一种基于5G毫米波通信的高速公路车联网任务卸载算法

一种基于5g毫米波通信的高速公路车联网任务卸载算法
技术领域
1.本发明涉及一种基于5g毫米波通信的高速公路车联网任务卸载算法，可用于无线通信技术领域。


背景技术：

2.车联网(internet of vehicles，iov)技术作为新兴物联网技术的关键应用场景之一，是智慧交通的重要组成部分。但随着无人智能驾驶、车载超清视频、增强现实等大量新型服务应用的不断涌现，这些应用对车联网中网络资源的需要也提出了更高的要求。由于云计算和边缘计算技术可以提供大量的计算和存储资源，因此车联网与边缘计算的结合弥补了车辆数据处理能力不足的问题，对车联网的发展起到了重要的作用。
3.车辆用户本身具备一定的计算能力，因此在支持云计算的车联网架构中，车辆用户所产生的计算任务既可以在本地进行计算，也可以卸载至云端进行处理。而且移动边缘计算技术通过将具有计算及存储资源的mec服务器部署在用户周围，进一一步的降低了车辆任务的卸载时延。由于计算资源、通信和存储资源的紧密关联，在进行资源分配时不能只进行单方面的考虑，所以如何合理利用有限的计算、通信和存储资源为更多的用户提供多样化的服务，成为了目前车联网中亟需解决的关键问题之一。


技术实现要素：

4.本发明的目的就是为了解决现有技术中存在的上述问题，提出一种基于5g毫米波通信的高速公路车联网任务卸载算法。
5.本发明的目的将通过以下技术方案得以实现：一种基于5g毫米波通信的高速公路车联网任务卸载算法，该算法包括以下步骤：
6.s1：建立5g毫米波高速公路车联网系统模型；
7.s2：根据通信及计算模型，建立资源块分配和卸载向量联合优化问题；
8.s3：将原联合优化问题解耦为资源块分配子问题和卸载决策子问题分别进行求解；
9.s4：基于注水算法对资源块分配子问题进行求解；
10.s5：基于粒子群算法对卸载决策子问题进行求解；
11.s6：通过迭代求解资源块分配子问题和卸载决策子问题得到最优的资源块分配方案及卸载决策向量。
12.优选地，在所述s1步骤中，在高速公路一侧按照一定的间隔部署5g毫米波微基站，5g毫米波微基站通过光纤连接到核心网，车辆通过v2i技术与5g毫米波微基站通信，并且多个5g微基站构成一个簇，共享一个mec服务器；同时考虑到单个mec服务器计算资源有限，将计算任务通过光纤卸载至相距一跳至两跳范围内的邻居mec服务器进行协同计算，邻居mec服务器集合为m＝{1，2，...，m}，用n＝{1，2，...，n}表示簇内车辆的集合；
13.假设车辆n产生的计算任务数据量为sn，任务可以在本地进行处理，也可以卸载到
多个mec上进行处理，定义λn＝[λ0，λ1，...，λm]为任务的卸载比例向量，λ0表示在车辆本地处理的比例，λi表示卸载到mec服务器i上处理的比例。
[0014]
优选地，在所述s2步骤中，
[0015]
簇内5g毫米波基站的集合为s＝{1，2，...，s}，簇内资源块记为k∈k，每个资源块的带宽为ω0，假设簇内所有的5g毫米波基站共用这k个资源块服务其覆盖范围内的车辆。
[0016]
在60ghz的毫米波环境下，车辆n与基站i在资源块k上的信道增益为：
[0017][0018]
其中，δ
i，j
表示车辆n与基站i之间的损失指数，d
i，j
为车辆n与基站i之间的欧式距离，此外，15d
i，j
/1000表示60ghz的毫米波信号在大气中的衰减损耗；
[0019]
因此，车辆n使用资源块k与基站i进行通信时，基站的信干噪比为
[0020][0021][0022]
其中，pn表示车辆n的最大发射功率，表示资源块k的高斯白噪声功率，表示来自其他基站和车辆的干扰，φ表示当前簇内的车辆与相邻簇内车辆的集合，表示当前簇内的基站与相邻簇内基站的集合，i0表示来自卫星通信的干扰。
[0023]
优选地，在所述s3步骤中，由于车辆本身拥有一定的计算资源，车辆产生的计算任务可以在本地进行处理，也可以卸载至mec服务器进行处理，将车载任务分成若干个子任务，由车辆及mec服务器进行协同处理，以减少任务处理时延。
[0024]
优选地，所述s3步骤还包括以下步骤：
[0025]
s31：本地计算模型
[0026]
在车辆本地处理数据量为λ0sn的子任务所需要的计算时延为
[0027][0028]
