1.一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：该方法包括：S1：在多个车辆并发卸载场景下，根据车辆的带宽、任务的大小、最大容忍时延、车辆发射功率，构建车辆网络模型、任务模型、计算模型；

S2：将所有车辆的时延与能耗进行加权得到系统总成本，建立满足最大时延容忍的最小化系统总成本的约束优化问题与资源分配模型；

S3：利用压缩粒子群算法为基础算法，在此基础上提出一种粒子矩阵编码方式，在做卸载决策的同时进行资源分配，获得每辆车卸载到各个计算平台的任务比例，以及MEC分配给车辆的计算资源；

S4：提出的粒子修正算法，利用压缩粒子群算法结合罚函数法，解决约束优化问题。

2.根据权利要求1所述的一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：所述构建车辆的网络模型、任务模型、计算模型包括：S21：车辆网络模型：车辆上传链路的信道是瑞利信道模型，车辆vi与BS之间的上传/下载的数据速率为Ri1，车辆vi与空闲车辆、MEC之间上传/下载的数据速率为Ri2；

其中，h1，h2，B1，B2， 分别表示车与BS，车与MEC/空闲车辆之间的信道增益，信道带宽，发射功率；α2代表噪声功率，λ，ω∈(0,1)为带宽分配因子；

S22：任务模型：车辆vi需要卸载的计算任务Si为可分型，定义 其中每辆车的计算任务都不相同，参数不完全相同；Ii表示Si的工作量大小；G表示计算1bit数据所需要的CPU周期数，单位cycles/bit；fi表示车辆的计算能力，单位cycles/s； 表示Si的最大容忍时延；MEC的计算资源为fmec，分配给车辆vi的计算资源为 远端云服务器提供给车辆的计算资源为fcloud，空闲车辆只提供一定的计算资源fidle；卸载决策矩阵为：D＝[d1,d2,…,dn]，其中di＝[ai1,ai2,ai3,ai4]，ai1、ai2、ai3、ai4分别表示Si卸载到本地、MEC服务器、远端云服务器、空闲车辆的比例；ai1,ai2,ai3,ai4∈[0,1]，ai1+ai2+ai3+ai4＝1；

S23：本地车辆计算模型：Si在本地车辆执行的计算任务量为ai1×Ii，定义本地车辆执行时延为 能耗为 由于车辆在本地计算只有计算时延，没有通信时延；

其中，Pi表示车辆vi的设备功率；

S24：MEC计算模型：Si在MEC执行的计算任务量为ai2×Ii，定义在MEC的执行时延为传输时延为 回传时延为 从车辆vi卸载到MEC的总时延为 总能耗为其中，Pmec是MEC服务器的设备功率， 是车辆vi的上传功率，δ为输出数据量系数，表示输出数据量与输入数据量之间的关系；

S25：远端云服务器计算模型：卸载到远端云服务器就需要先卸载到BS然后由光纤卸载到远端云服务器；定义在远端云服务器的执行时延为 传输时延为 计算结果返回传输时延为 在光纤线路上计算任务平均传输等待时延为tcloud，从车辆vi卸载到远端云服务器的总时延为 总能耗为其中，Pcloud表示远端云服务器的设备功率，PBS表示基站的发射功率；

S26：空闲车辆计算模型：卸载到空闲车辆的执行时延为 传输时延为 计算结果的返回时间为 车辆之间的中继平均时延为tw，从车辆vi卸载到空闲车辆的总时延为t，总能耗为其中，Pidle表示空闲车辆的设备功率。

3.根据权利要求1所述的一种车联网中自适应联合计算卸载与资源分配方法，其特征在于，所述建立满足最大时延容忍的最小化系统总成本的约束优化问题与资源分配模型包括：车辆的联合卸载的总时延T，总能耗E，定义联合卸载系统的成本为H；

H＝γ·T+(1-γ)·E

其中，γ为时延权重系数，(1-γ)为能耗权重系数；

在满足任务Si最大容忍时延 和资源限制下，最小化联合卸载系统的总成本，将系统的任务卸载和资源分配建模为：s.t.C1:

C2:

C3:

C4:

C5:

其中，D为卸载决策矩阵，F为MEC服务器的计算资源分配向量，表示为

4.根据权利要求1所述的一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：所述粒子矩阵编码方式包括：每辆车的优化参数有5个，分别是ai1,ai2,ai3,ai4和 RSU下有n辆车需要任务卸载，那么一个粒子的编码矩阵M就是n×5的矩阵；矩阵的前4列是车辆的卸载决策矩阵D，矩阵的第

5列是MEC服务器的计算资源分配向量F；整个粒子群用一个矩阵A来存储，先把每个粒子编码矩阵M转为一行，存入到矩阵A中；矩阵A为一个N行(n×5)列的矩阵，其中N为粒子群大小。

5.根据权利要求1所述的一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：所述提出的粒子修正算法包括：将矩阵A的每一行取出，再还原成粒子的编码矩阵M，在把粒子编码矩阵的每一行取出，进行修正，使得每辆车的任务满足ai1,ai2,ai3,ai4∈[0,1]，ai1+ai2+ai3+ai4＝1。

6.根据权利要求1所述的一种车联网中自适应联合计算卸载与资源分配方法，其特征在于：所述利用压缩粒子群算法结合罚函数法，解决约束优化问题具体为：惩罚函数为：

γ(q)

P(q)＝θ(q)·q

其中，q是相对约束惩罚函数，θ(q)是分段赋值函数，γ(q)是惩罚指数；适应度函数为目标函数加上惩罚函数：