基于車聯(lián)網(wǎng)的邊緣計算低能耗任務卸載方法

摘要：隨著智能交通和綠色出行領(lǐng)域的蓬勃發(fā)展，針對車輛網(wǎng)絡(luò)低時延業(yè)務需求和能源節(jié)約的雙重挑戰(zhàn)，提出了一種基于車聯(lián)網(wǎng)通信的邊緣計算低能耗卸載方法。在多車單小區(qū)場景的公共路段中，探討了行駛中車輛的任務卸載需求，并對計算資源的分配問題進行了系統(tǒng)研究。為充分利用計算資源，不僅考慮了車輛自身的計算能力，還提出了將任務卸載至同向行駛或路邊停放的車輛服務器，以及路邊單元的邊緣服務器的新思路，實現(xiàn)了計算資源的有效整合與高效共享，顯著提升了車輛網(wǎng)絡(luò)的處理能力。采用了改進的粒子群優(yōu)化算法，對卸載功率和任務分配比例進行優(yōu)化。通過大量仿真實驗驗證，該方法顯著降低了車輛處理任務的能耗，同時提升了車輛網(wǎng)絡(luò)的服務質(zhì)量和能源使用效率。有助于推動綠色交通和可持續(xù)發(fā)展，為未來智能交通系統(tǒng)的能源優(yōu)化和效率提升奠定了堅實的基礎(chǔ)。

關(guān)鍵詞：車聯(lián)網(wǎng)；邊緣計算；改進粒子群算法；低能耗

中圖分類號：TN92""" 文獻標志碼：A""" 文章編號：1002-4026（2025）01-0096-09

開放科學（資源服務）標志碼（OSID）：

DOI：10.3976/j.issn.1002-4026.20240064【交通運輸】

收稿日期：2024-04-24

基金項目：山東省自然科學基金面上項目（ZR2021MF103）

作者簡介：李立娟（1996—），女，碩士研究生，研究方向為車聯(lián)網(wǎng)邊緣計算任務卸載。E-mail： 18805692268@163.com

*通信作者，李研強（1977—），男，研究員，研究方向為自動駕駛、5G。E-mail： liyq@sdas.org， Tel：15254187758

Low-energy task-offloading method based on edge computing

in internet of vehicles

LI Lijuan1，LI Yanqiang1*，TONG Xing2，WANG Yong1，ZHONG Zhibang1

（1. Institute of Automation， Qilu University of Technology （Shandong Academy of Sciences）， Jinan 250014， China；

2. Shandong High-speed Information Group Co.， Ltd.， Jinan 250002， China）

Abstract∶With the extensive development of intelligent transportation and eco-friendly travel， a low-energy task-offloading method based on edge computing in the internet of vehicles （IoV） is proposed to address the dual challenges of low-latency service demands and energy conservation in the IoV. In the context of multivehicle single-cell scenarios on public roads， this study explores the task-offloading requirements of vehicles in motion and systematically investigates the allocation of computational resources. To fully utilize computing resources， this study not only considers the computing power of vehicles but also introduces a new approach for offloading tasks to vehicle servers traveling in the same direction or parked along the roadside as well as to edge servers in roadside units. This enables the effective integration and efficient sharing of computing resources， thereby remarkably enhancing the processing capabilities of the IoV. Furthermore， this study employs an improved particle swarm optimization algorithm to optimize offloading power and task allocation ratios. Extensive simulation tests revealed that the proposed method significantly reduced the energy consumption of vehicle tasks and improved the service quality and energy efficiency of the IoV.It helps to promote green transportation and sustainable development， and lays a solid foundation for energy optimization and efficiency improvement of future intelligent transportation systems.

