1.一种基于复合优先经验回放采样的车联网资源优化方法，其特征在于，包括以下步骤：步骤1，问题建模与目标定义；

步骤2，设计状态空间和动作空间；

步骤3，设计奖励函数，用于指导智能体获得最大回报，以选择最优策略；

步骤4，建立基于多智能体深度确定性梯度策略MADDPG的资源分配优化算法，用于提升车辆间V2V通信链路负载传输成功率以及最大化车辆到基础设施V2I通信链路总容量；

步骤5，建立基于复合优先经验回放采样的多智能体深度确定性梯度策略Cop‑MADDPG算法，用于提升MADDPG算法的收敛性与稳定性，进一步优化功率控制策略；

步骤1包括：基于蜂窝网络的车联网具备车辆间V2V通信链路和车辆到基础设施V2I通信链路；车辆到基础设施V2I通信链路通过蜂窝接口将车辆与基站连接，当所有车辆只有一个天线时，车辆间V2V通信链路和车辆到基础设施V2I通信链路的集合分别表示为K＝{0,…,K}与M＝{0,…,M}，其中K、M分别代表车辆间V2V通信链路的数量和车辆到基础设施V2I通信链路的数量；

步骤1还包括：在时间段X1里，m号子带的k号车辆间V2V通信链路信道功率增益被描述为：gk[m]＝ahhk[m] (1)

其中，hk[m]是小规模衰落的功率量；ak代表的是与频率分量无关的大规模衰减；

步骤1还包括：设定gk′,k[m]表示k′号车辆间V2V通信链路发送端利用m号子带到达k号车辆间V2V通信链路的干扰信道；将m号子带从k号车辆间V2V通信链路发送端到基站的信道增益表示为gm,B[m]，在m号子带上从m号V2I链路发送端的发射功率信号的功率表示为gm,k[m]，令 表示m号车辆到基础设施V2I通信链路发送端的信号功率，m号子带上的k号车辆间V2V2

通信链路发送端的发射功率为 σ表示噪声功率，则在m号子带上的m号车辆到基础设施V2I通信链路上所能接收到的信号与干扰噪声的比例，即信干燥比的表达式为：在m号子带上的k号车辆间V2V通信链路上能够接收到的信干燥比的表达式为：其中，Ik[m]为干扰功率的大小；ρk[m]代表的是一个频谱选择变量，它的含义为：如果k号车辆间V2V通信链路在m号子带上传输，ρk[m]＝1，否则为0；

如果所有的车辆间V2V通信链路仅仅只能够同一个正交子带相接，W是每个频谱自带的带宽，根据香农公式，m号车辆到基础设施V2I通信链路在m号子带上的容量 的表达式为：得到k号车辆间V2V通信链路在m号子带上的信道容量 的表达式为：设定B为在一定周期下所生成的V2V的有效载荷的大小，ΔT表示相干信道的时间，t表示相干时间的索引， 表示所有V2V链路的瞬时容量和，则在规定时间T内，容量为B的数据包的传输速率P的表达式为：优化资源分配问题表示为：如果对于所有的k∈K，m∈M，车辆间V2V通信链路的传输功率为一个连续且可变的量 并且最大化车辆到基础设施V2I通信链路的总容量与传输速率；

步骤2包括：对于状态空间，当时间步为t时，提前设定好智能体k的环境状态 设定两个以上智能体所处的状态空间为St，当智能体选择各自的动作以后形成联合动作At；当所有的智能体同时执行完动作后获得的奖励为Rt，智能体k此时所处的状态 通过概率进行到下一时刻的状态 对于单个智能体k，得到自身局部环境的状态与动作 并且不能获取到整体信道的条件与其余智能体所采取的动作信息；单个智能体k所能获取到的局部信道信息包括了自身信道增益gk[m]，其余车辆间V2V通信链路发送端的干扰信道为gk,k′[m]，其中所有的m∈M，智能体k自身发送端到达基站的干扰信道为gk,B[m]，以及所有车辆到基础设施V2I通信链路发送端的干扰信道gm,k[m]；智能体k所能获取到的状态为：对于动作空间，把资源分配问题映射成车辆间V2V通信链路发射功率的连续控制问题，车辆间V2V通信链路发射端的发射功率的取值范围为 为车辆间V2V通信链路发射端发射功率的最大值，单个智能体k的动作策略表达式为：步骤3包括：将车辆到基础设施V2I通信链路瞬时容量和表示为 将车辆间V2V通信链路的传输速率设置为奖励值Lk，有效负载交付完成后，将奖励设置为常数β，当在t时间步内车辆间V2V通信链路的有效负载成功传输的累计奖励Lk(t)表示为：奖励函数Rt表达式为：

