1.一种车联网中任务卸载和资源分配联合优化方法，其特征在于，包括：步骤S1、构建超可靠低时延通信URLLC车辆用户与增强移动带宽eMBB车辆用户共存的移动边缘计算MEC系统模型；

步骤S2、基于所述MEC系统模型，以系统中所有URLLC车辆用户和eMBB车辆用户时延和能耗的平均成本最小化为目标，以URLLC车辆用户时延约束以及MEC服务器计算资源总量限制为约束条件，构建MEC系统URLLC/eMBB任务卸载和资源分配联合优化模型；

步骤S3、采用基于遗传算法的启发式算法对所述联合优化模型进行求解，获得eMBB车辆用户的最优任务卸载率、URLLC车辆用户的最优任务卸载决策和所有车辆用户的计算资源分配方案，包括：步骤S31：设定初始计算资源分配矩阵 ，URLLC车辆用户的任务卸载决策 ，设置当前迭代次数为 ；

步骤S32：将 和 代入联合优化模型，转化为优化问题P2，通过遗传算法求解得到eMBB车辆用户的任务卸载率 ；

步骤S33：将 和 代入联合优化模型，转化为优化问题P3，通过遗传算法求解得到URLLC车辆用户的任务卸载决策 ；

步骤S34：将 和 代入联合优化模型，转化为优化问题P4，通过遗传算法求解得到资源分配方案 ；

步骤S35：判别相邻两次目标函数 的增长值是否小于阈值 ；

步骤S36：若增长值不小于阈值 ，则 ，并返回重复执行步骤S32至步骤S35；

若增长值小于阈值 ，输出当前eMBB车辆用户的最优任务卸载率 、URLLC车辆用户的最优任务卸载决策 和计算资源分配方案 。

2.根据权利要求1所述的车联网中任务卸载和资源分配联合优化方法，其特征在于，所述步骤S1包括：基于MEC的车联网包括 辆单向行驶在道路上的车辆，道路沿线有 个路边单元RSU，每个RSU都配备一个MEC服务器；定义RSU的集合为 ， 个eMBB车辆用户集合表示为 ，和 个URLLC车辆用户集合表示为 ；每辆车有且仅有一个计算任务 ，其中 表示该计算任务的数据量大小，为完成一个输入数据位所需的CPU周期数， 代表任务 所能容忍的最大时延；

个车辆产生的任务集合表示为 ；信道带宽为，根据车辆数量对信道带宽进行平均分配；设所有RSU的计算能力都是相同的，记作，用 来表示eMBB车辆用户的计算能力，用 来表示URLLC车辆用户的计算能力；

所述MEC系统模型包括：URLLC车辆用户和eMBB车辆用户的传输速率、时延、能耗以及总成本的计算模型；

S1.1、URLLC车辆用户和eMBB车辆用户的传输速率：在给定的解码错误概率 和有限块长 字节下，URLLC车辆用户的传输速率 为：，

其中 是子载波带宽， 是发射功率， 是无线信道的传输噪声， 是 函数的逆函数， 表示URLLC车辆用户与RSU之间的信道增益，表示为：，

其中 是车辆和RSU之间的距离； 是信道色散，表示为：；

eMBB车辆用户的传输速率 为：

，

其中 是子载波带宽， 是发射功率， 是信道的白噪声频谱， 表示eMBB车辆用户与RSU之间的信道增益；

S1.2、URLLC车辆用户和eMBB车辆用户的时延：S1.2.1、将卸载决策表示为 ， 表示卸载计算，否则本地计算； 是URLLC车辆用户 的计算能力，由放置在车辆上的车载单元OBU确定；

若选择本地计算，则URLLC车辆用户 的本地计算时延为：；

若选择卸载计算，URLLC车辆用户 的卸载计算时延为 ， 是任务传输时延， 是任务计算时延；结合传输速率模型，任务传输时延 表示为：；

MEC服务器为每辆URLLC车辆用户 分配的计算资源为 ，任务计算时延 表示为：，其中 为完成一个输入数据位所需的CPU周期数， 为该计算任务的数据量大小；

URLLC数据包的大小都相同，分配给URLLC车辆用户的计算资源 表示为：，

其中 为RSU分配给所有URLLC车辆用户的计算资源，表示为：，

其中 为分配因子，则 为RSU分配给所有URLLC车辆用户的计算资源占RSU全部计算资源的比例；

URLLC车辆用户的卸载计算时延 表示为:；

则URLLC车辆用户的总任务执行时延 为:；

S1.2.2、对于数据包较长的eMBB任务，采用部分卸载，一部分在本地计算一部分在MEC服务器计算；eMBB车辆用户任务需要计算的总的数据量大小为 ，用 表示在本地处理的数据量占 的总数据量的比例，在本地处理的数据量为 ，需要卸载的数据量为；