Key words∶internet of vehicles; edge computing; enhanced particle swarm algorithm; low energy

移動邊緣計算作為一種應對車輛高質(zhì)量服務訴求的關(guān)鍵新興框架，為解決車聯(lián)網(wǎng)系統(tǒng)的性能瓶頸和能效問題帶來了革新性的解決路徑［1］。在全球能源安全議題日益凸顯的背景下，節(jié)能減排已經(jīng)成為國際社會普遍追求的核心目標之一，而在車聯(lián)網(wǎng)這一特定應用場景中，能源消耗的有效管理顯得尤為重要［2］。通過實施低能耗的任務卸載策略，能夠在有限能量約束下增加任務處理容量，同時縮減運營成本，順應了低碳環(huán)保的發(fā)展趨勢。

現(xiàn)有文獻對任務卸載的研究大多側(cè)重于時延與能耗之間的權(quán)衡，或是僅僅關(guān)注整體任務執(zhí)行過程中的能耗最小化，卻相對忽視了從個體車輛層面出發(fā)，針對性地尋求實現(xiàn)單體車輛最低能耗的研究空白［3］。與此同時，對于車聯(lián)網(wǎng)任務卸載及其資源分配機制的探索，雖已有不少工作集中在行駛中車輛或路側(cè)停車車輛的計算資源利用上，但尚缺乏一種兼顧兩者（綜合優(yōu)化任務卸載與資源管理）的統(tǒng)一解決方案［4］。

Huang等［5］聚焦于雙層車聯(lián)網(wǎng)邊緣計算架構(gòu)，通過實施兩階段任務分配策略，增強了固定與移動車輛在云環(huán)境下的協(xié)同作業(yè)能力，旨在提升任務執(zhí)行的效率。Bute等［6］在綜合考量能源消耗、通信與計算資源約束的前提下，針對車輛上的高負載計算任務，設(shè)計了一種實時適應性任務劃分與卸載方案，旨在滿足車聯(lián)網(wǎng)環(huán)境的實時性要求。另外，文獻［7］介紹了一種新穎的啟發(fā)式動態(tài)規(guī)劃方法，該方法融合了自適應優(yōu)先級設(shè)定、任務動態(tài)分解卸載邏輯與車載服務器資源智能配置等多個維度，通過在邊緣計算平臺上實施車輛目標識別應用案例，并對諸如計算延遲、能耗和檢測精確度等關(guān)鍵指標進行實測分析，有力證明了該策略的有效性。

因此，本文致力于開發(fā)一種基于蜂窩車聯(lián)網(wǎng)技術(shù)的邊緣計算驅(qū)動的智能互聯(lián)任務卸載機制，其目標在于科學合理地調(diào)配計算資源，以期最大限度地降低能耗，進而推動綠色交通體系的建設(shè)。采用了經(jīng)過改良

的粒子群優(yōu)化算法對提出的策略進行了大規(guī)模仿真驗證，實證研究表明，該方法在節(jié)能降耗方面表現(xiàn)出顯著的優(yōu)勢，

有力地證實了其在促進車聯(lián)網(wǎng)可持續(xù)發(fā)展方面的理論價值與實踐意義。

1" 系統(tǒng)模型

選取城郊公路路段中某個路邊單元（roadside units， RSU）覆蓋區(qū)域，如圖1所示。在這一區(qū)域內(nèi)，移動邊緣計算（mobile edge computing ， MEC）設(shè)施附屬在RSU上，為有服務需求的車輛用戶提供通信和計算資源支持。當該區(qū)域內(nèi)車輛在行駛過程中產(chǎn)生任務服務需求時，除了依靠車輛本地計算資源外，還可以將計算任務發(fā)送至周圍同向行駛的車輛服務器、路邊停泊的車輛服務器以及路邊單元的邊緣服務器中進行處理。

