基于改进式免疫遗传算法的车联网任务卸载方案

陈发堂 李璐 张若凡

收稿日期：2023-05-28；修回日期：2023-07-17  基金项目：重庆市自然科学基金资助项目（cstc2021jcyj-msxmX0454）

作者简介：陈发堂（1965—），男，重庆人，研究员，硕导，硕士，CCF会员，主要研究方向为移动通信物理层算法和边缘计算等；李璐（1999—），女（通信作者），重庆人，硕士研究生，主要研究方向为V2X物理层协议和边缘计算（15922976615@163.com）；张若凡（2001—），男，湖北荆州人，硕士研究生，主要研究方向为V2X物理层协议和智能反射面．

摘  要：为了解决车联网场景下卸载决策和资源分配不合理的问题，提出了一种改进的启发式车联网任务卸载策略。该策略利用改进式的双种群免疫遗传算法（IDP-IGA），在保留了精英种群的同时引入了自适应移民算子，并在满足车辆最大容忍时延和路侧单元最大可分配资源的前提下，优化系统的时延-能耗开销。仿真结果表明，所提算法具有良好收敛性，与传统算法和遗传-粒子群优化算法相比，能够显著降低系统的时延-能耗开销，在任务卸载过程中实现最优的资源分配方案。

关键词：任务卸载； 车联网； 资源分配； 免疫遗传算法

中图分类号：TN929.5    文献标志码：A

文章编号：1001-3695（2024）02-036-0558-05

doi：10.19734/j.issn.1001-3695.2023.05.0242

Task offloading scheme of Internet of Vehicles based onimproved immune genetic algorithm

Chen Fatang， Li Lu， Zhang Ruofan

（School of Communication and Information Engineering， Chongqing University of Posts and Telecommunications， Chongqing 400065， China）

Abstract：In order to solve the problem of unreasonable offloading decision and resource allocation in the scenario of IoV， this paper proposed an improved heuristic task offloading strategy of IoV. This strategy used the improved dual-population immune genetic algorithm（IDP-IGA）， introduced the adaptive immigration operator while retaining the elite population， and optimized the delay-energy consumption overhead of the system under the premise of satisfying the maximum tolerance delay of the vehicle and the maximum allocable resources of the roadside unit. The simulation results show that the proposed algorithm has good convergence， and compared with the traditional algorithm and genetic-particle swarm optimization algorithm， it can significantly reduce the delay-energy consumption overhead of the system， and realize the optimal resource allocation scheme in the process of task offloading.

Key words：task offloading; Internet of Vehicles; resource allocation; immune genetic algorithm

0  引言

隨着第五代蜂窝移动通信网络（the 5th generation mobile network，5G）的快速普及，车联网IoV也进入了快速发展的阶段。车联网技术的快速发展使得道路交通系统日益趋向智能化［1］，也给人们带来了更便捷的交通出行方式和更加可靠舒适的出行体验。一些先进的车载应用例如自动驾驶、实时导航等也应运而生［2］。面对新型车载应用对计算能力、通信能力以及时延敏感性需求的日益增长，对存储空间、计算资源受限的智能车辆提出了巨大的挑战。为应对这一挑战，移动边缘计算（mobile edge computing，MEC）是一种有效的解决方案。移动边缘计算也作为新兴技术逐渐应用于车联网环境中［3，4］。将车辆任务上传至MEC服务器进行计算，能够有效地减少本地计算时延。然而随着上传至MEC服务器任务数量的增多，计算资源有限的MEC服务器将承载着巨大的压力，因此，如何对上传至MEC服务器的车辆任务进行合理的卸载决策以及资源分配，是一个十分值得研究的问题［5，6］。

在任务卸载的相关研究中，最重要的部分即是任务卸载决策、资源分配以及确定优化目标。如何根据任务的卸载场景作出正确的任务卸载决策是任务卸载的核心所在。任务卸载决策主要是解决车辆终端是否将任务卸载至MEC服务器上，这是一个典型的0-1整数规划问题；资源分配是为了更好地满足任务的时延要求和能耗要求而对卸载过程中涉及到的计算资源进行合理的分配，这有助于减小MEC服务器的处理压力。近年来，由于遗传算法具有快速随机的搜索能力、全局性以及可扩展性，受到了广大学者的青睐。

