CN115065683B - 基于车辆聚类的车辆边缘网络任务分配卸载方法 - Google Patents

Abstract

本发明公开一种基于车辆聚类的车辆边缘网络任务分配卸载方法，主要包括：实时接收RSU覆盖范围内车辆终端的位置信息和其所携带的任务属性信息，计算任务卸载概率，定义车辆终端的任务优先级；采用K‑means用户聚类方法将车辆终端划分为H个聚类集群，并得到各聚类集群的任务优先级；将任务优先级最高的聚类集群分配至边缘计算，最低的聚类集群分配至本地计算；对其它聚类集群，通过深度神经网络学习算法迭代训练获得最优分布式计算卸载策略；发送所述策略至各车辆集群。本发明为MEC服务器的计算资源调度过程提供更合理的依据，不仅提高了车辆终端计算任务的卸载执行成功率，还提高了计算任务执行成功率和卸载决策正确率，有效减小了计算任务执行时延。

Description

基于车辆聚类的车辆边缘网络任务分配卸载方法

技术领域

本发明涉及车联网通信技术领域，特别是涉及一种基于车辆聚类的车辆边缘网络任务分配卸载方法。

背景技术

车联网(IoV)是物联网的一个重要分支，将汽车引入互联网，实现各种面向车辆的应用，因此，物联网技术的发展也直接促进了智能交通***(ITS)的发展。作为一个专用于车辆通信的网络，IoV可以通过传输交通信息来实现高效可靠的车辆通信，提高智能交通***的安全性。与传感器、智能手机、笔记本电脑、可穿戴设备等设备相比，车辆的计算能力更加强大，因为其尺寸大，持续能源供应，能够配备更先进的硬件和软件。因此，车辆可以在本地支持复杂的任务处理，以满足物联网应用程序的高要求，如自动驾驶仪、驾驶辅助、智能交互等。

然而，许多车载应用程序需要大量的计算资源，并且有时延限制。例如，车辆通过摄像头感知周围环境，并通过基于深度学习的方法识别潜在危险的车辆，以帮助驾驶员驾驶安全，这既耗资源又耗时。当车辆本身有大量任务要完成时，车辆的计算资源是有限的，会产生较大的时延，无法容纳这些计算密集型的任务。之前的研究主要是利用云计算的方法来处理消耗计算的任务。云计算的资源是足够的，从理论上可以提高计算消耗服务的性能。然而，由于云计算的服务器通常距离车辆较远，可能会出现任务传输时间长、链路负载高、甚至链路堵塞，这可能导致任务完成时间长，从而严重降低了服务质量。即使车辆终端具有更强大的计算能力，仍会面临着例如电池功率和CPU计算资源有限等严重的资源稀缺问题。

目前，移动边缘计算(MEC)一直是解决上述问题的一个有效的范式。作为一种有前景的新兴技术手段，并在2016年对其进行了规范化与标准化。MEC通过将云服务器移动到靠近设备的网络边缘，能够为用户提供低传输时延和高可靠性的服务。在MEC计算模式中，边缘服务器可以执行一些车辆终端所携带的计算任务，边缘服务器的计算能力远大于车辆终端，使得卸载任务的服务质量得到提高，从而有效拓展了车辆终端的计算能力。然而考虑到车联网的复杂应用环境，频谱资源是有限的，边缘设备并不能支持大量的车辆终端一起卸载计算任务。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高车联网任务卸载方法卸载成功率的基于车辆聚类的车辆边缘网络任务分配卸载方法，可基于车辆终端或其携带任务进行优先级划，根据不同集车辆终端对计算负载的不同需求，分别对其进行处理。

本发明所公开的一种基于车辆聚类的车辆边缘网络任务分配卸载方法，其主要包括：

步骤S1：实时接收RSU覆盖范围内车辆终端的位置信息和其所携带的任务属性信息，根据所述任务属性信息计算任务卸载概率，基于所述位置信息和任务卸载概率定义车辆终端的任务优先级；