在任務車輛i的行駛過程中，生成的任務用（S，K）表示，其中S為任務大?。∕B），K為任務計算密度（cycles/bit）。首先，將車輛i產(chǎn)生的需要處理的任務進行分塊，劃分成若干個互不相干的獨立小塊，為子任務塊。然后，根據(jù)車輛產(chǎn)生任務時的初始位置、車輛的行駛速度、車輛自身服務器計算能力以及邊緣服務器和其他車輛服務器的計算能力，決定每個子任務塊的卸載方案。αn為多個子任務以車輛與車輛（vehicle-to-vehicle， V2V）通信方式卸載給與任務車輛i同向行駛的第n個車輛服務器的任務占總?cè)蝿樟康谋壤虼?，∑Nn=1αnS為以V2V通信方式卸載給N個同向行駛車輛的總?cè)蝿樟?；δm為多個子任務以V2V通信方式卸載給路邊停止的第m個車輛服務器的任務占總?cè)蝿樟康谋壤?，因此，∑Mm=1δmS為以V2V通信方式卸載給M個路邊停止車輛的總?cè)蝿樟?；β為部分子任務以車輛與基礎(chǔ)設(shè)施（vehicles-to-infrastructure， V2I）通信方式卸載給邊緣服務器的任務占總?cè)蝿樟康谋壤?，βS為部分子任務通過V2I通信方式卸載的總?cè)蝿樟?，因?－∑Nn=1αn－∑Mm=1δmS為本地處理任務量。

1.1" 通信模型

V2V和V2I兩種通信模式所用頻譜資源為不同頻段，互不干擾。

（1）V2I傳輸速率

基于香農(nóng)-哈特利理論，可以得到車輛i將部分子任務發(fā)送給邊緣服務器的上行傳輸速率RV2I：

RV2I=BV2Ilog21+pV2IdV2I－γh2N0BV2I，（1）

式中，dV2I為邊緣服務器與車輛i的距離；BV2I為邊緣服務器分配帶寬；pV2I為發(fā)送給邊緣服務器的卸載功率；h表示信道增益，即準靜態(tài)平坦瑞利信道系數(shù)；γ為路徑損耗指數(shù)，為常數(shù)，通常取值范圍為2.5～4.0；N0為邊緣服務器接收端噪聲功率譜密度。

（2）V2V移動車輛通信距離和傳輸速率

首先，對于車輛i與其他同向行駛車輛n之間的距離dn即為系統(tǒng)模型圖1中的dV2V（M），設(shè)車輛i與同向行駛車輛n均為勻速行駛且速度同為v，所以dn為常數(shù)且為定值。

其次，根據(jù)香農(nóng)-哈特利理論，可以得到車輛i將多個子任務發(fā)送給行駛中的車輛服務器的上行傳輸速率RV2V（M）：

RV2V（M）=Bnlog21+pndn-γh2N0Bn， n=1，2，…，N，（2）

式中，Bn為車輛n服務器分配帶寬；pn為卸載功率；h表示信道增益，即準靜態(tài)平坦瑞利信道系數(shù)；γ為路徑損耗指數(shù)，為常數(shù)，通常取值范圍為2.5～4.0；N0為車輛服務器接收端噪聲功率譜密度。

（3）V2V停泊車輛通信傳輸速率

基于香農(nóng)-哈特利理論，可以得到車輛i將多個子任務發(fā)送給停止的車輛服務器的上行傳輸速率RV2V（p）：

RV2V（p）=Bmlog21+pmdV2V（p）－γh2N0Bm，m=1，2，…，M，（3）

式中，dV2V（p）為車輛i與路邊停泊車輛之間的距離；Bm為車輛m服務器分配帶寬；pm為卸載功率；h表示信道增益，即準靜態(tài)平坦瑞利信道系數(shù)；γ為路徑損耗指數(shù)，為常數(shù)，通常取值范圍在2.5到4.0之間；N0為車輛服務器接收端噪聲功率譜密度。