文献［7］考虑了拥有多用户的MEC系统，以最小化每个移动设备（mobile device，MD）的总和、执行延迟的加权总和以及能耗为优化目标，建立集中任务卸载问题模型，并基于遗传算法求解问题。文献［8］研究了具有多车多任务的非正交多址接入系统，并设计了基于遗传算法的能量分配和任务调度算法解决车辆任务划分、功率分配和传输波束成形的问题。文献［9］ 结合云计算和雾计算设计了优化模型，采用基于非支配排序的遗传算法对多目标问题进行了优化求解。文献［10］考虑超密集异构的多用户和多任务边缘计算网络，根据多样性引导变异的自适应遗传算法，设计出了协作式计算卸载与资源分配算法以最小化系统能耗。上述文献均基于单遗传算法求解问题，没有充分利用遗传算法的可扩展性，收敛速度较慢，并且可能陷入早熟即局部最优解的误区。

文献［11］综合考虑卸载决策、信道状态、计算资源等影响因素，将超密集网络下的计算卸载模型表述为一个混合整数非线性规划问题，设计了一种结合遗传和粒子群的优化算法，以此实现最优资源分配。文献［12］设计了一种结合计算卸载和资源管理的节能机制，利用遗传算法强大的全局搜索能力和粒子群优化的精确局部搜索能力来最小化超密集异构网络中MD延迟约束下的网络范围加权能耗。文献［13］ 针对多车多服务器车联网场景下的卸载决策造成资源分配不合理的问题，提出了一种利用改进的混合遗传算法与改进的人工鱼群算法实现任务卸载和资源分配的策略。上述文献将遗传算法和其他算法进行了有机结合，但是在前半部分的遗传算法中没有对精英种群进行保存和利用，可能造成最优解的流失。

基于上述文献分析，本文将结合免疫算法和遗传算法并加以改进，对精英种群进行保存和利用，避免优良个体的流失，这样有助于寻找最优解。本文在进行遗传操作时采用双种群遗传模式，并引入自适应移民算子的概念，使得种群之间的优良个体能够进行交流。

近年来，能源消耗逐渐成为国家关注的重点，新型能源汽车在市场上的占比逐渐加大，车联网中的能耗问题亟待解决；与此同时，车辆的安全行驶也是车联网中一大关键问题，时延敏感型任务对时延提出了较大的要求。因此，本文基于改进式的免疫遗传算法共同优化系统的时延-能耗开销。

本文主要研究工作如下：

a）构建了基于MEC服务器进行车辆任务卸载的模型。在任务最大容忍时延和MEC服务器最大资源的约束下，通过联合优化车辆任务的卸载决策和MEC服务器的资源分配来最小化系统内的平均成本，其中系统内的平均成本是基于任务时延和系统能耗的加权平均值。

b）本文提出一种改进式的双种群免疫遗传算法（improved dual-population immune genetic algorithm，IDP-IGA），将生物进行免疫和遗传的机制引入到车联网环境中，引入了自适应移民算子的概念，使得双种群之间的个体可以按照一定的概率进行移民，实现种群之间优良个体的交流，并在移民的过程中形成精英种群，以避免优良个体的流失。本文旨在利用改进式的免疫遗传算法求解任务卸载决策和资源分配的问题。

c）仿真结果表明，本文方法能够对资源进行更加合理的分配，相比于传统的遗传算法和免疫算法，收敛性更好且系统开销显著降低。

1  系统模型

系统模型主要由网络模型、通信模型、计算模型、问题描述四个方面组成。

1.1  网络模型

本文主要考虑同向高速直行道路场景，网络模型如图1所示。一条笔直公路旁边配备有若干个路侧单元（road side unit，RSU），每一个路侧单元均配备了一个边缘服务器，两者通过光纤链路进行有线连接，每一个RSU的覆盖范围内有车辆，将车辆的集合定义为Euclid ExtraeBp={1，2，…，N}，车辆vn（n∈Euclid ExtraeBp），到RSU的欧氏距离呈泊松分布，每辆车到RSU的距离表示为Dn（n∈Euclid ExtraeBp），则距离集合表示为Euclid Math TwoDAp={D1，D2，…，DN}。假设每辆车有且仅有一个任务需要进行计算处理，将每辆车的任务集合定义为Euclid Math TwoAApn={dn，cn，tmaxn}（n∈Euclid ExtraeBp），其中，dn代表输入数据的大小，cn代表完成任务Euclid Math TwoAApn所需要的CPU周期数，tmaxn表示完成任务Euclid Math TwoAApn可容忍的最大时延。