本地处理时延计算如下:

；

卸载计算时延为 ， 是任务传输时延， 是任务计算时延；结合传输速率模型，任务传输时延 表示为：；

设MEC服务器为eMBB车辆用户分配的计算资源为 ，则任务计算时延 表示为：；

基于加权比例分配的计算资源分配，分配给eMBB车辆用户的计算资源 表示为：，

其中 为RSU分配给所有eMBB车辆用户的计算资源，表示为：，

其中 为分配因子，即RSU分配给所有eMBB车辆用户的计算资源占RSU全部计算资源的比例；

MEC服务器分配给URLLC车辆用户的CPU容量和MEC服务器分配给eMBB车辆用户的CPU容量不能超过MEC服务器的总容量：，

eMBB车辆用户的任务在本地计算和卸载到MEC服务器计算是同时进行的，因此eMBB车辆用户的总任务执行时延 为:，

S1.3、URLLC车辆用户和eMBB车辆用户的设备能耗：对于URLLC任务，若选择本地计算，URLLC车辆用户 的本地计算能耗 为：，

其中 表示不同URLLC车辆用户的计算能力， 是系统常数；

若选择卸载计算，URLLC车辆用户 的卸载计算能耗 表示为:，

eMBB车辆用户的本地计算能耗 表示为:，

其中 表示不同eMBB车辆用户的计算能力；

eMBB车辆用户的卸载计算能耗 表示为:，

S1.4、URLLC和eMBB车辆用户的时延和能耗的总成本函数；

URLLC车辆用户 的时延和能耗的总成本 表示为：，

eMBB车辆用户 的时延和能耗的总成本 表示为；

，

其中， 表示URLLC车辆用户的卸载决策， 表示卸载计算， 表示本地计算； 、 为加权因子，表示对时延和能耗的不同偏好。

3.根据权利要求1所述的车联网中任务卸载和资源分配联合优化方法，其特征在于，系统中所有URLLC车辆用户和eMBB车辆用户时延和能耗的平均成本 表示为：，

其中M表示eMBB车辆用户的总数，N表示URLLC车辆用户的总数， 表示eMBB车辆用户的时延和能耗的总成本， 表示URLLC车辆用户 的时延和能耗的总成本。

4.根据权利要求3所述的车联网中任务卸载和资源分配联合优化方法，其特征在于，构建MEC系统URLLC/eMBB任务卸载和资源分配联合优化模型，包括：定义 为URLLC车辆用户的任务卸载决策， 为eMBB车辆用户的任务卸载决策， 为计算资源分配矩阵， 、分别表示MEC服务器分配给eMBB车辆用户 、URLLC车辆用户 的计算资源，联合优化模型P1描述为:；

其中C1表示二进制卸载约束，URLLC车辆用户的任务只能本地计算或者完全卸载；C2保证eMBB车辆用户的卸载数据大小必须小于总输入数据大小；C3表示分配给eMBB和URLLC车辆用户的总计算资源应小于系统中MEC服务器的最大计算能力 ；C4和C5表示各个用户的执行时延不超过最大可容忍时延 。

5.根据权利要求4所述的车联网中任务卸载和资源分配联合优化方法，其特征在于，当给定 ， 时，联合优化模型P1转化为优化问题P2：；

此时，联合优化模型P1转化为关于 的优化问题P2，采用遗传算法进行求解得到eMBB车辆用户的任务卸载率。

6.根据权利要求4所述的车联网中任务卸载和资源分配联合优化方法，其特征在于，将eMBB车辆用户的任务卸载决策 代入联合优化模型P1，当给定 时，联合优化模型P1转化为优化问题P3：；

此时，联合优化模型P1转化为关于 的优化问题P3， 为0‑1整数变量，采用遗传算法进行求解得到URLLC车辆用户的任务卸载决策。

7.根据权利要求4所述的车联网中任务卸载和资源分配联合优化方法，其特征在于，将URLLC车辆用户的任务卸载决策 和eMBB车辆用户的任务卸载决策 代入联合优化模型P1，得到优化问题P4：；

此时，联合优化模型P1转化为关于 的优化问题P4，采用遗传算法进行求解得到计算资源分配方案。

8.一种车联网中任务卸载和资源分配联合优化装置，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1至7任一项所述方法的步骤。

9.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7任一项所述方法的步骤。