1.2" 傳輸能耗模型

車輛i將部分子任務卸載到了邊緣服務器、N個行駛車輛服務器以及M個靜止車輛服務器，接下來將分別計算其相應傳輸能耗。

首先，由下式可得任務車輛i將部分子任務卸載到邊緣服務器產(chǎn)生的傳輸能耗：

EV2I=pV2ItV2I，（4）

式中，tV2I為子任務卸載到邊緣服務器的傳輸時延。tV2I可由下式表示：

∫tV2I0RV2I（p，ξ）dξ=βS。（5）

其次，由下式可得任務車輛i將多個子任務卸載到同向行駛的N個車輛服務器產(chǎn)生的總傳輸能耗EV2V（p）：

EV2V（M）=∑Nn=1pntn，（6）

式中，tn為子任務卸載到第n個車輛服務器的傳輸時延。tn可由下式表示：

∫tn0RV2V（pn，ξ）dξ=αnS，n=1，2，…，N。（7）

最后，由下式可得車輛i將多個子任務卸載到路邊靜止的M個車輛服務器產(chǎn)生的總傳輸能耗EV2V（p）：

EV2V（p）=∑Mm=1pmtm，（8）

式中，tm為子任務卸載到第m個靜止車輛服務器的傳輸時延。tm可由下式表示：

∫tm0RV2Vpm，ξdξ=δmS，m=1，2，…，M。（9）

1.3" 計算能耗模型

在任務處理的整個過程中，除了卸載給其他服務器，部分子任務由車輛i本地計算。按下式計算本地計算的能耗E0：

E0=ηfi21－∑Nn=1αn－∑Mm=1δm－βKS，（10）

其中，η為能量系數(shù)，其大小取決于服務器的芯片結(jié)構(gòu)，可取10－26 J/Hz2；fi為本地服務器的轉(zhuǎn)速，表示服務器的計算能力；K為任務計算密度。

2" 問題建模

本文介紹了一種針對多車單小區(qū)場景的基于車聯(lián)網(wǎng)（C-V2X）的邊緣計算低能耗卸載方法，旨在降低車輛自身任務處理的能耗開銷并合理分配計算資源。接下來，將詳細討論車輛總能耗的目標函數(shù)以及相應的約束條件。由下式可得車輛i卸載以及處理任務消耗的總能量E0：

E0=ηfi21－∑Nn=1αn－∑Mm=1δm－βKS。（11）

通過求解下式所示的目標函數(shù)得到能耗最低時的最優(yōu)卸載功率和最優(yōu)卸載比例，目標函數(shù)及約束條件如下：

P：min ES=pV2ItV2I+∑Nn=1pntn+∑Mm=1pmtm+ηf21－∑Nn=1αn－∑Mm=1δm－βKS

s.t C1：∑Nn=1ωn+∑Mm=1ωm+ωV2I+ω0=ω

C2：∑Nn=1Bn+∑Mm=1Bm+BV2I≤Bmax""""""" C3：t=maxt1，t2，t3，t0

C4：t1=maxtn+tnc

C5：t2=tV2I+tc""""""" C6：t3=maxtm+tmc

C7：p1+p2+…+pn+p′1+p′2+…+pm+pV2I≤p""""""" C8：n=1，2，…，N""""""" C9：m=1，2，…，M，（12）

其中，ωn為卸載到行駛車輛服務器子任務的轉(zhuǎn)速；ωm為卸載到靜止車輛服務器子任務的轉(zhuǎn)速；ωV2I為卸載到邊緣服務器的子任務的轉(zhuǎn)速;ω0為由本車計算的任務轉(zhuǎn)速；ω為本車i任務的總轉(zhuǎn)速；Bn為第n個行駛車輛分配到的帶寬；Bm為第m個靜止車輛分配到的帶寬；BV2I為邊緣服務器分配的帶寬；Bmax為總的帶寬；t為總的任務卸載和處理完成的時間；t1為子任務由行駛車輛服務器處理的總時間；tnc為第n個行駛車輛對子任務的計算時間；tc為邊緣服務器對子任務的計算時間；t2為子任務由邊緣服務器處理的總時間；t3為子任務由靜止車輛服務器處理的總時間；tmc為第m個靜止車輛對子任務的計算時間；t0為子任務由本車服務器計算的時間；p1、p2…pn為子任務卸載到行駛車輛的傳輸功率；p1、p2…pm為子任務卸載到靜止車輛的傳輸功率；pV2I為子任務卸載到邊緣服務器的傳輸功率；p為總的傳輸功率。

