1.一种基于非支配排序遗传策略的车联网多目标计算任务卸载调度方法，其特征在于该方法包括如下步骤：

第1、车联网系统模型的构建：

第1.1、对车联网系统的通用名词进行定义；

第1.2、建立通信模型；

第1.3、建立计算时延模型；

第1.4、建立计算能耗模型；

第2、车联网任务卸载策略的构建：第2.1、计算任务节点的调度约束；

第2.2、根据目标函数构建问题模型；

第3、NSGS算法的设计：

第3.1、根据遗传算法，设计车辆种群并进行初始化；

第3.2、设定约束条件；

第3.3、使用快速非支配排序方法对个体进行排序；

第3.4、计算拥挤度；

第3.5、设计交叉和变异策略；

第3.6、设计种群更新策略；

步骤第1.1中对车联网系统的通用名词进行定义，即一条道路上有M＝{1,2,3,...,m}个车辆，N＝{1,2,3,...,n}个信道,K＝{1,2,3,...,k}个边缘服务器；车辆在一个时间段最多只能连接一个信道，同时约束每辆车只能选择一个MEC服务器执行任务；将每辆车的计算任务分割成互相依赖的若干个子任务，这些子任务卸载到边缘服务器进行处理，但是有些任务必须在本地执行，约束车辆第一个子任务与最后一个子任务将在本地执行；使用有向无环图Dm＝(Vm,Rm)代表车辆的计算任务，其中 表示车辆m的所有子任务集合，使用 来表示车辆m的子任务 和 之间的依赖关系，这两个子任务是邻居节点，当子任务 是 的直接父节点时， 必须在 之前完成；当这两个子任务一个在本地卸载而另一个在边缘服务器卸载时会产生额外的通信代价，每一个车辆m的子任务节点用 表示， 表示车辆m的子任务节点i的数据大小， 表示车辆m的子任务节点i在本地进行任务卸载时消耗的CPU资源， 表示车辆m的子任务节点i在边缘服务器进行任务卸载时消耗的CPU资源， 表示一个决策因子，当决策因子等于1时表示子任务i在边缘服务器进行卸载，当决策因子等于0时表示子任务i在本地服务器进行卸载；

步骤第1.2中建立通信模型的方法如下，将车辆计算任务切分成子任务提高任务卸载的并行能力，将车辆的任务节点化为 与 两个不相交的集合，分别表示在本地卸载与在边缘服务器卸载的任务集合， 表示有向无环图中被划分了的边的集合；根据香农公式得到传输速率

上式中，参数Bn代表上传信道n的带宽，参数Pm表示车载设备m的发送功率，参数 表示车辆与RSU之间的路径损耗，参数δ表示路径损耗因子，参数h表示上传链路的信道衰落因子，参数N0表示高斯白噪声功率；

从而得到车辆m通过信道n的额外传输延迟上式中， 表示本地卸载子任务节点 输入到边缘服务器卸载子任务节点 的数据大小；

步骤第1.3中建立计算时延模型的方法如下：使用Tm表示车辆m进行计算任务卸载时的时延，Tm由三个部分组成：1)任务节点在本地服务器进行任务卸载时的延迟 2)任务节点在边缘服务器进行任务卸载时的延迟 3)有依赖关系的两个任务节点 与 之间的额外传输延迟

车辆m子任务节点i在本地进行任务卸载时的延迟 表示为：上式中 表示车辆m的本地计算能力，每秒CPU的圈数；

车辆m子任务节点i在边缘服务器进行任务卸载时的延迟 表示为：上式中fk表示边缘服务器k的计算能力；

当车辆的两个子任务邻居节点在两个不同的地方进行卸载，即则会产生额外的传输延迟；

使用 表示节点i的开始时间， 表示节点i的结束时间， 表示子任务节点i的执行时间，由此，得到公式：

因为车辆m的子任务节点i既在本地执行，又在边缘服务器执行，所以得到：车辆m的节点i的开始时间 取决于它的前置节点的完成时间， 的计算公式如下：当车辆m的子任务节点i是第一个卸载任务，那么开始时间 上式中 是节点的直接前置节点集合， 按下式表示：由上述可知，车辆m的总的计算卸载任务时间是最后一个任务的结束时间，其中v是最后一个任务节点，即：

步骤第1.4中建立计算能耗模型的方法如下：Em来车辆m进行计算任务卸载时的能量消耗，Em由两个部分组成：1)车辆m的所有子任务节点的计算任务卸载能耗 2)有向无环图中被切割边之间的数据传输产生的能耗 不考虑数据传输回车辆的能量消耗；

车辆m所有子任务节点的计算任务卸载能耗 表示为：上式中μ表示本地服务器中每个CPU的能耗系数，i表示车辆的所有子任务中的任意一个子任务节点；

在相关联节点数据传输能耗问题上只考虑从车辆将任务卸载到边缘服务器时的能耗，则相关联节点数据传输能量消耗 表示为：综上所述，得到车辆m总的能量消耗为：步骤第2.1中计算任务节点的调度约束，实现方法如下，根据式(9)和(12)给出的目标函数，子任务节点需要满足以下约束：