本文考虑的是将计算任务全部进行卸载，即任务可以在本地进行计算和处理，也可以将单个任务全部卸载至MEC服务器上。引入任务卸载决策变量on，定义为

on=1  卸载至MEC服务器0  进行本地计算（1）

1.2  通信模型

车辆与RSU之间采用直连的无线链路进行通信，将车辆任务执行边缘计算时，可以通过车到路侧单元（vehicle to RSU，V2R）的通信模式将计算任务卸载至RSU进行计算处理。本文假设车辆在任务上传和计算结果回传的时间内无线信道的状态保持稳定［14］。根据香农定律可以得到，将车辆任务上传至RSU的上行链路的传输速率可以描述为

rn=wn lb（1+GupPnσ2（1Dn）ppath）（2）

其中：wn表示在V2R通信模式下车辆所占用的信道带宽；Gup表示上传链路信道的信道增益;Dn表示车辆到RSU的欧氏距离;ppath表示路径损耗因子;Pn表示车辆vn上配备的车载设备发送功率；σ2表示无线信道的传输噪声。

1.3  计算模型

1）本地计算

当车辆将任务放置在本地进行计算时，时延仅仅表示为任务的计算时延，由车辆vn的計算能力决定。假设车辆的本地计算能力为flocn，则本地计算时延可以表示为

tlocn=dncnflocn（3）

車辆在进行本地计算时产生的能耗可以表示为

elocn=α×（flocn）2dncn（4）

其中：α表示依赖于芯片架构的能量系数。

2）边缘计算

在边缘计算中，卸载计算时延由传输时延、计算时延及回传时延三部分组成。研究结果表明，在诸多车载应用中，计算结果的大小远远小于输入数据的大小［15］，因此可以忽略将结果进行回传的时延大小，即卸载计算时延仅考虑传输时延和计算时延。当车辆任务卸载至RSU时，总时延可以表示为

toffn=ttransn+tcompn=dnrn+dncnfoffn（5）

其中：ttransn表示传输时延；tcompn表示计算时延；rn表示将车辆任务上传至RSU的上行链路的传输速率，由式（2）给出；foffn表示MEC服务器分配给车辆vn的计算资源。MEC服务器分配给N辆车的总计算资源不得超过MEC服务器的最大计算资源，定义MEC服务器的最大计算资源为Fmax，则∑Nn=1fn≤Fmax。其中，fn为

fn=0  on=0foffn  on=1  n∈Euclid ExtraeBp（6）

将车辆任务卸载至MEC服务器时的能耗主要来源于任务传输过程，即卸载过程，可以表示为

eoffn=etransn=Ptransnttransn=Ptransndnrn（7）

其中：Ptransn表示传输功率。

1.4  问题描述

由于每个任务可以在本地计算或者卸载至MEC服务器进行计算处理，车辆vn的总时延可以表示为

Tn=（1-on）×tlocn+on×toffn=

（1-on）×dncnflocn+on×（dnrn+dncnfoffn）（8）

车辆vn的总能耗可以表示为

En=（1-on）×elocn+on×eoffn=

（1-on）×α×（flocn）2dncn+on×Ptransndnrn（9）

本文的优化目标为任务执行的时延-能耗加权值，将时延-能耗加权值定义为车辆开销，则车辆vn的开销可以表示为

Qn=β×Tn+γ×En（10）

其中：β表示时延的加权因子；γ表示能耗的加权因子，加权因子用于表示用户对该任务的重视程度。面对不同的应用环境，车辆被允许自适应地选择加权因子。当车辆执行时延敏感型任务如自动驾驶时，需要选择较大的β以达到优化时延的目的；能量有限的车辆选择较大的γ以优化能耗，达到节省能量的目的。加权因子β和γ需要满足约束条件：

β≥0γ≥0β+γ=1（11）

本文将车辆任务卸载过程中任务卸载决策和资源分配作为优化问题，以最小化车辆开销为优化目标。定义O={o1，o2，…，oN}表示任务卸载决策变量，F={f1，f2，…，fN}为计算资源变量。因此，问题可以表述为