其中，cn表示车辆每处理1bit数据所需要的cpu周期数，fn表示车辆的计算资源；
[0029]
s32：mec服务器计算模型
[0030]
meci服务器处理数据量为λisn的子任务所需的计算时延为
[0031][0032]
其中，表示mec服务器i每处理1bit数据所需要的cpu周期数，表示mec服务器i分配给车辆n的计算资源。
[0033]
优选地，所述s4步骤还包括以下步骤：
[0034]
s41：车辆最小数据传输速率计算；
[0035]
首先对每个车辆用户的任务卸载比例向量进行初始化，即λi＝1/(m+1)，得到卸载比例向量后，可通过约束条件计算求出车辆的最小数据传输速率
其中d表示规定的距离，vn表示车辆的平均速度，表示mec服务器i每处理1bit数据所需要的cpu周期数，表示mec服务器i分配给车辆n的计算资源；
[0036]
s42：基于注水算法的资源块分配：
[0037]
假设车辆用户的接入是已知，因此簇内基站使用注水算法对其服务的用户进行第一阶段的资源块分配；在第一阶段资源块分配完成后，计算所有用户的数据传输速率，对那些数据传输速率未达到要求的用户进行第二阶段的子信道分配，直至每个车辆用户的数据传输速率都满足要求。若第二阶段结束后仍有资源块剩余，则将车辆用户按数据传输速率的升序排列，依次给数据传输速率较小的车辆用户分配sinr值最大的资源块，直至所有的资源块被分配完成，以保证用户间的公平性。
[0038]
优选地，所述s5步骤还包括以下步骤：
[0039]
s51：初始化产生l个粒子：
[0040]
假设车辆用户可卸载的mec服务器的数量为m，即搜索空间维度为m+1，初始化产生l个粒子：w
(l)
＝(λ0，λ1，...，λm)；
[0041]
s52：更新粒子的速度和位置：
[0042]
粒子的速度和位置按下式进行更新：
[0043][0044][0045]
s53：更新学习因子c1：
[0046]
通过在迭代求解的过程中，动态非线性地增大c1使粒子的学习能力不断增强以解决过早收敛的问题；
[0047]
学习因子c1按下式进行更新：其中c
1min
为c1的最小值，c
1max
为c1的最大值，t为当前迭代次数，t为设置的最大迭代次数。
[0048]
优选地，所述s6步骤还包括以下步骤：资源块和卸载比例向量联合优化算法：基于注水算法的资源块分配算法在固定卸载比例向量后基于注水算法得到了最优的资源块分配策略，基于粒子群优化的卸载比例向量算法通过资源块分配算法的结果使用粒子群算法求得最优的卸载比例向量。
[0049]
本发明采用以e技术方案与现有技术相比，具有以下技术效果：5g毫米波技术具有低时延、高可靠、高速率和大容量的能力，可以为自动驾驶业务中大量计算任务的卸载提供更好的支持，并且在高速公路场景下由于道路上存在的遮挡较少所以毫米波的通信性能得到很好地保障。
[0050]
该算法针对高速公路场景下车辆任务的卸载决策及通信资源分配问题进行重点研究，将注水算法与粒子群算法相结合，为车辆用户提供最优的资源块(resource block，rb)分配及任务卸载方案，在满足车辆用户需求的同时，保证了用户间的公平性。
附图说明
[0051]
图1为本发明的高速公路系统架构图。
具体实施方式
[0052]
本发明的目的、优点和特点，将通过下面优选实施例的非限制性说明进行图示和解释。这些实施例仅是应用本发明技术方案的典型范例，凡采取等同替换或者等效变换而形成的技术方案，均落在本发明要求保护的范围之内。
[0053]
本发明揭示了一种基于5g毫米波通信的高速公路车联网任务卸载算法，如图1所示，该算法包括以下步骤：
[0054]
s1：建立5g毫米波高速公路车联网系统模型；
[0055]
s2：根据通信及计算模型，建立资源块分配和卸载向量联合优化问题；
[0056]
s3：将原联合优化问题解耦为资源块分配子问题和卸载决策子问题分别进行求解；
[0057]
s4：基于注水算法对资源块分配子问题进行求解；
[0058]
s5：基于粒子群算法对卸载决策子问题进行求解；
[0059]
s6：通过迭代求解资源块分配子问题和卸载决策子问题得到最优的资源块分配方案及卸载决策向量。
[0060]
