基于改進式免疫遺傳算法的車聯網任務卸載方案

陳發堂 李璐 張若凡

收稿日期：2023-05-28；修回日期：2023-07-17? 基金項目：重慶市自然科學基金資助項目（cstc2021jcyj-msxmX0454）

作者簡介：陳發堂（1965—），男，重慶人，研究員，碩導，碩士，CCF會員，主要研究方向為移動通信物理層算法和邊緣計算等；李璐（1999—），女（通信作者），重慶人，碩士研究生，主要研究方向為V2X物理層協議和邊緣計算（15922976615@163.com）；張若凡（2001—），男，湖北荊州人，碩士研究生，主要研究方向為V2X物理層協議和智能反射面．

摘? 要：為了解決車聯網場景下卸載決策和資源分配不合理的問題，提出了一種改進的啟發式車聯網任務卸載策略。該策略利用改進式的雙種群免疫遺傳算法（IDP-IGA），在保留了精英種群的同時引入了自適應移民算子，并在滿足車輛最大容忍時延和路側單元最大可分配資源的前提下，優化系統的時延-能耗開銷。仿真結果表明，所提算法具有良好收斂性，與傳統算法和遺傳-粒子群優化算法相比，能夠顯著降低系統的時延-能耗開銷，在任務卸載過程中實現最優的資源分配方案。

關鍵詞：任務卸載； 車聯網； 資源分配； 免疫遺傳算法

中圖分類號：TN929.5??? 文獻標志碼：A

文章編號：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

隨著第五代蜂窩移動通信網絡（the 5th generation mobile network，5G）的快速普及，車聯網IoV也進入了快速發展的階段。車聯網技術的快速發展使得道路交通系統日益趨向智能化［1］，也給人們帶來了更便捷的交通出行方式和更加可靠舒適的出行體驗。一些先進的車載應用例如自動駕駛、實時導航等也應運而生［2］。面對新型車載應用對計算能力、通信能力以及時延敏感性需求的日益增長，對存儲空間、計算資源受限的智能車輛提出了巨大的挑戰。為應對這一挑戰，移動邊緣計算（mobile edge computing，MEC）是一種有效的解決方案。移動邊緣計算也作為新興技術逐漸應用于車聯網環境中［3，4］。將車輛任務上傳至MEC服務器進行計算，能夠有效地減少本地計算時延。然而隨著上傳至MEC服務器任務數量的增多，計算資源有限的MEC服務器將承載著巨大的壓力，因此，如何對上傳至MEC服務器的車輛任務進行合理的卸載決策以及資源分配，是一個十分值得研究的問題［5，6］。

在任務卸載的相關研究中，最重要的部分即是任務卸載決策、資源分配以及確定優化目標。如何根據任務的卸載場景作出正確的任務卸載決策是任務卸載的核心所在。任務卸載決策主要是解決車輛終端是否將任務卸載至MEC服務器上，這是一個典型的0-1整數規劃問題；資源分配是為了更好地滿足任務的時延要求和能耗要求而對卸載過程中涉及到的計算資源進行合理的分配，這有助于減小MEC服務器的處理壓力。近年來，由于遺傳算法具有快速隨機的搜索能力、全局性以及可擴展性，受到了廣大學者的青睞。

文獻［7］考慮了擁有多用戶的MEC系統，以最小化每個移動設備（mobile device，MD）的總和、執行延遲的加權總和以及能耗為優化目標，建立集中任務卸載問題模型，并基于遺傳算法求解問題。文獻［8］研究了具有多車多任務的非正交多址接入系統，并設計了基于遺傳算法的能量分配和任務調度算法解決車輛任務劃分、功率分配和傳輸波束成形的問題。文獻［9］ 結合云計算和霧計算設計了優化模型，采用基于非支配排序的遺傳算法對多目標問題進行了優化求解。文獻［10］考慮超密集異構的多用戶和多任務邊緣計算網絡，根據多樣性引導變異的自適應遺傳算法，設計出了協作式計算卸載與資源分配算法以最小化系統能耗。上述文獻均基于單遺傳算法求解問題，沒有充分利用遺傳算法的可擴展性，收斂速度較慢，并且可能陷入早熟即局部最優解的誤區。