步骤S2：基于所述车辆终端的任务优先级，采用K-means用户聚类方法将车辆终端划分为H个聚类集群，并得到各聚类集群的任务优先级；

步骤S3：将任务优先级最高的聚类集群分配至边缘计算，将任务优先级最低的聚类集群分配至本地计算；

步骤S4：对介于任务优先级最高和最低之间的其它聚类集群，通过深度神经网络学习算法迭代训练获得最优分布式计算卸载策略，所述最优分布式计算卸载策略对应的***成本最低；

步骤S5：向RSU覆盖范围内各聚类集群发送所述最优分布式计算卸载策略，使聚类集群中的车辆终端根据所述最优分布式计算卸载策略通过RSU进行任务卸载的数据传输。

其中，所述步骤S1中，所述车辆终端的位置信息为车辆终端到MEC服务器的距离；所述任务属性信息包括任务执行时延要求、任务大小、实际任务执行时延；

所述车辆终端的优先级特征由一个元组p_i定义，p_i＝＜d_i，Pr_i＞，d_i表示第i个车辆终端到MEC服务器的距离，Pr_i表示第i个车辆终端的车辆任务卸载概率；

所述车辆任务卸载概率Pr_i由概率函数Pr(L_i,th＜L_i,e)求得，其中，L_th＜L_e表示实际任务执行时延L_e超过了任务执行时延要求L_th需要卸载，概率函数Pr(L_i,th＜L_i,e)表示第i个车辆终端所携带的任务中需要卸载的任务数量的比例，最大为1；

所述实际任务执行时延计算公式为：

L_i,e＝m_i/F_i；

式中，m_i为第i个车辆终端的任务大小，F_i为第i个车辆终端的计算能力。

其中，所述步骤S2具体包括：

S21：选取k个车辆终端作为初始的聚类中心并形成k个聚类集群；

S22：计算其余车辆终端到各聚类中心的欧式距离，并基于所述欧式距离将其余车辆终端分配到离自己最近的聚类集群中；

S23：每次分配之后重新计算该聚类集群的质心；

S24：返回步骤S22，直至误差平方和SEE为1时，最终确定将车辆终端划分为K个聚类集群；所述聚类集群的质心反应了聚类集群的任务优先级高低所述质心的，数值越小，任务优先级越高；

所述误差平方和SEE的计算公式如下：

式中，p_i表示第i个车辆终端的优先级特征，c_h表示第h个聚类集群的质心，H表示当前聚类数量，此时未达到最优聚类数量；

所述质心的计算公式如下：

其中，

式中，D_h表示聚类h，h∈[1,K]，U表示需要聚类的车辆终端数量，h_i表示第i个车辆终端的聚类指数。

其中，所述步骤S4具体包括：

在迭代时间t内，当前环境状态s_t表示当前来自环境的探索信息，a_t表示聚类集群D_h中终端车辆的卸载动作，聚类集群D_h中终端车辆的奖励即为该终端车辆的***成本；

使用Q值网络作为策略评判标准，Q值表示＜s_t,a_t＞的值，即在当前环境状态s_t下剩余车辆聚类集群执行卸载动作a_t实际产生的***成本；

通过训练Q值网络迭代卸载动作，更新策略如下：

式中，Q(s_t,a_t)表示t时刻下的***成本，C_e,t表示的是采用边缘计算的***能耗成本，α为学习率，γ为折扣因子，为下一时刻下的最小***成本；

在满足Q值无限逼近目标Q值Q_m(s_t,a_t；θ)且损失函数值最小时对应的卸载动作策略为最优分布式计算卸载策略；

所述损失函数值Loss(θ)的计算公式如下：

Loss(θ)＝E[(R_e,t+Q(s_t,a_t)-Q_m(s_t,a_t；θ))]²

式中，R_e,t表示当前成本函数，θ为权重向量。

其中，在本地计算模式下，***成本为能量消耗和实际任务执行时延之和；在边缘计算模式下，***成本为边缘服务器实际任务执行时延、传输时延、边缘服务器计算能量与传输能量之和。

