1.一种车联网任务卸载方法，其特征在于，方法包括：建立车联网任务卸载的网络拓扑结构；

通过网络拓扑结构获取车辆的任务的特征信息，以及服务器的特征信息；

基于车联网任务卸载的网络拓扑结构建立以时延、能耗和服务质量为优化目标的优化函数；

基于优化函数建立马尔可夫决策过程模型，并配置马尔可夫决策过程模型的状态空间、动作空间和奖励函数，其中状态空间对应任务的特征信息和服务器的特征信息，动作空间包含任务卸载的执行主体；

依据车联网任务卸载在不同环境下的样本集对元学习算法模型的模型参数进行训练，得到元学习算法模型的元初始化参数；

通过元初始化参数初始化A3C算法模型的网络参数，利用初始化网络参数后的A3C算法模型求解马尔可夫决策过程模型，得到任务卸载决策。

2.根据权利要求1所述的一种车联网任务卸载方法，其特征在于，任务的特征信息包括任务卸载所需的存储资源、计算资源以及最大容忍时延；

服务器的特征信息包括服务器的存储资源和计算资源，其中，服务器包括边缘服务器和云服务器。

3.根据权利要求1所述的一种车联网任务卸载方法，其特征在于，优化函数的计算式为：其中， 表示传播时延， 表示排队时延， 表示处理

时延；

其中， br,i表示第r俩车上的第i个子任

务的卸载决策，相应的，br,i＝b0表示在本地执行任务的卸载，若br,i＝b1则表示将任务卸载到对应的边缘服务器上执行，br,i＝b2表示将任务卸载到相邻的边缘服务器上执行，若br,i＝b3则表示将该任务卸载到云服务器上进行执行；elocal、eedge和ecloud分别表示本地设备、边缘服务器和云服务器运行每一个CPU周期所需要消耗的能量；

其中，

4.根据权利要求1所述的一种车联网任务卸载方法，其特征在于，任务卸载的执行主体包含任务卸载到本地车辆上处理，或卸载到对应的边缘服务器上处理，或卸载到与边缘服务器相邻的边缘服务器上处理，或卸载到在云服务器上处理。

5.根据权利要求1所述的一种车联网任务卸载方法，其特征在于，奖励函数的计算式为Ri＝‑ξ1Ti‑ξ2Ei+ξ3Qi，其中，其中ξ1、ξ2、ξ3分别表示时延模型、能耗模型、服务质量模型的权重，且同时满足： 其中，Ti表示时延模型，Ei表示能耗模型，Qi表示服务质量模型。

6.一种车联网任务卸载系统，其特征在于，系统包括：第一模块，用于建立车联网任务卸载的网络拓扑结构；

特征信息获取模块，用于通过网络拓扑结构获取车辆的任务的特征信息，以及服务器的特征信息；

第二模块，用于基于车联网任务卸载的网络拓扑结构建立以时延、能耗和服务质量为优化目标的优化函数；

第三模块，用于基于优化函数建立马尔可夫决策过程模型，并配置马尔可夫决策过程模型的状态空间、动作空间和奖励函数，其中状态空间对应任务的特征信息和服务器的特征信息，动作空间包含任务卸载的执行主体；

训练模块，用于依据车联网任务卸载在不同环境下的样本集对元学习算法模型的模型参数进行训练，得到元学习算法模型的元初始化参数；

决策求解模块，用于通过元初始化参数初始化A3C算法模型的网络参数，利用初始化网络参数后的A3C算法模型求解马尔可夫决策过程模型，得到任务卸载决策。

7.根据权利要求6所述的一种车联网任务卸载系统，其特征在于，特征信息获取模块，具体还用于：任务的特征信息包括任务卸载所需的存储资源、计算资源以及最大容忍时延；

服务器的特征信息包括服务器的存储资源和计算资源，其中，服务器包括边缘服务器和云服务器。

8.根据权利要求6所述的一种车联网任务卸载系统，其特征在于，第二模块，具体还用于：优化函数的计算式为：

其中， 表示传播时延， 表示排队时延， 表示处理

时延；

其中， br,i表示第r俩车上的第i个子任

务的卸载决策，相应的，br,i＝b0表示在本地执行任务的卸载，若br,i＝b1则表示将任务卸载到对应的边缘服务器上执行，br,i＝b2表示将任务卸载到相邻的边缘服务器上执行，若br,i＝b3则表示将该任务卸载到云服务器上进行执行；elocal、eedge和ecloud分别表示本地设备、边缘服务器和云服务器运行每一个CPU周期所需要消耗的能量；

其中，

9.根据权利要求6所述的一种车联网任务卸载系统，其特征在于，第三模块，具体还用于：任务卸载的执行主体包含任务卸载到本地车辆上处理，或卸载到对应的边缘服务器上处理，或卸载到与边缘服务器相邻的边缘服务器上处理，或卸载到在云服务器上处理。

10.一种电子设备，包括处理器和存储有计算机程序的存储器，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5任一项所述一种车联网任务卸载方法的步骤。