文獻［11］綜合考慮卸載決策、信道狀態、計算資源等影響因素，將超密集網絡下的計算卸載模型表述為一個混合整數非線性規劃問題，設計了一種結合遺傳和粒子群的優化算法，以此實現最優資源分配。文獻［12］設計了一種結合計算卸載和資源管理的節能機制，利用遺傳算法強大的全局搜索能力和粒子群優化的精確局部搜索能力來最小化超密集異構網絡中MD延遲約束下的網絡范圍加權能耗。文獻［13］ 針對多車多服務器車聯網場景下的卸載決策造成資源分配不合理的問題，提出了一種利用改進的混合遺傳算法與改進的人工魚群算法實現任務卸載和資源分配的策略。上述文獻將遺傳算法和其他算法進行了有機結合，但是在前半部分的遺傳算法中沒有對精英種群進行保存和利用，可能造成最優解的流失。

基于上述文獻分析，本文將結合免疫算法和遺傳算法并加以改進，對精英種群進行保存和利用，避免優良個體的流失，這樣有助于尋找最優解。本文在進行遺傳操作時采用雙種群遺傳模式，并引入自適應移民算子的概念，使得種群之間的優良個體能夠進行交流。

近年來，能源消耗逐漸成為國家關注的重點，新型能源汽車在市場上的占比逐漸加大，車聯網中的能耗問題亟待解決；與此同時，車輛的安全行駛也是車聯網中一大關鍵問題，時延敏感型任務對時延提出了較大的要求。因此，本文基于改進式的免疫遺傳算法共同優化系統的時延-能耗開銷。

本文主要研究工作如下：

a）構建了基于MEC服務器進行車輛任務卸載的模型。在任務最大容忍時延和MEC服務器最大資源的約束下，通過聯合優化車輛任務的卸載決策和MEC服務器的資源分配來最小化系統內的平均成本，其中系統內的平均成本是基于任務時延和系統能耗的加權平均值。

b）本文提出一種改進式的雙種群免疫遺傳算法（improved dual-population immune genetic algorithm，IDP-IGA），將生物進行免疫和遺傳的機制引入到車聯網環境中，引入了自適應移民算子的概念，使得雙種群之間的個體可以按照一定的概率進行移民，實現種群之間優良個體的交流，并在移民的過程中形成精英種群，以避免優良個體的流失。本文旨在利用改進式的免疫遺傳算法求解任務卸載決策和資源分配的問題。

c）仿真結果表明，本文方法能夠對資源進行更加合理的分配，相比于傳統的遺傳算法和免疫算法，收斂性更好且系統開銷顯著降低。

1? 系統模型

系統模型主要由網絡模型、通信模型、計算模型、問題描述四個方面組成。

1.1? 網絡模型

本文主要考慮同向高速直行道路場景，網絡模型如圖1所示。一條筆直公路旁邊配備有若干個路側單元（road side unit，RSU），每一個路側單元均配備了一個邊緣服務器，兩者通過光纖鏈路進行有線連接，每一個RSU的覆蓋范圍內有車輛，將車輛的集合定義為Euclid ExtraeBp={1，2，…，N}，車輛vn（n∈Euclid ExtraeBp），到RSU的歐氏距離呈泊松分布，每輛車到RSU的距離表示為Dn（n∈Euclid ExtraeBp），則距離集合表示為Euclid Math TwoDAp={D1，D2，…，DN}。假設每輛車有且僅有一個任務需要進行計算處理，將每輛車的任務集合定義為Euclid Math TwoAApn={dn，cn，tmaxn}（n∈Euclid ExtraeBp），其中，dn代表輸入數據的大小，cn代表完成任務Euclid Math TwoAApn所需要的CPU周期數，tmaxn表示完成任務Euclid Math TwoAApn可容忍的最大時延。