其中，使用信道增益g_t、存储在终端车辆上的任务队列f_t及其剩余的计算容量比r_t来表示所述当前来自环境的探索信息，即s_t＝{g_t,f_t,r_t}。

其中，所述深度神经网络学习算法采用三层DNN架构，激活函数为sigmoid函数，输出函数为relu函数，并通过设置奖励值函数以得到最优分布式计算卸载策略。

本发明具有以下有益效果：

本发明通过K-means聚类算法来预处理车辆集群的优先级，为MEC服务器的计算资源调度过程提供更合理的依据，不仅提高了车辆终端计算任务的卸载执行成功率，更适用于车辆自组织网络环境中，还提高了计算任务执行成功概率和卸载决策正确率，有效减小了计算任务执行时延。

本发明通过深度神经网络学习算法迭代训练得到最优分布式计算卸载策略，各车辆终端根据最优分布式计算卸载策略通过RSU进行任务卸载的数据传输，提高了计算任务执行成功概率，降低***任务的执行总时延。

附图说明

图1为实施例中基于车辆聚类的车辆边缘网络任务分配卸载方法的应用场景图；

图2为实施例中基于车辆聚类的车辆边缘网络任务分配卸载方法的流程示意图；

图3为深度学习算法的状态、动作、奖励设置示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本发明，并不用于限定本发明。

本发明提供的基于车辆聚类的车辆边缘网络任务分配卸载方法，可以应用于如图1所示的车辆自组织网络环境中。其中，MEC服务器通过网络与RSU(路侧单元)进行通信；RSU通过网络与RSU信号覆盖范围内的车辆终端进行通信。在RSU信号覆盖范围内的每一车辆终端视为一个车辆节点。具体车辆终端会将自身携带的计算任务通过无线网络卸载到RSU连接的MEC服务器进行处理，MEC服务器通过计算得到任务优先级，然后根据深度神经网络算法决定计算任务的卸载策略，车辆终端随后跟着接收的卸载策略，将MEC服务器可以接受的计算任务卸载到MEC服务器上进行处理。其中，MEC服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

如图2所示，实施例中提供了一种基于车辆聚类的车辆边缘网络任务分配卸载方法，主要包括以下步骤：

步骤S1，RSU实时接收RSU覆盖范围内车辆终端的位置信息和所携带的任务属性信息，根据所述任务属性信息计算任务卸载概率，基于所述位置信息和任务卸载概率定义车辆终端的任务优先级。

本发明所述场景，RSU覆盖范围内的车辆均携带多个计算任务，当车辆终端进入一个RSU的覆盖范围内时，该车辆携带的计算任务的属性信息通过RSU上传到MEC服务器，将占用MEC任务队列中的一段时间进行任务优先级的计算。

具体的，RSU实时接收的信息包括车辆终端的位置信息和任务属性信息。其中，车辆终端的位置信息具体表现为车辆终端到MEC服务器的距离；任务属性信息则包括任务执行时延要求、任务大小、实际任务执行时延。

与RSU相连接的MEC服务器，首先将根据任务属性信息计算车辆任务卸载概率，假设生成的任务是独立的，在每个时间阶段对其进行改进和更新。第i个车辆终端的车辆任务卸载概率为Pr_i，第i个车辆终端在生成每个任务时，其任务执行时延要求为L_i,th，任务大小为m_i，其实际任务执行时延计算公式为：

L_i,e＝m_i/F_i，(1)

式中，F_i为第i个车辆终端的计算能力。

因此，第i个车辆终端的车辆任务卸载概率Pr_i由概率函数Pr(L_i,th＜L_i,e)求得。其中，L_th＜L_e表示任务在车辆终端上的实际任务执行时延L_e超过了任务执行时延要求L_th需要卸载，概率函数Pr(L_i,th＜L_i,e)表示第i个车辆终端所携带的任务中需要卸载的任务数量的比例，最大为1。

第i个车辆终端的任务优先级将由一个元组p_i定义，由特征向量表示，包括其到MEC服务器的距离d_i和其计算任务卸载概率Pr_i，p_i＝＜d_i，Pr_i＞。由此得到各个车辆终端的任务优先级特征p_i。

步骤S2，边缘侧的MEC服务器基于所述车辆终端的任务优先级，采用K-means用户聚类方法将车辆终端划分为H个聚类集群，并得到各聚类集群的优先级大小。

首先选取k个车辆终端作为初始聚类中心并形成k个聚类，此时每个车辆终端就是一个初始的聚类集群，其本身即为聚类集群的中心。然后采用欧式距离法计算其余车辆终端到初始聚类中心的距离，并基于计算得到的欧式距离将其余车辆终端分配到离自己最近的聚类集群中。分配一个车辆终端之后，将会重新计算其该聚类集群的质心c_h，其中，h∈[1,k]，质心也即聚类集群的中心。