上述約束條件，C1表示所有子任務的轉(zhuǎn)速之和等于本車總?cè)蝿盏目傓D(zhuǎn)速；C2表示所有服務器分配的帶寬之和不超過總的帶寬即最大帶寬；C3表示整個過程的時間為子任務卸載到邊緣服務器的處理總時間、子任務卸載到行駛車輛服務器的處理總時間、子任務卸載到靜止車輛服務器的處理總時間以及本地計算時間這四個時間中取一個時間最久的最大值；C4表示子任務卸載到行駛車輛服務器的處理總時間取N個行駛車輛中傳輸與計算時間之和最大的值；C5表示子任務卸載到邊緣服務器的處理總時間為傳輸與計算時間之和；C6表示子任務卸載到靜止車輛服務器的處理總時間取M個靜止車輛中傳輸與計算時間之和最大的值；C7表示所有的傳輸功率之和不超過總的傳輸功率；C8表示除本車以外的其他行駛車輛服務器n一共有N輛；C9表示路邊靜止車輛服務器m一共有M輛。

3" 基于改進粒子群算法的任務卸載及資源分配策略

3.1" 經(jīng)典的粒子群算法

粒子群優(yōu)化（PSO）是一種仿生算法，被廣泛應用于搜索解空間中的最優(yōu)解［8］。相較于其他優(yōu)化算法，PSO的獨特之處在于僅需目標函數(shù)，而不依賴于目標的梯度或微分形式［9］。PSO靈感來源于社會生物學的觀點，認為魚群或鳥群成員在群體中的移動可以通過其他成員的經(jīng)驗繼續(xù)學習。盡管PSO通過模擬群體運動，但也可以將每個個體視為在高維解空間中協(xié)作，助力尋找最優(yōu)解，而群體找到的最優(yōu)解即為該空間的全局最優(yōu)解［10］。

粒子群優(yōu)化算法通過迭代不斷改進，尋找在定質(zhì)量抑制下的候選解決方案。該算法維護一組候選解，這些候選解被稱為粒子。在搜索空間中根據(jù)粒子位置和速度的簡單數(shù)學公式進行移動，以解決問題。每個粒子的運動受到其局部已知最佳解的影響，同時被引導至搜索空間中的已知最佳位置，這些位置將隨著其他粒子找到更好的位置而更新。粒子群優(yōu)化算法以迭代的方式逐步逼近最優(yōu)解，整個過程涉及群體最佳方向的解決方案。經(jīng)典的粒子群算法流程如下圖2所示。

在粒子群算法的初始階段，系統(tǒng)會隨機生成一群隨機粒子，它們的速度vt=0i和位置xt=0i都是通過隨機生成的，每個粒子i都會記錄自身的最佳位置bi，并通過信息共享機制獲取所有粒子在歷史上達到的全局最優(yōu)位置g。一旦得到個體最優(yōu)位置bi和全局最優(yōu)位置g，粒子將根據(jù)以下公式不斷更新迭代自己的速度：

vt+1i=ωvti+c1r1bi－xti+c2r2g－xti，（13）

其中ω∈0，1且c1，c2∈R+，分別表示粒子的慣性權(quán)重和學習因子（加速度系數(shù)）；r1，r2∈0，1是每次迭代中隨機選擇的數(shù)字；ωvti表示粒子的動量因子，用于防止粒子在運動的過程中方向發(fā)生異常地改變；c1r1bi－xti表示認知因子，通過對局部最佳解決方案相關(guān)的性能進行定量評估，促使粒子更加智能地利用其過去的優(yōu)越經(jīng)驗；c2r2g－xti所代表的社會因素，對整個群體所取得的全局最佳解決方案的性能進行了量化，成為了粒子群算法中至關(guān)重要的影響因素。粒子將根據(jù)以下公式不斷更新迭代自己的位置：