本文考慮的是將計算任務全部進行卸載，即任務可以在本地進行計算和處理，也可以將單個任務全部卸載至MEC服務器上。引入任務卸載決策變量on，定義為

on=1? 卸載至MEC服務器0? 進行本地計算（1）

1.2? 通信模型

車輛與RSU之間采用直連的無線鏈路進行通信，將車輛任務執行邊緣計算時，可以通過車到路側單元（vehicle to RSU，V2R）的通信模式將計算任務卸載至RSU進行計算處理。本文假設車輛在任務上傳和計算結果回傳的時間內無線信道的狀態保持穩定［14］。根據香農定律可以得到，將車輛任務上傳至RSU的上行鏈路的傳輸速率可以描述為

rn=wn lb（1+GupPnσ2（1Dn）ppath）（2）

其中：wn表示在V2R通信模式下車輛所占用的信道帶寬；Gup表示上傳鏈路信道的信道增益;Dn表示車輛到RSU的歐氏距離;ppath表示路徑損耗因子;Pn表示車輛vn上配備的車載設備發送功率；σ2表示無線信道的傳輸噪聲。

1.3? 計算模型

1）本地計算

當車輛將任務放置在本地進行計算時，時延僅僅表示為任務的計算時延，由車輛vn的計算能力決定。假設車輛的本地計算能力為flocn，則本地計算時延可以表示為

tlocn=dncnflocn（3）

車輛在進行本地計算時產生的能耗可以表示為

elocn=α×（flocn）2dncn（4）

其中：α表示依賴于芯片架構的能量系數。

2）邊緣計算

在邊緣計算中，卸載計算時延由傳輸時延、計算時延及回傳時延三部分組成。研究結果表明，在諸多車載應用中，計算結果的大小遠遠小于輸入數據的大?。?5］，因此可以忽略將結果進行回傳的時延大小，即卸載計算時延僅考慮傳輸時延和計算時延。當車輛任務卸載至RSU時，總時延可以表示為

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

其中：ttransn表示傳輸時延；tcompn表示計算時延；rn表示將車輛任務上傳至RSU的上行鏈路的傳輸速率，由式（2）給出；foffn表示MEC服務器分配給車輛vn的計算資源。MEC服務器分配給N輛車的總計算資源不得超過MEC服務器的最大計算資源，定義MEC服務器的最大計算資源為Fmax，則∑Nn=1fn≤Fmax。其中，fn為

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

將車輛任務卸載至MEC服務器時的能耗主要來源于任務傳輸過程，即卸載過程，可以表示為

eoffn=etransn=Ptransnttransn=Ptransndnrn（7）

其中：Ptransn表示傳輸功率。

1.4? 問題描述

由于每個任務可以在本地計算或者卸載至MEC服務器進行計算處理，車輛vn的總時延可以表示為

Tn=（1-on）×tlocn+on×toffn=

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

車輛vn的總能耗可以表示為

En=（1-on）×elocn+on×eoffn=

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

本文的優化目標為任務執行的時延-能耗加權值，將時延-能耗加權值定義為車輛開銷，則車輛vn的開銷可以表示為

Qn=β×Tn+γ×En（10）

其中：β表示時延的加權因子；γ表示能耗的加權因子，加權因子用于表示用戶對該任務的重視程度。面對不同的應用環境，車輛被允許自適應地選擇加權因子。當車輛執行時延敏感型任務如自動駕駛時，需要選擇較大的β以達到優化時延的目的；能量有限的車輛選擇較大的γ以優化能耗，達到節省能量的目的。加權因子β和γ需要滿足約束條件：

β≥0γ≥0β+γ=1（11）

本文將車輛任務卸載過程中任務卸載決策和資源分配作為優化問題，以最小化車輛開銷為優化目標。定義O={o1，o2，…，oN}表示任務卸載決策變量，F={f1，f2，…，fN}為計算資源變量。因此，問題可以表述為

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表示計算任務只能進行本地計算或者全部卸載至服務器進行計算，不支持單個任務的部分卸載；C2表示任務的計算時延不允許超過其最大容忍時延；C3表示MEC服務器分配給車輛vn的計算資源不可以為負值；C4表示MEC服務器分配出去的資源不允許超過MEC的計算總資源。