P1：minO，F1N∑Nn=1Qn（O，F）

C1：on∈{0，1}  n∈Euclid ExtraeBp

C2：Tn≤tmaxn  n∈Euclid ExtraeBp

C3：fn≥0  n∈Euclid ExtraeBp

C4：∑Nn=1fn≤Fmax  n∈Euclid ExtraeBp（12）

其中：C1表示计算任务只能进行本地计算或者全部卸载至服务器进行计算，不支持单个任务的部分卸载；C2表示任务的计算时延不允许超过其最大容忍时延；C3表示MEC服务器分配给车辆vn的计算资源不可以为负值；C4表示MEC服务器分配出去的资源不允许超过MEC的计算总资源。

2  算法设计

免疫遗传算法是一种启发式算法，它结合了免疫算法和遗传算法的各自优点，既保留了遗传算法的搜索特性，又利用了免疫算法的多机制求解多目标函数最优解的自适应特性，在很大程度上避免了过早收敛于局部极值［16］。本文将免疫遗传算法运用于车联网环境下进行任务卸载的场景中，并作出了改进：引入了双种群模式，且种群内的个体在每次迭代后进行自适应移民，进行种群之间的优良个体的交流，并进行精英种群的保留，以避免优良个体的流失。改进式的免疫遗传算法的具体步骤如下：

a）生成初始种群。考虑单车单任务的情况，首先需要对RSU覆盖范围内的N辆车进行任务卸载与否的初始值生成，以及MEC服务器资源的初始分配。设nindi为种群内的个体数量，每个种群内可以生成大小为nindi×N的数组，其中每一行为一种可能的卸载决策，共有nindi行，表示单个初始父代种群中含有nindi个个体，用于之后的免疫操作和遗传操作。对于需要卸载的任务给予资源的初始分配，对于本地计算的任务，MEC服务器的资源不予分配。本文算法采用双种群进行免疫遗传操作，即需要产生初始两个不同的父代种群。两个种群之间的参数，如交叉概率、变异概率不尽相同，这样两个种群之间可以产生不同的搜索结果。

b）适应度和抗体浓度计算。对两个种群中的每个个体分别进行适应度和抗体浓度的计算。适应度的大小代表可行解的质量，其本质上代表了解与最优解的接近程度。适应度定义为

aff（O，F）=11N∑Nn=1Qn（O，F）（13）

适应度值越高，代表目标函数值越小，即可行解的质量越高。抗体浓度是对本质上是一个种群中一个解与其他解当中较为相似的解的个数所占的比例。抗体浓度定义为

Den（（Oi，Fi），（Oj，Fj））=1N∑Nj=1S（（Oi，Fi），（Oj，Fj））（14）

其中：S（（Oi，Fi），（Oj，Fj））表示抗体之间的相似度，可由式（15）计算得到。

S（（Oi，Fi），（Oj，Fj））=1  sim（（Oi，Fi），（Oj，Fj））＜δs0  sim（（Oi，Fi），（Oj，Fj））≥δs（15）

其中：sim（（Oi，Fi），（Oj，Fj））表示抗体（Oi，Fi）和（Oj，Fj）的浓度相似情况；δs表示相似度阈值。

c）激励度的计算。对两个种群中的每个个体分别进行激励度的计算。抗体激励度是对抗体质量的最终评价结果。通常适应度大、浓度低的抗体会得到较大的激励度。激励度定义为

Ins（Oi，Fi）=a×aff（Oi，Fi）-b×Den（Oi，Fi）（16）

其中：a表示针对于适应度的激励因子；b表示针对于抗体浓度的激励因子。两种激励因子的设置根据实际情况进行设定。

d）免疫操作。对两个种群中的部分个体进行免疫操作。免疫操作主要由免疫选择、克隆、变异、克隆抑制四个部分组成。

（a）免疫选择。免疫选择是根据种群中抗体的适应度和浓度计算结果，综合反映为激励度的大小选择优质抗体，使其活化。激励度高的个体更有可能被选中进入克隆操作。本文采用三元锦标赛选择法选择需要进行活化的个体。每次从种群中随机采样三个个体，选择最优个体进行活化，并将未被选择的个体放入种群中参与下一次选择，直至选够活化数量。