xt+1i=xti+vt+1i。（14）

3.2" 改進的粒子群算法（EPSO算法）

通過觀察上式（13），可以得知對于粒子群優(yōu)化（PSO）算法的性能，慣性權(quán)重ω有著顯著的貢獻。研究表明，當慣性權(quán)重ω值較大時，算法具有較強的全局搜索能力，有利于跳出局部最優(yōu)解從而實現(xiàn)全局最優(yōu)解，而當慣性權(quán)重ω值較小時，算法具有強大的局部搜索能力，有助于加速結(jié)果輸出即達到全局收斂。鑒于粒子群算法在小范圍的搜索方面存在一定不足，其優(yōu)化精度相對較低，容易過早陷入局部最優(yōu)解的問題，學術(shù)界一直以來都在努力改進粒子群算法。研究人員致力于提升粒子群算法在小范圍和全范圍內(nèi)的搜索性能，同時著重于提高收斂速度，以防止算法陷入局部最優(yōu)和過早收斂的困境，從而全面提升整體性能。

然而，采用線性減少ω的調(diào)整策略可能帶來結(jié)果的不穩(wěn)定性，使得算法更容易受困于局部最優(yōu)解。即便算法成功跳出局部最優(yōu)解，其收斂速度也可能相當緩慢。這一問題的根源在于線性ω調(diào)整策略采用了統(tǒng)一的權(quán)重變化率，導致粒子在整個搜索過程中缺乏明顯的差異。為了提高算法的穩(wěn)定性和全局搜索性能，有必要采用更為精細和差異化的ω調(diào)整策略。

因此，本研究將粒子群算法與模擬退火算法相結(jié)合。在這種融合中，借鑒了模擬退火算法中新解被接受的概率的概念，并提出了一種新的慣性因子遞減策略ωT，具體表達如下：

ωT=ωmin+e－ΔEk·teωmax－ωmin，（15）

式中，te為模擬退火算法中的溫度;ωmax、ωmin分別表示慣性權(quán)重的最大值和最小值;ΔE=Eb－Ea表示系統(tǒng)從a狀態(tài)變?yōu)閎狀態(tài)時，相應的能量從Ea變化到Eb;k表示波爾茲曼常數(shù)。

改進的算法流程設(shè)計：

（1）初始化。根據(jù)本章低能耗任務卸載問題隨機產(chǎn)生粒子種群以及初始溫度。

（2）根據(jù)目標函數(shù)計算隨機產(chǎn)生粒子的適應度值以及個體最佳值和全局最佳值。

（3）根據(jù)以下改進公式（16）更新粒子速度，并由公式（14）更新粒子位置：

vt+1i=ωmin+e－ΔEk·teωmax－ωminvti+c1r1bi－xti+c2r2g－xti。（16）

（4）判斷是否滿足迭代終止條件，即是否達到迭代最大次數(shù)。若迭代次數(shù)未達到最大值，則返回步驟（2）繼續(xù)循環(huán)。若迭代次數(shù)達到最大值，則跳出循環(huán)，輸出全局最優(yōu)解以及相關(guān)參數(shù)。

基于改進粒子群的低能耗任務卸載策略算法如下：

輸入：帶寬約束Bmax；傳輸功率約束P；服務器計算能力約束ω；任務屬性S，K；迭代次數(shù)u；模擬退火初始溫度t0

輸出：任務卸載方案，包括傳輸功率pn、pm、pV2I;任務分割比例αn、δm、β;任務處理總能耗Es

1： for 迭代 u do

2：初始化粒子種群以及任務卸載方案pn、pm、pV2I和αn、δm、β，并計算此時目標函數(shù)值

3：計算適應度值

4：u=u+1

5：根據(jù)公式（16）更新粒子速度，根據(jù)公式（14）更新粒子位置

6： end for

7：輸出全局最優(yōu)適應度值以及最優(yōu)卸載策略

4" 仿真實驗及結(jié)果分析

仿真實驗參數(shù)設(shè)定遵循了邊緣計算領(lǐng)域相關(guān)規(guī)范，以確保實驗結(jié)果的準確性和可靠性。在所設(shè)計的仿真場景中，包含了1個本地車輛服務器、1個路邊單元、以及5輛周圍行駛的車輛服務器，同時還考慮了2～5輛路邊停泊的車輛服務器［11］。為了進一步提高仿真結(jié)果的可信度，進行了多次仿真實驗，以減少隨機誤差對結(jié)果的影響。具體的實驗參數(shù)設(shè)置詳見表1［12-13］。