因为K值的选取对K-means聚类方法的效果影响很大，为了保证分配的准确性，本发明将通过最小化误差平方和，根据车辆终端的优先级将车辆终端划分为K个聚类。

误差平方和SEE计算公式如下，其数据大小用于表明当前聚类数量与最佳聚类数之间的差异。

式中，p_i表示第i个车辆终端的优先级特征，c_h表示第h个聚类集群的质心，H表示当前聚类数量(此时未达到最优聚类数量)。

仿真结果证明，当误差平方和为1时，当前聚类数量即为最佳聚类数量，此时不再重复计算质心，最终确定车辆终端划分为K个聚类集群。最终的质心求解过程如下：

首先，计算p_i的聚类指数h_i。

其中，质心的计算公式如下：

式中，U表示需要聚类的车辆终端数量，p_i表示第i个车辆终端的优先级特征，D_h表示聚类h，h∈[1,K]。

聚类集群的质心反应了优先级的高低，数值越小，优先级越高。

步骤S3，MEC服务器将任务优先级最高的聚类集群分别分配至边缘计算，将任务优先级最低的聚类集群分别分配至本地计算。

在这一过程中，MEC服务器可以接收来自多个车辆终端的任务卸载请求，在步骤S2中，将车辆终端按照优先级分为多个集群，为了能够以最快的速度完成任务处理，首先将优先级最高集群内车辆的计算任务卸载至MEC服务器进行计算，对于优先级最低集群内车辆的计算任务，考虑到有限的计算资源和V2V链路(Vehicle-to-Vehicle，车辆-车辆)的不稳定，必须予以拒绝。

步骤S4，对于剩余用户，MEC服务器通过深度神经网络学习算法迭代训练获得最优分布式计算卸载策略，所述最优分布式计算卸载策略对应的***成本最低。

本发明中的***场景在每种决策情况下的***成本是不同的，单一的卸载方式不足以最小化***成本，因此需要通过深度学习寻找最优的卸载决策。假定同一聚类集群中每个车辆终端都具有相同的用户优先级。对于除优先级最高和最低之外的车辆集群，MEC服务器通过深度神经网络学习最优分布式计算卸载策略。

车联网络场景中，深度学习的算法状态、动作和奖励常规设置如图3所示，在环境状态表示为s的时隙t中，代理选择一个卸载动作a来与环境交互，在下一个时隙，环境状态根据转移概率更改为s'，并向代理返回奖励r'。代理根据奖励修改下一个动作，直到找到最优策略。在本发明中，s_t为当前环境状态，a_t为当前状态下卸载动作向量(简称“动作”或“卸载动作”)，r_k为s_t状态下执行卸载动作a_t产生一个奖励值。在迭代时间t内，聚类集群D_h中车辆终端的卸载动作可以用a_t表示。当前状态s_t则表示当前来自环境的探索信息。本发明将使用信道增益g_t、存储在车辆终端上的任务队列f_t及其剩余的计算容量比r_t来表示当前来自环境的探索信息，即s_t＝{g_t,f_t,r_t}。

本发明运用深度神经网络学习算法，使用Q值网络作为策略评判标准，其中Q值表示＜s_t,a_t＞的值，即在当前环境状态下剩余车辆集群执行卸载决策实际产生的***成本，且通过Q表来存储Q值并可以通过查找Q表中的每个状态下的***成本。本发明中所述的深度神经网络学习算法采用三层DNN架构，激活函数为sigmoid函数，输出函数为relu函数，并通过设置奖励值函数以得到最佳卸载策略。

本发明采用负奖励的方法，做出正确的决策来分配***成本，加快训练进度。在迭代时间t时，集群D_h中每个车辆终端的奖励即为该车辆终端的***成本。在本地计算模式下，***成本为能量消耗和实际任务执行时延之和。而边缘计算模式下，***成本为边缘服务器计算时延(也即实际任务执行时延)、传输时延、边缘服务器计算能量与传输能量之和。