在所述s1步骤中，在高速公路一侧按照一定的间隔部署5g毫米波微基站，5g毫米波微基站通过光纤连接到核心网，车辆通过v2i(vehicle-to-infrastructure)技术与5g毫米波微基站通信，并且多个5g微基站构成一个簇，共享一个mec服务器；同时考虑到单个mec服务器计算资源有限，将计算任务通过光纤卸载至相距一跳至两跳范围内的邻居mec服务器进行协同计算，邻居mec服务器集合为m＝{1，2，...，m}，用n＝{1，2，...，n}表示簇内车辆的集合；
[0061]
假设车辆n产生的计算任务数据量为sn，任务可以在本地进行处理，也可以卸载到多个mec上进行处理，定义λn＝[λ0，λ1，...，λm]为任务的卸载比例向量，λ0表示在车辆本地处理的比例，λi表示卸载到mec服务器i上处理的比例。
[0062]
在所述s2步骤中，簇内5g毫米波基站的集合为s＝{1，2，...，s}，簇内资源块记为k∈k，每个资源块的带宽为ω0，假设簇内所有的5g毫米波基站共用这k个资源块服务其覆盖范围内的车辆。
[0063]
在60ghz的毫米波环境下，车辆n与基站i在资源块k上的信道增益为：
[0064][0065]
其中，δ
i，j
表示车辆n与基站i之间的损失指数，d
i，j
为车辆n与基站i之间的欧式距离，此外，15d
i，j
/1000表示60ghz的毫米波信号在大气中的衰减损耗；
[0066]
因此，车辆n使用资源块k与基站i进行通信时，基站的信干噪比为
[0067][0068]
[0069]
其中，pn表示车辆n的最大发射功率，表示资源块k的高斯白噪声功率，表示来自其他基站和车辆的干扰，φ表示当前簇内的车辆与相邻簇内车辆的集合，表示当前簇内的基站与相邻簇内基站的集合，i0表示来自卫星通信的干扰。
[0070]
根据香农公式可知，基站i服务的车辆n使用子信道k时的数据传输速率为
[0071][0072]
其中，表示资源块分配指示因子。当时，表示5g毫米波基站i将资源块k分配给其服务车辆；反之，
[0073]
因此，基站i服务的车辆n的传输速率可表示为由于车辆n产生的任务的数据量为sn，且卸载到车辆本地处理的子任务量比例为λ0。因此卸载到mec处进行处理的子任务数据量为(1-λ0)sn，不考虑mec之间的子任务卸载时延，并且由于计算结果数据量较小，所以计算结果的接收时延可忽略。因此，基站i服务的车辆n将子任务卸载至mec服务器的传输时延为
[0074]
在所述s3步骤中，由于车辆本身拥有一定的计算资源，车辆产生的计算任务可以在本地进行处理，也可以卸载至mec服务器进行处理，为了提高计算资源的利用率，考虑将车载任务分成若干个子任务，由车辆及mec服务器进行协同处理，以减少任务处理时延。
[0075]
所述s3步骤还包括以下步骤：
[0076]
s31：本地计算模型
[0077]
在车辆本地处理数据量为λ0sn的子任务所需要的计算时延为
[0078][0079]
其中，cn表示车辆每处理1bit数据所需要的cpu周期数，fn表示车辆的计算资源；
[0080]
s32：mec服务器计算模型
[0081]
meci服务器处理数据量为λisn的子任务所需的计算时延为
[0082][0083]
其中，表示mec服务器i每处理1bit数据所需要的cpu周期数，表示mec服务器i分配给车辆n的计算资源。
[0084]
所述s4步骤还包括以下步骤：
[0085]
s41：车辆最小数据传输速率计算；
[0086]
首先对每个车辆用户的任务卸载比例向量进行初始化，即λi＝1/(m+1)，得到卸载比例向量后，可通过约束条件计算求出车辆的最小数据传输速率其中d表示规定的距离，vn表示车辆的平均速度，表示mec服务器i每处理1bit数据所需要的cpu周期数，表示mec服务器i分配给车辆n
的计算资源；
[0087]
s42：基于注水算法的资源块分配：
[0088]
假设车辆用户的接入是已知，因此簇内基站使用注水算法对其服务的用户进行第一阶段的资源块分配；在第一阶段资源块分配完成后，计算所有用户的数据传输速率，对那些数据传输速率未达到要求的用户进行第二阶段的子信道分配，直至每个车辆用户的数据传输速率都满足要求。若第二阶段结束后仍有资源块剩余，则将车辆用户按数据传输速率的升序排列，依次给数据传输速率较小的车辆用户分配sinr值最大的资源块，直至所有的资源块被分配完成，以保证用户间的公平性。
[0089]
所述s5步骤还包括以下步骤：