根據(jù)圖3所示，隨著迭代次數(shù)的增加，粒子的適應度值逐漸降低并最終趨于穩(wěn)定的趨勢。在圖中，所呈現(xiàn)的不同顏色的線條代表著處理不同大小任務數(shù)據(jù)的變化情況。隨著任務數(shù)據(jù)量的增加，適應度值也相應增大，但最終每條線均會趨于穩(wěn)定。這一現(xiàn)象的原因在于隨著任務數(shù)量的增加，改進的粒子群算法的負載也隨之增加，進而導致任務處理能耗的上升。例如，在圖中，針對處理任務量為2 Mbit的情況，改進的粒子群算法在經(jīng)過15次迭代后達到了收斂狀態(tài)。在此時，算法所得到的適應度值，即任務處理能耗，約為0.004 7 J。相對應地，在處理任務量為4 Mbit的情況下，算法在經(jīng)過16次迭代后同樣達到了收斂狀態(tài)，此時的適應度值即任務處理能耗約為0.014 8 J。

在圖4中，進行了一項對比分析，旨在驗證提出的改進粒子群算法在能耗優(yōu)化方面的有效性。將改進粒子群（EPSO）優(yōu)化算法與傳統(tǒng)粒子群優(yōu)化（PSO）算法、本地執(zhí)行（LOCAL）算法以及移動邊緣服務器執(zhí)行（MEC）算法進行了分析。從圖4的結(jié)果可以觀察到，隨著任務量的增加，4種處理策略所產(chǎn)生的能耗呈現(xiàn)出增加的趨勢。舉例來說，在處理任務量為5 Mbit時，本地處理所需能耗為0.5 J，移動邊緣服務器處理能耗為0.035 J，傳統(tǒng)粒子群算法處理能耗為0.029 J，而改進粒子群算法處理能耗僅為0.023 J。這些數(shù)據(jù)結(jié)果進一步驗證了改進粒子群算法在能耗優(yōu)化方面的有效性和性能優(yōu)勢。

圖5呈現(xiàn)了在不同服務車輛數(shù)目下，任務車輛處理任務所消耗的最小能耗。觀察結(jié)果顯示，每條折線都呈現(xiàn)出上升的趨勢，這是由于隨著任務量的增加，處理任務所需的計算資源和通信資源也隨之增加，從而導致了任務處理總能耗的增加。舉例來說，在處理任務量為4 Mbit時，將任務僅卸載給4輛行駛車輛的任務處理總能耗為0.018 J，將任務卸載給4輛行駛車輛以及1輛停泊車輛的任務處理總能耗為0.016 J，將任務卸載給4輛行駛車輛以及4輛停泊車輛的任務處理總能耗為0.012 J。這些結(jié)果明確表明，在車輛數(shù)量較多的情況下，將任務同時卸載給行駛中的車輛和路邊停泊的車輛，能夠有效降低任務處理總能耗。

5" 結(jié)論

提出了一種基于車聯(lián)網(wǎng)通信的邊緣計算低能耗卸載方法，旨在降低車輛自身任務處理的能耗開銷，并合理分配計算資源。選擇了多車單小區(qū)場景的公共路段作為研究場景，任務車輛在行駛過程中產(chǎn)生任務卸載需求。除了利用車輛自身的計算資源外，這些任務還會被發(fā)送至周圍有空閑計算資源的同向行駛的車輛服務器、路邊停止的車輛服務器以及路邊單元的邊緣服務器中進行處理。運用了改進的粒子群優(yōu)化算法，以得出最優(yōu)的卸載功率和最優(yōu)的任務分配比例，從而降低本車卸載和處理任務消耗的能耗。通過這種方式，實現(xiàn)了資源的合理分配和能源的有效節(jié)約。