基于深度神经网络的任务卸载算法是为了得到最优分布式计算卸载方案，在获知当前车辆终端的位置信息和任务属性信息，即可输出优先级分类结果，同时通过训练Q值网络进一步得到卸载策略。

其中，卸载决策动作根据以下公式来实现更新：

式中，Q(s_t,a_t)表示的是Q表中t时刻下的***成本，C_e,t表示的是采用边缘计算的***能耗成本，α为学习率，γ为折扣因子，为下一时刻下的最小***成本。

该算法通过学习最优策略来解决决策问题，获得正确收敛性能的要求是Q值不断更新，使当前的Q值可以无限逼近目标Q值Q_m(s_t,a_t；θ)，进一步减小两者的误差，其中θ为权重向量，在每次迭代中通过最小化损失函数不断更新，最终使得损失函数值Loss(θ)取最小值。

Loss(θ)＝E[(R_e,t+Q(s_t,a_t)-Q_m(s_t,a_t；θ))]²

式中，R_e,t表示当前成本函数。

本发明使用一个经验池存放状态-动作对，即＜s,a＞，再使用经验回放技术从经验池中采样处理，然后用来以最小化损失函数为目标进行训练。训练结束后将选择一个具有最小Q值的动作作为计算任务卸载方案，即为除优先级最高和最低集群之外的剩余车辆集群的卸载方案。

步骤S5：MEC服务器向RSU覆盖范围内的所述车辆集群发送所述策略，使各所述车辆集群根据所述策略通过RSU进行任务卸载的数据传输。

本发明所公开的基于车辆聚类的车辆边缘网络任务分配卸载方法，若有新的车辆终端进入RSU的覆盖范围，车辆终端通过RSU将位置信息和携带的计算任务属性信息发送给MEC服务器，MEC服务器计算各任务的优先级，为MEC服务器的计算资源调度过程提供更合理的依据，提高车辆终端计算任务的卸载执行成功率；当MEC服务器收到车辆终端当前的计算任务后，深度神经网络根据当前得到的车辆状态得到卸载策略，并生成奖励值；最后通过基于深度神经网络的任务卸载方法，更新卸载决策动作，所有RSU覆盖范围内的车辆终端根据卸载策略，进行任务卸载的数据传输操作。与现有技术相比，本发明通过K-means聚类算法来预处理车辆集群的优先级，为MEC服务器的计算资源调度过程提供更合理的依据。本发明不仅提高了车辆终端计算任务的卸载执行成功率，更适用于车辆自组织网络环境中；还提高了计算任务执行成功概率和卸载决策正确率，有效减小了计算任务执行时延。

本发明与现有技术相比，在不同强度的计算任务下提出的算法相较于传统的卸载算法***成本最低，对车联网集群场景的场合有着更强的适应性，同时表现出了较好的鲁棒性和优越性。

应该理解的是，虽然图2的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种基于车辆聚类的车辆边缘网络任务分配卸载方法，其特征在于，包括：

步骤S1：实时接收RSU覆盖范围内车辆终端的位置信息和其所携带的任务属性信息，根据所述任务属性信息计算任务卸载概率，基于所述位置信息和任务卸载概率定义车辆终端的任务优先级；

步骤S2：基于所述车辆终端的任务优先级，采用K-means用户聚类方法将车辆终端划分为H个聚类集群，并得到各聚类集群的任务优先级；

步骤S3：将任务优先级最高的聚类集群分配至边缘计算，将任务优先级最低的聚类集群分配至本地计算；

步骤S4：对介于任务优先级最高和最低之间的其它聚类集群，通过深度神经网络学习算法迭代训练获得最优分布式计算卸载策略，所述最优分布式计算卸载策略对应的***成本最低；

步骤S5：向RSU覆盖范围内各聚类集群发送所述最优分布式计算卸载策略，使聚类集群中的车辆终端根据所述最优分布式计算卸载策略通过RSU进行任务卸载的数据传输。

2.如权利要求1所述的基于车辆聚类的车辆边缘网络任务分配卸载方法，其特征在于，所述步骤S1中，所述车辆终端的位置信息为车辆终端到MEC服务器的距离；所述任务属性信息包括任务执行时延要求、任务大小、实际任务执行时延；