[0090]
s51：初始化产生l个粒子：
[0091]
假设车辆用户可卸载的mec服务器的数量为m，即搜索空间维度为m+1，初始化产生l个粒子：w
(l)
＝(λ0，λ1，...，λm)；
[0092]
s52：更新粒子的速度和位置：
[0093]
粒子的速度和位置按下式进行更新：
[0094][0095][0096]
s53：更新学习因子c1：
[0097]
通过在迭代求解的过程中，动态非线性地增大c1使粒子的学习能力不断增强以解决过早收敛的问题；
[0098]
学习因子c1按下式进行更新：其中c
1min
为c1的最小值，c
1max
为c1的最大值，t为当前迭代次数，t为设置的最大迭代次数。
[0099]
所述s6步骤还包括以下步骤：资源块和卸载比例向量联合优化算法：基于注水算法的资源块分配算法在固定卸载比例向量后基于注水算法得到了最优的资源块分配策略，基于粒子群优化的卸载比例向量算法通过资源块分配算法的结果使用粒子群算法求得最优的卸载比例向量。
[0100]
mec服务器可以为车辆任务提供计算资源，减少任务处理时延，降低车辆能耗。车辆在行驶过程中会产生需要大量计算资源的任务，这些任务可以在车辆本地处理，也可以通过v2i链路卸载到mec服务器上处理，同时考虑到单个mec服务器计算资源有限，因此当mec计算资源不足时，可将计算任务通过光纤卸载至相距一跳至两跳范围内的邻居mec服务器进行协同计算，邻居mec服务器集合为m＝{1，2，...，m}。用n＝{1，2，...，n}表示簇内车辆的集合，车辆的总数是n＝|n|。
[0101]
假设车辆n产生的计算任务数据量为sn，由于任务可以在本地进行处理，也可以卸载到多个mec上进行处理，因此将车辆产生的计算任务划分为多个子任务，并进一步定义λn＝[λ0，λ1，...，λm]为任务的卸载比例向量，λ0表示在车辆本地处理的比例，λi表示卸载到mec服务器i上处理的比例。
[0102]
由于车辆本身拥有一定的计算资源，因此车辆产生的计算任务可以在本地进行处理，也可以卸载至mec服务器进行处理。为了提高计算资源的利用率，考虑将车载任务分成若干个子任务，由车辆及mec服务器进行协同处理，以减少任务处理时延；
[0103]
建立排队模型，假设mec服务器的任务处理可看作一个排队系统，任务平均到达率为γ，平均服务率为μ，服务密度为ρ；
[0104]
将子任务卸载至mec服务器处进行处理时，其排队等待时延为
[0105][0106]
其中，表示mec服务器的平均排队时延，表示mec服务器的平均服务时延。
[0107][0108][0109]
由上式可得
[0110][0111]
建立优化问题模型，车辆获得的通信资源，计算资源及卸载比例联合决定了车辆任务的完成时间，因此以簇内所有车辆业务完成时间的均值为优化目标，同时考虑了基站的通信资源，建立优化模型。
[0112][0113]
s.t.c1：
[0114]
c2：
[0115]
c3：
[0116]
c4：
[0117]
c5：
[0118]
c6
[0119][0120]
其中，约束条件c1限制了资源块分配指示因子只能是二元变量，约束c2表示卸载比例因子的取值范围，约束c3表示对于车辆n其卸载比例因子和为1，约束c4表示分配给车辆的资源块数之和不能超过基站处可用的资源块数量，约束c5表示基站i不能为其服务的用户分配相同的资源块，约束c6限制了车辆必须在规定距离内完成计算任务，d表示规定的距离，vn表示车辆的平均速度。
[0121]
s2步骤：基于注水算法的资源块分配算法描述；
[0122]
所述s2步骤又包括以下步骤：
[0123]
s21：车辆最小数据传输速率计算；
[0124]
对于车辆用户来说资源块的分配则是为了得到最优的数据传输速率，从而减小数
据上传至mec服务器的时间。
[0125]
首先对每个车辆用户的任务卸载比例向量进行初始化，即λi＝1/(m+1)，得到卸载比例向量后，可通过约束条件计算求出车辆的最小数据传输速率
[0126][0127]
在所述s4步骤中，基于注水算法的资源块分配；假设车辆用户的接入是已知，因此簇内基站使用注水算法对其服务的用户进行第一阶段的资源块分配。在第一阶段资源块分配完成后，计算所有用户的数据传输速率，对那些数据传输速率未达到要求的用户进行第二阶段的子信道分配，直至每个车辆用户的数据传输速率都满足要求。