（b）克隆。克隆是对每一个活化的抗体进行克隆复制，得到若干副本。克隆示意图如图2所示。

（c）变异。变异是对克隆得到的副本进行变异操作，使其发生适应度突变，并对变异的基因位重新进行MEC的资源分配。本文采用单点变异的方式。变异示意图如图3所示。

（d）克隆抑制。克隆抑制是对变异结果进行再选择，抑制适应度低的抗体，保留适应度高的变异结果。

e）遗传操作。对两个种群中的部分个体进行遗传操作。遗传操作主要由选择、交叉和变异三个部分组成。

（a）选择。选择操作采用轮盘赌选择法。根据个体的适应度值计算每个个体在子代中出现的概率，并按照此概率随机选择个体构成子代种群，轮盘赌选择策略使得适应度值越好的个体被选择的概率越大。种群内每个个体被选择的概率为

P（Oi，Fi）=aff（Oi，Fi）∑Nj=1aff（Oi，Fi）（17）

（b）交叉。本文采用两点交叉的方式。在个体染色体上随机设置两个交叉点分别作为交叉起点和交叉终点，这样以进行部分的基因交换。交叉示意图如图4所示。

（c）变异。变异是对染色体上的部分基因位进行小概率的变化以生成突变型子代，本文采用单点变异的方式。变异示意图如图5所示。

f）种群之间进行移民运算和人工选择形成精华种群。引入双种群同时进行优化搜索，并对种群内的控制参数赋予不同的值。两个种群之间通过移民算子进行联系以交换种群之间优秀个体所携带的遗传信息，这样有利于较快打破自身种群内部的平衡态以跳出局部最优情况。双种群模式有两个重要的概念。

（a）精英种群。即双种群中每个进化代中的最优个体所组成的种群。精华种群不进行免疫操作和遗传操作，这样是为了保证种群之间产生的最优个体不被破坏丢失。精英种群中的部分个体可以直接替换种群中适应度值低的个体。

（b）移民算子。在种群之间进行移民的时候，引入自适应的概念，即种群间的个体根据自身适应度大小自适应确定移民概率，适应度值大的个体解的质量相对较好，所以其移民的概率较大；反之，适应度值小的个体解的质量相对较差，其进行移民的概率较小。种群内的移民概率pimmi为

pimmi=k1×aff（Oi，Fi）-affminaffavg-affmin  aff（Oi，Fi）＜affavgk2  aff（Oi，Fi）≥affavg（18）

其中：k1和k2表示常数；affmin表示种群中的最小适应度值；affavg表示种群中的适应度均值。由式（18）可知，当个体适应度值高于种群适应度均值时，按照一定的概率进行移民操作，当个体适应度值小于平均适应度值时，移民度会随着适应度值的降低而降低，当适应度值为最小时，移民概率为0。这样的移民概率可以有效地阻止适应度低的个体移民至另一种群。

g）判断是否达到停止规则。如果寻到超过设定阈值的解或者达到最大迭代次数，退出循环，结束流程。如果没有则转至步骤b）。

3  仿真分析

为了验证本文针对车联网环境下任务卸载决策和资源分配本文算法的优越性，通过MATLAB平台进行仿真实验并进行分析。本文建模一条直线型的单向高速公路。参数设置如下：RSU分配给每辆车的子信道带宽wn=1.5 MHz；上行鏈路信道增益Gup=0.9；车辆vn到RSU的欧氏距离Dn满足泊松分布；路径损耗因子ppath=2；车辆vn上配备的车载设备的发送功率Pn满足随机分布；无线信道的传输噪声σ2=-144 dBm；IIGA中每个种群的数量nindi均为100，种群1执行免疫操作时，选择进行活化的数目为25，每个进行活化的个体克隆次数为10次，选择变异结果较好的四种进行保存并进行遗传操作，执行遗传操作时，种群1的交叉概率为0.4，变异概率为0.05；类似地，种群2执行免疫操作时候，选择进行活化的数目为50，每个进行活化的个体克隆次数为5次，选择变异结果较好的两种进行保存并进行遗传操作；执行遗传操作时，种群2的交叉概率为0.5，变异概率为0.04 。其余参数设置为：时延加权因子β=0.6，能耗加权因子γ=0.4，RSU的最大计算能力为Fmax=500 GHz，激励因子a=1，b=0.5，常数k1=1，常数k2=0.7。

