1.一种面向车联网的任务卸载方法，其特征在于，包括以下步骤：S1、获取用户数据，构建系统损耗模型；

S2、初始化系统损耗模型的参数，计算系统损耗模型的初始解的系统损耗和整体约束违反度；

S3、根据系统损耗对系统损耗模型的初始解进行排序，并初始化系统损耗模型的初始解的权重；当非可行解的整体约束违反度在阈值ε之内时，将其当作可行解进行排序处理；

S4、通过蚁群算法求解系统损耗模型，得到包含用户任务卸载比例、用户传输功率和用户使用的子信道的M个新的解；

S5、对新的解和系统损耗模型的初始解进行排序并得到当前最优可行解，重复步骤S3至本步骤直到预定的次数，得到使系统损耗最小的最优可行解；

S6、将使系统损耗最小的最优可行解作为车联网任务卸载策略；

步骤S1的具体实现方式如下：

构建系统损耗模型：

其中， 表示最小系统损耗； 表示系统损耗函数；表示系统损耗函数的解； 表示用户 任务卸载时间； 表示用户 在RSU服务范围内的驻留的时间， RSU服务路段的长度为 ，用户 的速度为 ， 的位置为 ；表示共有U个用户；

CH表示共有CH个子信道， ； 表示用户 的任务卸载比例； 表示用户的传输功率； 表示用户 使用的子信道； 代表着用户在时延和能耗间的偏好； 表示用户 的任务全部在本地执行的计算时延； 表示用户 的任务全部在本地执行所花费的能耗； 表示用户 任务所需要的总能耗；  为用户 任务的实际计算时延， 为用户 任务的本地计算时延； 表示用户在子信道 上的信道增益； 为 在 上的功率增益；为路径损耗系数；

表示用户 在子信道 上的信道增益； 表示传输功率阈值；

步骤S1中用户 任务所需要的总能耗、用户 任务卸载时间的具体实现方式如下：根据公式：

得到本地计算能耗 和用户 任务的本地计算时延 ；其中， 为用户的CPU平均功率， 为 的CPU功耗系数； 为用户 本地CPU的工作频率； 表示任务数据的大小； 表示计算每比特数据所需要的CPU周期数；

根据公式：

得到RSU接收到的用户 信号的信干噪比 ；集合中用户数量为S； 表示所有使用子信道 的用户集合； 为用户 和RSU之间的距离，为RSU与服务路段的距离； 表示用户 的传输功率； 为该用户的最大传输功率； 为高斯白噪声功率谱密度；为RSU为每个子信道分配的带宽；

根据公式：

得到用户 的传输速率 ；

根据公式：

得到用户 进行任务卸载时的传输时延 和传输能耗 ；

根据公式：

得到RSU执行任务所需的计算时延 ；其中， 为RSU服务器为用户 卸载的任务所分配的CPU工作频率；

根据公式：

得到用户 任务的卸载时延 和用户 任务所需要的总能耗 ；

步骤S2的具体实现方式如下：

S2‑1、初始化蚁群中初始解的数量K，初始化初始解的权重 ，蚂蚁数量M，迭代次数上限T，蚁群中所有非可行解的整体约束违反度均值ε；

S2‑2、根据公式：

获取整体约束违反度函数 ；其中， 为时间约束违反度函数；

为功率

约束违反度函数；当 时，为系统损耗函数 的一个可行解，否则，为非可行解；

S2‑3、根据系统损耗函数计算所有解的系统损耗，根据整体约束违反度函数计算所有解的整体约束违反度；

步骤S3的具体实现方式如下：

S3‑1、根据公式：

对蚁群中的可行解和非可行解放在一起进行基于ε的比较排序；  表示第 个解的系统损耗， 表示第 个解的系统损耗； 表示第 个解功率约束违反度；

表示第 个解的功率约束违反度；

S3‑2、根据公式：

得到子信道 的权重 和初始解 的权重 ；其中，为超参数； 越优， 就越大， 留下的信息素越浓，蚂蚁在 中的 和 附近移动的概率也就越大；

为蚁群中用户 使用了子信道 的最优解的权重， 为蚁群中用户 使用了子信道的解的数量，表示蚁群中所有解中的用户都没有使用的子信道的数量；

步骤S4的具体实现方式如下：

S4‑1、根据公式：

得到随机解 ； 为 的权重；c表示第c个解；

S4‑2、根据公式：

得到蚂蚁移动到 连续区间内任意一点的转移概率 ； 为蚂蚁选择的解 中用户 的任务卸载比例； ，为超参数；

S4‑3、根据转移概率 随机移动到区间 上的任意一点，得到新解中用户 的任务卸载比例 ；

S4‑4、根据公式：

得到用户功率转移概率 ；其中， ， ；

S4‑5、根据转移概率 在连续区间 内随机移动到任意一点，得到新解中用户 的传输功率 ；

S4‑6、根据公式：

得到用户的子信道转移概率 ；其中， 为子信道 的权重；

S4‑7、根据用户的子信道转移概率 移动到离散区间 内一个点 上，得到新解中用户 子信道编号 ；

S4‑8、根据新解中用户 子信道编号 、新解中用户 的传输功率 和新解中用户 的任务卸载比例 ，得到蚂蚁 在各个变量的取值空间内移动3×U次的一个新解 ；

S4‑9、重复步骤S4‑1至步骤S4‑8直到M次，得到M个新解；

步骤S5的具体实现方式如下：

S5‑1、将得到的M个新解和当前已有的K个解进行基于ε的比较排序，并用前K个最优解替换蚁群中原来的解，得到替换后的解；

S5‑2、判断当前迭代是否达到设定次数，若是则输出使系统损耗最小的最优可行解；否则进入步骤S5‑3；

S5‑3、计算替换后的解的信息素，即替换后的解的权重；

S5‑4、根据公式：

得到当前迭代次数的 大小，使迭代次数加1并返回步骤S5‑1；其中，为当前迭代次数，为迭代次数上限， 为初始化的蚁群中所有非可行解的整体约束违反度均值， 为当前蚁群中可行解的比例， 和 均为超参数；迭代次数的初始值为0。