2? 算法設計

免疫遺傳算法是一種啟發式算法，它結合了免疫算法和遺傳算法的各自優點，既保留了遺傳算法的搜索特性，又利用了免疫算法的多機制求解多目標函數最優解的自適應特性，在很大程度上避免了過早收斂于局部極值［16］。本文將免疫遺傳算法運用于車聯網環境下進行任務卸載的場景中，并作出了改進：引入了雙種群模式，且種群內的個體在每次迭代后進行自適應移民，進行種群之間的優良個體的交流，并進行精英種群的保留，以避免優良個體的流失。改進式的免疫遺傳算法的具體步驟如下：

a）生成初始種群?？紤]單車單任務的情況，首先需要對RSU覆蓋范圍內的N輛車進行任務卸載與否的初始值生成，以及MEC服務器資源的初始分配。設nindi為種群內的個體數量，每個種群內可以生成大小為nindi×N的數組，其中每一行為一種可能的卸載決策，共有nindi行，表示單個初始父代種群中含有nindi個個體，用于之后的免疫操作和遺傳操作。對于需要卸載的任務給予資源的初始分配，對于本地計算的任務，MEC服務器的資源不予分配。本文算法采用雙種群進行免疫遺傳操作，即需要產生初始兩個不同的父代種群。兩個種群之間的參數，如交叉概率、變異概率不盡相同，這樣兩個種群之間可以產生不同的搜索結果。

b）適應度和抗體濃度計算。對兩個種群中的每個個體分別進行適應度和抗體濃度的計算。適應度的大小代表可行解的質量，其本質上代表了解與最優解的接近程度。適應度定義為

aff（O，F）=11N∑Nn=1Qn（O，F）（13）

適應度值越高，代表目標函數值越小，即可行解的質量越高?？贵w濃度是對本質上是一個種群中一個解與其他解當中較為相似的解的個數所占的比例?？贵w濃度定義為

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

其中：S（（Oi，Fi），（Oj，Fj））表示抗體之間的相似度，可由式（15）計算得到。

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））表示抗體（Oi，Fi）和（Oj，Fj）的濃度相似情況；δs表示相似度閾值。

c）激勵度的計算。對兩個種群中的每個個體分別進行激勵度的計算?？贵w激勵度是對抗體質量的最終評價結果。通常適應度大、濃度低的抗體會得到較大的激勵度。激勵度定義為

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

其中：a表示針對于適應度的激勵因子；b表示針對于抗體濃度的激勵因子。兩種激勵因子的設置根據實際情況進行設定。

d）免疫操作。對兩個種群中的部分個體進行免疫操作。免疫操作主要由免疫選擇、克隆、變異、克隆抑制四個部分組成。

（a）免疫選擇。免疫選擇是根據種群中抗體的適應度和濃度計算結果，綜合反映為激勵度的大小選擇優質抗體，使其活化。激勵度高的個體更有可能被選中進入克隆操作。本文采用三元錦標賽選擇法選擇需要進行活化的個體。每次從種群中隨機采樣三個個體，選擇最優個體進行活化，并將未被選擇的個體放入種群中參與下一次選擇，直至選夠活化數量。

（b）克隆?？寺∈菍γ恳粋€活化的抗體進行克隆復制，得到若干副本?？寺∈疽鈭D如圖2所示。

（c）變異。變異是對克隆得到的副本進行變異操作，使其發生適應度突變，并對變異的基因位重新進行MEC的資源分配。本文采用單點變異的方式。變異示意圖如圖3所示。

（d）克隆抑制?？寺∫种剖菍ψ儺惤Y果進行再選擇，抑制適應度低的抗體，保留適應度高的變異結果。

e）遺傳操作。對兩個種群中的部分個體進行遺傳操作。遺傳操作主要由選擇、交叉和變異三個部分組成。

（a）選擇。選擇操作采用輪盤賭選擇法。根據個體的適應度值計算每個個體在子代中出現的概率，并按照此概率隨機選擇個體構成子代種群，輪盤賭選擇策略使得適應度值越好的個體被選擇的概率越大。種群內每個個體被選擇的概率為