为了验证IDP-IGA算法的性能，对比了以下四种基准方案：

a）本地計算方案（local computing，LC）。此方案将全部计算都在本地车辆上进行计算，不对车辆任务进行卸载至MEC服务器的操作。

b）传统遗传算法方案（traditional genetic algorithm，TGA）。首先初始化任务卸载和资源分配方案的若干个体，并对若干个体采用传统遗传算法求解问题。

c）传统免疫算法方案（traditional immune algorithm，TIA）。首先初始化任务卸载和资源分配方案的若干个体，并对若干个体采用传统免疫算法求解问题。

d）单种群免疫遗传算法（single-population immune genetic algorithm，SP-IGA）。首先初始化任务卸载和资源分配方案的若干个体，并对若干个体采用单种群免疫遗传算法求解问题。

e）遗传-粒子群优化算法（genetic algorithms-particle swarm optimization，GA-PSO）。首先用遗传算法确定卸载方案，再利用粒子群优化算法进行资源分配。

3.1  双种群参数选择分析

改进式的双种群免疫遗传算法之间的参数选择是一个关键问题，合适的参数选择能够提高算法的性能，使得算法拥有更强大的搜索能力和较好的适应能力，在相同条件下能够更快寻得最优解。图6分析了在不同的交叉概率和变异概率下适应度函数值和迭代次数之间的关系。由图6可知，当种群1的交叉概率为0.4，变异概率为0.05，种群2的交叉概率设为0.5，变异概率设为0.04时，适应度函数值的收敛性能更好。这是因为当交叉概率和变异概率设置过大时容易破坏现有的优良个体，设置过小无法保证种群的多样性。

在之后的性能分析中，均将种群1在免疫遗传过程中的交叉概率设为0.4，变异概率设为0.05，而种群2的交叉概率设为0.5，变异概率设为0.04。

3.2  迭代次数性能分析

图7分析了适应度函数值随着迭代次数增加的变化趋势。为了消除突变基因带来的适应度函数值陡然变化的影响，适应度函数值取种群中前10%优良个体适应度函数值的平均值。由图6可知，本文算法的收敛性较好，能够迅速提升适应度函数值后趋于平缓，这是因为IDP-IGA保留了遗传算法的搜索特性，能够跳出局部最优解，进行新的最优解搜索。

3.3  数据量大小性能分析

图8分析了数据大小与时延-能耗开销之间的关系。从图8中可以看出，随着数据量的增加，系统的时延-能耗开销不断增加。这是因为随着数据量的增加，对任务进行传输和处理的时延以及消耗的能量也必定增加。本文算法能够显著降低时延-能耗开销，当数据量为7 M时，所提算法的时延-能耗开销与五种算法相比分别降低了65.19%、61.13%、58.97%、31.90%、20.56%。

3.4  用户数量大小性能分析

由图9可以看出，随着用户数量的增多，全本地计算方案的时延-能耗开销迅速增加，这是因为随着用户数量的增加，需要进行本地计算的任务数也增加，时延和能耗也必定迅速增加。本文算法产生的时延-能耗开销始终最小，并且上升趋势较为平缓，这是因为本文算法继承了遗传算法的优良搜索能力及免疫算法保留优良个体的能力。当用户数量为100个时，所提算法的时延-能耗开销与五种算法相比分别降低了64.74%、56.70%、54.12%、18.37%、12.39%。

4  结束语

针对车联网环境下的边缘计算问题，本文提出了一种改进式的免疫遗传算法，对种群进行了精英保留，并利用自适应迁移算子在种群中进行优良个体的交流，在满足任务所容忍的最大时延以及分配资源总数不超过MEC最大计算能力的前提之下，最小化系统时延-能耗加权开销。仿真结果表明，该方法能够对资源进行更加合理的分配，相比于传统的遗传算法、免疫算法以及遗传-粒子群算法，收敛效果更好，且能够显著降低系统开销。

本文设置的场景为同向高速直行道路。下一步首先考虑将该算法运用于更为复杂的道路场景，例如十字路口、T型路口等，将场景进行扩充，体现所提算法的优越性；其次考虑将车辆划分为任务车辆和辅助车辆，以达到充分利用车辆闲置资源的目的；最后考虑实际情况中的任务拓扑结构，将任务划分为独立型和依赖型任务，针对不同类型的任务进行卸载研究和资源分配。

参考文献：

［1］Kombate D， Wang lina. The Internet of Vehicles based on 5G communications［C］//Proc of IEEE International Conference on Internet of Things（iThings） and IEEE Green Computing and Communications （GreenCom） and IEEE Cyber， Physical and Social Computing（CPSCom） and IEEE Smart Data（SmartData） . Piscataway， NJ： IEEE Press， 2016： 445-448.