[0128]
若第二阶段结束后仍有资源块剩余，则将车辆用户按数据传输速率的升序排列，依次给数据传输速率较小的车辆用户分配sinr值最大的资源块，直至所有的资源块被分配完成，以保证用户间的公平性。
[0129]
[0130][0131]
在所述s5步骤中，基于粒子群优化的卸载比例向量算法描述；
[0132]
[0133][0134]
基于资源块和卸载比例向量联合优化算法描述；
[0135]
所述s6步骤又包括以下步骤：资源块和卸载比例向量联合优化算法：算法1在固定卸载比例向量后基于注水算法得到了最优的资源块分配策略，算法2基于算法1的结果使用粒子群算法求得最优的卸载比例向量，基于上述算法提出了一种资源块和卸载比例向量联合优化算法。
[0136][0137]
[0138]
随着车联网的快速发展，不断涌现的新型车载任务对通信、计算能力提出了更高的要求。该算法针对高速公路场景下车辆任务的卸载决策及通信资源分配问题进行重点研究，将注水算法与粒子群算法相结合，为车辆用户提供最优的资源块(resource block，rb)分配及任务卸载方案，在满足车辆用户需求的同时，保证了用户间的公平性。
[0139]
对于本领域技术人员而言，显然本发明不限于e述示范性实施例的细节，而且在不背离本发明的精神和基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内，不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
[0140]
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。本发明尚有多种实施方式，凡采用等同变换或者等效变换而形成的所有技术方案，均落在本发明的保护范围之内。

技术特征：
1.一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：该算法包括以下步骤：s1：建立5g毫米波高速公路车联网系统模型；s2：根据通信及计算模型，建立资源块分配和卸载向量联合优化问题；s3：将原联合优化问题解耦为资源块分配子问题和卸载决策子问题分别进行求解；s4：基于注水算法对资源块分配子问题进行求解；s5：基于粒子群算法对卸载决策子问题进行求解；s6：通过迭代求解资源块分配子问题和卸载决策子问题得到最优的资源块分配方案及卸载决策向量。2.根据权利要求1所述的一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：在所述s1步骤中，在高速公路一侧按照一定的间隔部署5g毫米波微基站，5g毫米波微基站通过光纤连接到核心网，车辆通过v2i技术与5g毫米波微基站通信，并且多个5g微基站构成一个簇，共享一个mec服务器；同时考虑到单个mec服务器计算资源有限，将计算任务通过光纤卸载至相距一跳至两跳范围内的邻居mec服务器进行协同计算，邻居mec服务器集合为m＝{1，2，...，m}，用n＝{1，2，...，n}表示簇内车辆的集合；假设车辆n产生的计算任务数据量为s
n
，任务可以在本地进行处理，也可以卸载到多个mec上进行处理，定义λ
n
＝[λ0，λ1，...，λ
m
]为任务的卸载比例向量，λ0表示在车辆本地处理的比例，λ
i
表示卸载到mec服务器i上处理的比例。3.根据权利要求2所述的一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：在所述s2步骤中，簇内5g毫米波基站的集合为s＝{1，2，...，s}，簇内资源块记为k∈k，每个资源块的带宽为ω0，假设簇内所有的5g毫米波基站共用这k个资源块服务其覆盖范围内的车辆。在60ghz的毫米波环境下，车辆n与基站i在资源块k上的信道增益为：其中，δ
i，j
表示车辆n与基站i之间的损失指数，d
i，j
为车辆n与基站i之间的欧式距离，此外，15d
i，j
/1000表示60ghz的毫米波信号在大气中的衰减损耗；因此，车辆n使用资源块k与基站i进行通信时，基站的信干噪比为k与基站i进行通信时，基站的信干噪比为其中，p
n