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

（b）交叉。本文采用兩點交叉的方式。在個體染色體上隨機設置兩個交叉點分別作為交叉起點和交叉終點，這樣以進行部分的基因交換。交叉示意圖如圖4所示。

（c）變異。變異是對染色體上的部分基因位進行小概率的變化以生成突變型子代，本文采用單點變異的方式。變異示意圖如圖5所示。

f）種群之間進行移民運算和人工選擇形成精華種群。引入雙種群同時進行優化搜索，并對種群內的控制參數賦予不同的值。兩個種群之間通過移民算子進行聯系以交換種群之間優秀個體所攜帶的遺傳信息，這樣有利于較快打破自身種群內部的平衡態以跳出局部最優情況。雙種群模式有兩個重要的概念。

（a）精英種群。即雙種群中每個進化代中的最優個體所組成的種群。精華種群不進行免疫操作和遺傳操作，這樣是為了保證種群之間產生的最優個體不被破壞丟失。精英種群中的部分個體可以直接替換種群中適應度值低的個體。

（b）移民算子。在種群之間進行移民的時候，引入自適應的概念，即種群間的個體根據自身適應度大小自適應確定移民概率，適應度值大的個體解的質量相對較好，所以其移民的概率較大；反之，適應度值小的個體解的質量相對較差，其進行移民的概率較小。種群內的移民概率pimmi為

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

其中：k1和k2表示常數；affmin表示種群中的最小適應度值；affavg表示種群中的適應度均值。由式（18）可知，當個體適應度值高于種群適應度均值時，按照一定的概率進行移民操作，當個體適應度值小于平均適應度值時，移民度會隨著適應度值的降低而降低，當適應度值為最小時，移民概率為0。這樣的移民概率可以有效地阻止適應度低的個體移民至另一種群。

g）判斷是否達到停止規則。如果尋到超過設定閾值的解或者達到最大迭代次數，退出循環，結束流程。如果沒有則轉至步驟b）。

3? 仿真分析

為了驗證本文針對車聯網環境下任務卸載決策和資源分配本文算法的優越性，通過MATLAB平臺進行仿真實驗并進行分析。本文建模一條直線型的單向高速公路。參數設置如下：RSU分配給每輛車的子信道帶寬wn=1.5 MHz；上行鏈路信道增益Gup=0.9；車輛vn到RSU的歐氏距離Dn滿足泊松分布；路徑損耗因子ppath=2；車輛vn上配備的車載設備的發送功率Pn滿足隨機分布；無線信道的傳輸噪聲σ2=-144 dBm；IIGA中每個種群的數量nindi均為100，種群1執行免疫操作時，選擇進行活化的數目為25，每個進行活化的個體克隆次數為10次，選擇變異結果較好的四種進行保存并進行遺傳操作，執行遺傳操作時，種群1的交叉概率為0.4，變異概率為0.05；類似地，種群2執行免疫操作時候，選擇進行活化的數目為50，每個進行活化的個體克隆次數為5次，選擇變異結果較好的兩種進行保存并進行遺傳操作；執行遺傳操作時，種群2的交叉概率為0.5，變異概率為0.04 。其余參數設置為：時延加權因子β=0.6，能耗加權因子γ=0.4，RSU的最大計算能力為Fmax=500 GHz，激勵因子a=1，b=0.5，常數k1=1，常數k2=0.7。

為了驗證IDP-IGA算法的性能，對比了以下四種基準方案：

a）本地計算方案（local computing，LC）。此方案將全部計算都在本地車輛上進行計算，不對車輛任務進行卸載至MEC服務器的操作。

b）傳統遺傳算法方案（traditional genetic algorithm，TGA）。首先初始化任務卸載和資源分配方案的若干個體，并對若干個體采用傳統遺傳算法求解問題。

c）傳統免疫算法方案（traditional immune algorithm，TIA）。首先初始化任務卸載和資源分配方案的若干個體，并對若干個體采用傳統免疫算法求解問題。

d）單種群免疫遺傳算法（single-population immune genetic algorithm，SP-IGA）。首先初始化任務卸載和資源分配方案的若干個體，并對若干個體采用單種群免疫遺傳算法求解問題。

e）遺傳-粒子群優化算法（genetic algorithms-particle swarm optimization，GA-PSO）。首先用遺傳算法確定卸載方案，再利用粒子群優化算法進行資源分配。

