ai,j,n放松到[0,1]之间的连续变量，写出拉格朗日表达式：对于固定的s，我们可以解决问题p22以获得最佳功率和子载波分配策略，因此，以下条件对于功率分配的最优性是必要和充分的：然后在子载波n上用户i就可以获得最优的功率

一旦最优功率 计算出来了，最优信道分配也可通过

获得：

上式的导数独立于ai,j,n，这意味着最优值的出现在可行域的边界或者导数为空，因此在可行区域内获得最佳子载波分配，回顾每个用户只能分配一个信道，故最优信道分配为：双变量矩阵λ1，λ2，λ3，λ4使用相应的子梯度更新：

λ3(m+1)＝λ3(m)+μc(ai,j,npi,j,n-pmax)这里的μa,μb,μc是梯度算法的步长；

给定功率和子载波分配策略 其优化目标可以写成：

这里的最优化问题对于si,j是凸的，如果满足C6: 的约束条件，那么最优卸载策略 就找到了：最优卸载策略成为最小成本搜索问题。

4.根据权利要求1所述的车联网下基于MEC的能量感知卸载和能量延迟折衷方案，其特征在于，所述步骤103通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案；

在车载网络任务卸载问题中，MEC服务器计算资源有限，网络间干扰严重，所有任务都无法卸载到MEC服务器上，应合理确定计算卸载决策，能耗和延迟对车辆用户都具有重要意义，能量消耗和延迟主要取决于将任务卸载到MEC服务器时的传输功率和通信信道，根据电池的服务条件和用户特定的需求，应该定义用户偏好(即，加权因子)以允许车辆用户选择不同的最佳目标，因此，基于上述考虑，我们的方案联合优化计算卸载和资源分配，以考虑有限的电池寿命和延迟敏感任务在能耗和延迟之间进行权衡，因此构建MEC计算卸载和资源分配的整合框架；

在多小区场景中，我们的目标是共同考虑本地CPU周期频率调度，功率和信道分配，干扰管理和计算卸载，以最小化车辆用户的能量消耗和执行延迟的加权和，由于两个二元变量，大量变量，干扰项的存在，问题是难以处理的MINLP变量，因此，问题是非凸和NP难的，通过双层优化方法，原始的NP难问题被解耦为寻求最优功率，信道分配和任务卸载方案；

所提出的算法包括三个部分：一个是找到最优的本地计算开销，另一个是找到最优的信道分配和最优的功率分配，最后一个实现最优的计算卸载，具体实现过程如下：

103-1-A:输入：车辆i的任务集合 卸载决策si,j，功率分配精度ε，总的卸载决策类型Oi,j，最大迭代次数Id

103-1-B:输出：卸载决策si,j，最优功率分配 最佳信道分配 车辆用户总的开销G

103-1-C:初始化功率分配矩阵P，公式(1)中的价值矩阵φ

103-1-D:计算本地CPU周期频率f*,fl,fh，对 中 的求导，可得： 再根据约束条件确定频率的上下限：

103-1-E:根据103-1-D算出来的频率来确定本地计算的最佳开销

103-1-F:根据103-1-E算出来的最佳本地开销 带入到优化目标中，此时的 是一个常量，需找到卸载到MEC的最优功率分配，最佳信道分配和最优卸载决策

103-1-G:通过迭代搜索法并根据公式(2)可找到最优卸载。