其中μ是权重，0<μ<1；

将干扰链路智能体自身发送端到达基站的干扰信道表示为gm，k[m]，负向奖励因子为ε，

0<ε<1，则奖励函数的表达式为：

步骤4包括：所述基于多智能体深度确定性梯度策略MADDPG的资源分配优化算法包括Actor网络和Critic网络，所述Actor网络会不断搜集环境状态，然后根据策略来进行对应的动作，所述Critic网络用策略Qk(*)来评价Actor网络所进行动作的好坏；令智能体k的输k k入状态为 即时奖励 的折扣因子为γ，则DDPG算法的状态和动作值函数Qk(S，A)的表达式为：k k k k′ k′

Qk(S，A)＝E[R+γQ(S ，A )] (13)

首先智能体k会得到一个最优策略 并且通过不断地学习与该策略 相对应的状态和动作值函数直到收敛为止；

MADDPG算法采用双网络结构，包括评估网络和目标网络，所述评估网络包括Actor评估网络和Critic评估网络，Actor评估网络的参数为 Critic评估网络的参数为 目标网络包括Actor目标网络和Critic目标网络，Actor目标网络的参数为 Critic目标网络的参数为 第k个智能体的奖励为 则损失函数 的表达式为：其中，Q′k(*)是目标网络的动作和状态值函数；E是数学期望； 与均是条件概率；

当Actor通过不断地交互做出相应的动作，并且所有的智能体都在寻求累计奖励最大化，此时以策略目标函数的最大化来改变Actor的参数，目标函数 表达式为：其中，μ(*)代表的是一种状态映射动作的确定性策略πk的Actor评估网络函数；

利用一个靠近于0的常量ω来改变目标网络的参数，表达式为：

2.根据权利要求1所述的方法，其特征在于，步骤4还包括：所述基于多智能体深度确定性梯度策略MADDPG的资源分配优化算法包括集中学习和分布执行：每一组的评估网络和目标网络都被视为一个单独的智能体，在集中式的训练过程中，智能体k不仅要从局部状态中获取状态信息 和当前正在进行的动作 还需要获取其他智能体的状态和动作信息 状态信息

当前正在进行的动作 其他智能体的状态 和动作信息

被储存在第k个智能体的经验池中，用于后续的集中式训练

评估网络。

3.根据权利要求2所述的方法，其特征在于，步骤5包括：引入复合优先级，所述复合优先级包括基于时间差误差TD‑error的优先级和基于实时回报的优先级；复合优先经验回放的采样方法包括如下步骤：k k

步骤5‑1，利用Q值计算时间差误差TD‑error，Q值即状态和动作值函数Qk(S，A)；

步骤5‑2，利用公式(18)定义优先级的先后：

其中，rt表示经验的实时回报，代表的是常量，ωt表示时间差误差；Yi为基于立即回报的优先级，Yf为基于TD‑error的优先级；

步骤5‑3，将经验池中的经验按照步骤5‑2中所得到的优先级进行排序获得序列rankf与ranki，其中ranki为高优先级，rankf为低优先级，并且利用公式(19)计算出所有经验的复合优先级uk：其中Yk表示复合优先级的程度，α代表概率权重，当α＝0时代表均匀采样；

步骤5‑4，将n表示为经验的数量，则第s个样本经验被采样的概率Ps的表达式为：

4.一种电子设备，包括处理器和存储器，所述存储器存储有程序代码，当所述程序代码被所述处理器执行时，使得所述处理器执行如权利要求1至3中任一项所述的方法的步骤。