3.1? 雙種群參數選擇分析

改進式的雙種群免疫遺傳算法之間的參數選擇是一個關鍵問題，合適的參數選擇能夠提高算法的性能，使得算法擁有更強大的搜索能力和較好的適應能力，在相同條件下能夠更快尋得最優解。圖6分析了在不同的交叉概率和變異概率下適應度函數值和迭代次數之間的關系。由圖6可知，當種群1的交叉概率為0.4，變異概率為0.05，種群2的交叉概率設為0.5，變異概率設為0.04時，適應度函數值的收斂性能更好。這是因為當交叉概率和變異概率設置過大時容易破壞現有的優良個體，設置過小無法保證種群的多樣性。

在之后的性能分析中，均將種群1在免疫遺傳過程中的交叉概率設為0.4，變異概率設為0.05，而種群2的交叉概率設為0.5，變異概率設為0.04。

3.2? 迭代次數性能分析

圖7分析了適應度函數值隨著迭代次數增加的變化趨勢。為了消除突變基因帶來的適應度函數值陡然變化的影響，適應度函數值取種群中前10%優良個體適應度函數值的平均值。由圖6可知，本文算法的收斂性較好，能夠迅速提升適應度函數值后趨于平緩，這是因為IDP-IGA保留了遺傳算法的搜索特性，能夠跳出局部最優解，進行新的最優解搜索。

3.3? 數據量大小性能分析

圖8分析了數據大小與時延-能耗開銷之間的關系。從圖8中可以看出，隨著數據量的增加，系統的時延-能耗開銷不斷增加。這是因為隨著數據量的增加，對任務進行傳輸和處理的時延以及消耗的能量也必定增加。本文算法能夠顯著降低時延-能耗開銷，當數據量為7 M時，所提算法的時延-能耗開銷與五種算法相比分別降低了65.19%、61.13%、58.97%、31.90%、20.56%。

3.4? 用戶數量大小性能分析

由圖9可以看出，隨著用戶數量的增多，全本地計算方案的時延-能耗開銷迅速增加，這是因為隨著用戶數量的增加，需要進行本地計算的任務數也增加，時延和能耗也必定迅速增加。本文算法產生的時延-能耗開銷始終最小，并且上升趨勢較為平緩，這是因為本文算法繼承了遺傳算法的優良搜索能力及免疫算法保留優良個體的能力。當用戶數量為100個時，所提算法的時延-能耗開銷與五種算法相比分別降低了64.74%、56.70%、54.12%、18.37%、12.39%。

4? 結束語

針對車聯網環境下的邊緣計算問題，本文提出了一種改進式的免疫遺傳算法，對種群進行了精英保留，并利用自適應遷移算子在種群中進行優良個體的交流，在滿足任務所容忍的最大時延以及分配資源總數不超過MEC最大計算能力的前提之下，最小化系統時延-能耗加權開銷。仿真結果表明，該方法能夠對資源進行更加合理的分配，相比于傳統的遺傳算法、免疫算法以及遺傳-粒子群算法，收斂效果更好，且能夠顯著降低系統開銷。

本文設置的場景為同向高速直行道路。下一步首先考慮將該算法運用于更為復雜的道路場景，例如十字路口、T型路口等，將場景進行擴充，體現所提算法的優越性；其次考慮將車輛劃分為任務車輛和輔助車輛，以達到充分利用車輛閑置資源的目的；最后考慮實際情況中的任務拓撲結構，將任務劃分為獨立型和依賴型任務，針對不同類型的任務進行卸載研究和資源分配。

參考文獻：

［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系統中基于改進遺傳算法的協作式計算卸載與資源管理［J］. 電子與信息學報， 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］叢玉良， 孫聞晞， 薛科，等. 基于改進的混合遺傳算法的車聯網任務卸載策略研究［J］. 通信學報， 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］王瓊， 呂微， 任偉建. 免疫遺傳算法及在優化問題中的應用綜述［J］. 計算機應用研究， 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.）