所述车辆终端的任务优先级特征由一个元组p_i定义，p_i＝＜d_i，Pr_i＞，其中，d_i表示第i个车辆终端到MEC服务器的距离，Pr_i表示第i个车辆终端的任务卸载概率；

所述第i个车辆终端的任务卸载概率Pr_i由概率函数Pr(L_i,th＜L_i,e)求得，其中，L_th＜L_e表示实际任务执行时延L_e超过了任务执行时延要求L_th需要卸载，概率函数Pr(L_i,th＜L_i,e)表示第i个车辆终端所携带的任务中需要卸载的任务数量的比例，最大为1；

所述实际任务执行时延计算公式为：

L_i,e＝m_i/F_i；

式中，m_i为第i个车辆终端的任务大小，F_i为第i个车辆终端的计算能力。

3.如权利要求1所述的基于车辆聚类的车辆边缘网络任务分配卸载方法，其特征在于，所述步骤S2具体包括：

S21：选取k个车辆终端作为初始的聚类中心并形成k个聚类集群；

S22：计算其余车辆终端到各聚类中心的欧式距离，并基于所述欧式距离将其余车辆终端分配到离自己最近的聚类集群中；

S23：每次分配之后重新计算该聚类集群的质心；

S24：返回步骤S22，直至误差平方和SEE为1时，最终确定将车辆终端划分为K个聚类集群；所述聚类集群的质心反应了聚类集群的任务优先级高低，所述质心的数值越小，任务优先级越高；

所述误差平方和SEE的计算公式如下：

式中，p_i表示第i个车辆终端的任务优先级特征，c_h表示第h个聚类集群的质心，H表示当前聚类数量，此时未达到最优聚类数量；

所述质心的计算公式如下：

其中，

式中，D_h表示聚类集群，即第h个聚类，h∈[1,K]，U表示需要聚类的车辆终端数量，h_i表示第i个车辆终端的聚类指数。

4.如权利要求1所述的基于车辆聚类的车辆边缘网络任务分配卸载方法，其特征在于，所述步骤S4具体包括：

在迭代时间t内，当前环境状态s_t表示当前来自环境的探索信息，a_t表示聚类集群D_h中终端车辆的卸载动作，聚类集群D_h中终端车辆的奖励即为该终端车辆的***成本；

使用Q值网络作为策略评判标准，Q值表示为＜s_t,a_t＞的值，即在当前环境状态s_t下剩余车辆聚类集群执行卸载动作a_t实际产生的***成本；

通过训练Q值网络迭代卸载动作，更新策略如下：

式中，Q(s_t,a_t)表示t时刻下的***成本，C_e,t表示的是采用边缘计算的***能耗成本，α为学习率，γ为折扣因子，为下一时刻下的最小***成本；

在满足Q值无限逼近目标Q值Q_m(s_t,a_t；θ)且损失函数值最小时对应的卸载动作策略为最优分布式计算卸载策略；

所述损失函数值Loss(θ)的计算公式如下：

Loss(θ)＝E[(R_e,t+Q(s_t,a_t)-Q_m(s_t,a_t；θ))]²

式中，R_e,t表示当前成本函数，θ为权重向量。

5.如权利要求4所述的基于车辆聚类的车辆边缘网络任务分配卸载方法，其特征在于，在本地计算模式下，***成本为能量消耗和实际任务执行时延之和；在边缘计算模式下，***成本为边缘服务器实际任务执行时延、传输时延、边缘服务器计算能量与传输能量之和。

6.如权利要求4所述的基于车辆聚类的车辆边缘网络任务分配卸载方法，其特征在于，使用信道增益g_t、存储在终端车辆上的任务队列f_t及其剩余的计算容量比r_t来表示当前来自环境的探索信息，即s_t＝{g_t,f_t,r_t}。

7.如权利要求4所述的基于车辆聚类的车辆边缘网络任务分配卸载方法，其特征在于，所述深度神经网络学习算法采用三层DNN架构，激活函数为sigmoid函数，输出函数为relu函数，并通过设置奖励值函数以得到最优分布式计算卸载策略。