表示车辆n的最大发射功率，表示资源块k的高斯白噪声功率，表示来自其他基站和车辆的干扰，φ表示当前簇内的车辆与相邻簇内车辆的集合，表示当前簇内的基站与相邻簇内基站的集合，i0表示来自卫星通信的干扰。4.根据权利要求1所述的一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：在所述s3步骤中，由于车辆本身拥有一定的计算资源，车辆产生的计算任务可以在本地进行处理，也可以卸载至mec服务器进行处理，将车载任务分成若干个子任务，由车
辆及mec服务器进行协同处理，以减少任务处理时延。5.根据权利要求4所述的一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：所述s3步骤还包括以下步骤：s31：本地计算模型在车辆本地处理数据量为λ0s
n
的子任务所需要的计算时延为其中，c
n
表示车辆每处理1bit数据所需要的cpu周期数，f
n
表示车辆的计算资源；s32：mec服务器计算模型mec
i
服务器处理数据量为λ
i
s
n
的子任务所需的计算时延为其中，表示mec服务器i每处理1bit数据所需要的cpu周期数，表示mec服务器i分配给车辆n的计算资源。6.根据权利要求1所述的一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：所述s4步骤还包括以下步骤：s41：车辆最小数据传输速率计算；首先对每个车辆用户的任务卸载比例向量进行初始化，即λ
i
＝1/(m+1)，得到卸载比例向量后，可通过约束条件计算求出车辆的最小数据传输速率其中d表示规定的距离，v
n
表示车辆的平均速度，表示mec服务器i每处理1bit数据所需要的cpu周期数，表示mec服务器i分配给车辆n的计算资源；s42：基于注水算法的资源块分配：假设车辆用户的接入是已知，因此簇内基站使用注水算法对其服务的用户进行第一阶段的资源块分配；在第一阶段资源块分配完成后，计算所有用户的数据传输速率，对那些数据传输速率未达到要求的用户进行第二阶段的子信道分配，直至每个车辆用户的数据传输速率都满足要求。若第二阶段结束后仍有资源块剩余，则将车辆用户按数据传输速率的升序排列，依次给数据传输速率较小的车辆用户分配sinr值最大的资源块，直至所有的资源块被分配完成，以保证用户间的公平性。7.根据权利要求1所述的一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：所述s5步骤还包括以下步骤：s51：初始化产生l个粒子：假设车辆用户可卸载的mec服务器的数量为m，即搜索空间维度为m+1，初始化产生l个粒子：w
(l)
＝(λ0，λ1，...，λ
m
)；s52：更新粒子的速度和位置：粒子的速度和位置按下式进行更新：
s53：更新学习因子c1：通过在迭代求解的过程中，动态非线性地增大c1使粒子的学习能力不断增强以解决过早收敛的问题；学习因子c1按下式进行更新：其中c
1min
为c1的最小值，c
1max
为c1的最大值，t为当前迭代次数，t为设置的最大迭代次数。8.根据权利要求1所述的一种基于5g毫米波通信的高速公路车联网任务卸载算法，其特征在于：所述s6步骤还包括以下步骤：资源块和卸载比例向量联合优化算法：基于注水算法的资源块分配算法在固定卸载比例向量后基于注水算法得到了最优的资源块分配策略，基于粒子群优化的卸载比例向量算法通过资源块分配算法的结果使用粒子群算法求得最优的卸载比例向量。

技术总结
本发明揭示了一种基于5G毫米波通信的高速公路车联网任务卸载算法，该算法包括以下步骤：S1：建立5G毫米波高速公路车联网系统模型；S2：建立资源块分配和卸载向量联合优化问题；S3：将原联合优化问题解耦为资源块分配子问题和卸载决策子问题分别进行求解；S4：基于注水算法对资源块分配子问题进行求解；S5：基于粒子群算法对卸载决策子问题进行求解；S6：通过迭代求解问题得到最优的资源块分配方案及卸载决策向量。该算法针对高速公路场景下车辆任务的卸载决策及通信资源分配问题进行重点研究，将注水算法与粒子群算法相结合，为车辆用户提供最优的资源块分配及任务卸载方案，在满足车辆用户需求的同时，保证了用户间的公平性。性。性。


技术研发人员：朱晓荣 邱旭
受保护的技术使用者：南京邮电大学
技术研发日：2021.09.18
技术公布日：2022/3/8