【摘 要】海量数据驱动未来车联网向智能化演进，计算密集型业务的激增给网络中通信和计算资源的管理带来了极大的挑战。为了解决上述问题，提出了面向边缘智能的车联网通信和计算资源联合管理策略，在考虑各边缘节点内存容量的前提下，通过模型切分将适量计算任务卸载到最优边缘节点，提高任务执行率并降低系统能耗。上述资源联合管理策略可建模为动态优化问题，传统的优化方法难以求解。因此，将人工智能技术应用到边缘计算领域，采用多智能体深度强化学习方法合理分配网络频谱资源和计算资源，提升网络性能。
【关键词】车联网；边缘计算；资源管理；多智能体深度强化学习
0 引言
近年来，随着无线通信技术的发展和智能网联车辆的普及，面向智能交通服务的车联网[1-3]已经引起了学术界和工业界的广泛关注。从2021年至2026年，全球网联汽车的市场规模预计将以19.0%的复合年均增长率增长，在2026年达到563亿美元[4]。随着自动驾驶技术的发展，基于智能网联汽车的各类新兴应用层出不穷，如超高清视频、实时导航和交通安全服务等，一方面使车联网的数据流量爆发式增长，带来了极大的带宽压力，另一方面对车辆本身计算能力提出了极高的要求[5-7]。
为了解决车载终端处理能力差、任务时效需求高等问题，计算卸载技术被广泛认为是提高车联网服务性能的有效途径[8]。与传统的云计算相比，MEC（Mobile Edge Computing，移动边缘计算）技术将计算服务器放置在靠近车辆的无线网络边缘位置，能够极大地提升计算效率并降低能耗[9-11]。目前，国内外已有诸多学者针对车联网中基于MEC的计算卸载技术进行了研究。文献[12]针对单M