參考文獻：

［1］GU L J， CUI M M， XU L K， et al. Collaborative offloading method for digital twin empowered cloud edge computing on internet of vehicles［J］. Tsinghua Science and Technology， 2023， 28（3）： 433-451. DOI： 10.26599/TST.2022.9010006.

［2］TANG H J， WU H M， QU G J， et al. Double deep Q-network based dynamic framing offloading in vehicular edge computing［J］. IEEE Transactions on Network Science and Engineering， 2023， 10（3）： 1297-1310. DOI： 10.1109/TNSE.2022.3172794.

［3］YANG T T， GAO S， LI J B， et al. Multi-armed bandits learning for task offloading in maritime edge intelligence networks［J］. IEEE Transactions on Vehicular Technology， 2022， 71（4）： 4212-4224. DOI： 10.1109/TVT.2022.3141740.

［4］WU L， ZHANG Z， LI Q， et al. A mobile edge computing-based applications execution framework for Internet of Vehicles［J］. Frontiers of Computer Science， 2022（5）： 131-141.

［5］HUANG X M， YU R， YE D D， et al. Efficient workload allocation and user-centric utility maximization for task scheduling in collaborative vehicular edge computing［J］. IEEE Transactions on Vehicular Technology， 2021， 70（4）： 3773-3787. DOI： 10.1109/TVT.2021.3064426.

［6］BUTE M S， FAN P Z， ZHANG L， et al. An efficient distributed task offloading scheme for vehicular edge computing networks［J］. IEEE Transactions on Vehicular Technology， 2021， 70（12）： 13149-13161. DOI： 10.1109/TVT.2021.3117847.

［7］KU Y J， BAIDYA S， DEY S. Adaptive computation partitioning and offloading in real-time sustainable vehicular edge computing［J］. IEEE Transactions on Vehicular Technology， 2021， 70（12）： 13221-13237. DOI： 10.1109/TVT.2021.3119585.

［8］ZHENG Q S， GU Y J， LIU Y H， et al. Chaotic particle swarm algorithm-based optimal scheduling of integrated energy systems［J］. Electric Power Systems Research， 2023， 216： 108979. DOI： 10.1016/j.epsr.2022.108979.

［9］HUANG Y， BAI Y J. Intelligent sports prediction analysis system based on edge computing of particle swarm optimization algorithm［J］. IEEE Consumer Electronics Magazine， 2023， 12（2）： 73-82. DOI： 10.1109/MCE.2021.3139837.

［10］孫一凡， 張紀會. 基于模擬退火機制的自適應粘性粒子群算法［J］. 控制與決策， 2023， 38（10）： 2764-2772. DOI： 10.13195/j.kzyjc.2022.0291.

［11］YOU Q， TANG B. Efficient task offloading using particle swarm optimization algorithm in edge computing for industrial Internet of Things［J］. Journal of Cloud Computing， 2021， 10（1）： 41. DOI： 10.1186/s13677-021-00256-4.

［12］LI W J， DENG W， SHE R， et al. Edge computing offloading strategy based on particle swarm algorithm for power Internet of Things［C］//2021 IEEE 2nd International Conference on Big Data， Artificial Intelligence and Internet of Things Engineering （ICBAIE）. Nanchang： IEEE， 2021： 145-150. DOI： 10.1109/ICBAIE52039.2021.9389919.

［13］ALQARNI M A， MOUSA M H， HUSSEIN M K. Task offloading using GPU-based particle swarm optimization for high-performance vehicular edge computing［J］. Journal of King Saud University-Computer and Information Sciences， 2022， 34（10）： 10356-10364. DOI： 10.1016/j.jksuci.2022.10.026.