［2］Ren Chunli， Zhang Guoan， Gu Xiaohui， et al. Computing offloading in vehicular edge computing networks： full or partial offloading？［C］//Proc of the 6th IEEE Information Technology and Mechatronics Engineering Conference . Piscataway， NJ： IEEE Press， 2022： 693-698.

［3］Dabbene S， Lehmann C， Campolo C， et al. A MEC-assisted vehicle platooning control through docker containers［C］//Proc of the 3rd IEEE Connected and Automated Vehicles Symposium. Piscataway， NJ： IEEE Press， 2020： 1-6.

［4］Huang C M， Lai Chifeng. The mobile edge computing（MEC）-based vehicle to infrastructure（V2I） data offloading from cellular network to VANET using the delay-constrained computing scheme［C］//Proc of International Computer Symposium. Piscataway， NJ： IEEE Press， 2020： 1-6.

［5］Dai Yueyue， Xu Du， Maharjan S， et al. Joint load balancing and offloading in vehicular edge computing and networks［J］. IEEE Internet of Things Journal， 2018，6（3）：4377-4387.

［6］Jang Y， Na J， Jeong S， et al. Energy-efficient task offloading for vehicular edge computing： joint optimization of offloading and bit allocation［C］//Proc of the 91st IEEE Vehicular Technology Conference. Piscataway， NJ： IEEE Press， 2020： 1-5.

［7］Du Chen， Chen Yifan， Li Zhiyong， et al. Joint optimization of offloading and communication resources in mobile edge computing［C］//Proc of IEEE Symposium Series on Computational Intelligence. Piscataway， NJ： IEEE Press， 2019： 2729-2734.

［8］He Ling， Chen Yingyang， Wen Miaowen， et al. Delay aware secure computation offloading in NOMA aided MEC for IoV networks［C］//Proc of IEEE Global Communications Conference. Piscataway， NJ： IEEE Press， 2021： 1-6.

［9］Abbasi M， Pasand E M， Khosravi M R. Workload allocation in IoT-fog-cloud architecture using a multi-objective genetic algorithm［J］. Journal of Grid Computing， 2020，18（1）： 43-56.

［10］周天清， 胡海琴， 曾新亮. NOMA-MEC系統中基于改进遗传算法的协作式计算卸载与资源管理［J］. 电子与信息学报， 2022，44（9）： 3014-3023. （Zhou Tianqing， Hu Haiqin， Zeng Xinliang. Cooperative computation offloading and resource management based on improved genetic algorithm in NOMA-MEC systems［J］. Journal of Electronics & Information Technology， 2022，44（9）： 3014-3023.）

［11］Guo Fengxian， Zhang Heli， Hong Ji， et al. An efficient computation offloading management scheme in the densely deployed small cell networks with mobile edge computing［J］. IEEE/ACM Trans on Networking， 2018，26（6）： 2651-2664.

［12］Zhou Tianqing， Dong Qin， Nie Xuefang， et al. Energy-efficient computation offloading and resource management in ultra dense heteroge-neous networks［J］. IEEE Trans on Vehicular Technology， 2021，70（12）： 13101-13114.

［13］丛玉良， 孙闻晞， 薛科，等. 基于改进的混合遗传算法的车联网任务卸载策略研究［J］. 通信学报， 2022，43（10）： 77-85. （Cong Yuliang， Sun Wenxi， Xue Ke， et al. Research on task offloading strategy of Internet of Vehicles based on improved hybrid genetic algorithm［J］. Journal on Communication， 2022，43（10）： 77-85.）

［14］Sun Yuxuan， Guo Xueying， Song Jinhui， et al. Adaptive learning-based task offloading for vehicular edge computing systems［J］. IEEE Trans on Vehicular Technology， 2019，68（4）： 3061-3074.

［15］Ren Jinke， Yu Guanding， He Yinghui， et al. Collaborative cloud and edge computing for latency minimization［J］. IEEE Trans on Vehicular Technology， 2019，68（5）： 5031-5044.

［16］王琼， 吕微， 任伟建. 免疫遗传算法及在优化问题中的应用综述［J］. 计算机应用研究， 2009，26（12）： 4428-4431. （Wang Qiong， Lyu Wei， Ren Weijian. Immune genetic algorithm and applications in optimization［J］. Application Research of Computers， 2009，26（12）： 4428-4431.）