1)执行优先级约束：

当车辆m的子任务节点 为 的直接父节点则子任务节点 的执行优先级要比 高，计算子任务节点的优先级的方法是，从车辆m的最后一个子任务节点 遍历有向无环图来递归计算每一个子任务节点的优先级；

2)卸载截止期限约束：

卸载截止期限是指车辆m的最后一个子任务节点的完成时间不能超过整个计算任务卸载的时间；

3)完成卸载约束：

车辆m的每一个子任务节点都必须在其所有前驱子任务节点全部完成之后才能进行本身任务的卸载，子任务节点的开始卸载时间不能早于其前驱节点的结束时间，当子任务节点与其前驱节点不在同一个位置进行卸载还需要进行计算两个节点的传输时间；

步骤第2.2中建立目标函数优化问题模型的方法如下：车辆m的卸载延迟涉及到的是车辆计算任务卸载的时间延迟与车辆传输通信延迟，车辆的平均延迟表示为：上式中ηm,n,k∈{0，1}，如果车辆m通过信道n将计算任务卸载到边缘服务器k上，则ηm,n,k＝1，如果没有则ηm,n,k＝0；

车辆m的能量消耗涉及到的是本地进行卸载时的能量消耗与通过信道的能量消耗，车辆的平均消耗表示为：

把优化延迟与能耗的问题看作是一个约束多目标优化问题CMOP，优化函数是由时延函数与能耗函数组成，优化目标就是最小化平均时延与平均能耗，优化策略表示为满足优化目标的情况下符合以下六个约束：约束C1为车辆m的任务节点只能在一处卸载，要么是本地卸载要么是边缘服务器卸载；约束C2为车辆m有没有通过信道n连接到边缘服务器k上；约束C3为一辆车在一次选择时只连接一个信道；约束C4为当节点 是节点 的直接父节点时；

约束C5为车辆m的最后一个子任务节点的完成时间不能超过整个计算任务卸载的时间；约束C6为子任务节点的开始卸载时间不能早于其前驱节点的结束时间；

步骤第3.1中初始化种群的方法为：染色体中的基因对应一辆车，基因数则表示车辆的v

总数量，车辆m由v个计算任务组成，染色体中的基因值表示为value∈{0,1,2,...,2‑1}，基因的值将value转换为二进制表示车辆m的计算任务卸载决策；

步骤第3.2所述设定约束条件如下：CON表示约束违规程度， 是任务节点i的执行优先级约束违规程度， 是任务节点i的卸载截止期限约束违规程度， 是任务节点i的完成卸载约束违规程度；

步骤第3.3所述使用快速非支配排序算法如下，计算种群P中每个个体p的两个参数np种群中支配个体p的个体数目和Sp种群中被个体p支配的个体集合；

1)找出种群中所有np＝0的个体，保存在集合F1中，即第一层；

2)对F1中的每个个体p，其所支配的个体集合为Sp，遍历Sp中每个个体l，nl＝nl‑1,若nl＝0，将l保存在集合F2中，即第二层；

3)以F2为当前集合，重复步骤2)，直到整个种群被分层；

步骤第3.4所述拥挤度的计算方法的描述如下：上式中nd,i表示解i的拥挤度， 表示平均延迟函数， 表示平均能耗函数， 与表示平均延迟函数中的最大值与最小值， 与 表示平均能耗函数中的最大值与最小值，同时，对于排序后两个边界的拥挤度置为∞，当两个解的支配等级相同时，选择拥挤度大的解；

步骤第3.5所述交叉和变异算法的描述如下：交叉概率CP设置为1.5；变异概率MP计算公式如下：上式中，mp表示初始化时给定的变异概率值，n表示当前迭代次数，N表示最大迭代次数；

进行交叉操作按如下公式进行：

上式中，x1和x2表示父代染色体中p1和p2的交叉基因值，x′1和x′2表示子代染色体中c1和c2交叉后的基因值，同时基因位置与其对应的父代相同，α∈[0,1]是一个随机变量；

进行变异操作按如下公式进行：

v

x′m,i＝2‑1‑xm,i                                (18)上式中，xm,i表示染色体m上的第i个基因值，x′m,i表示经过变异后生成的子代；

步骤第3.6所述种群更新方法的描述如下：经过自适应交叉和变异操作后得到新的子代种群，接着计算新的子代种群的目标函数值和约束违规程度，采用锦标赛算法将父代种群与子代种群合成新的种群，使用快速非支配排序方法对新的种群进行排序，计算每个个体的拥挤度，通过比较非支配等级与拥挤度来进行排序，得到最优的染色体保留生成下一代，迭代终止后，将Pareto最优前沿的解转换成二进制表示为最佳计算卸载策略，否则，返回初始化种群操作，不断迭代直至满足迭代的终止条件为止。