为了改善日益拥挤的交通条件,出现了车联网（IoV）技术。在车联网技术中,智能车辆应用的爆炸性增长催生许多计算任务量大以及延时敏感的任务,例如自动驾驶,实时路况等,其最终目的是使人们的生活更加方便便利。然而,那些有前途的应用通常都需要处理大量数据,需要很高的计算能力,但是,由于每一辆车的计算能力有限,车辆自身很难完全满足任务所需的要求。为了应对这一挑战,现有的文章提出了车辆到所有（V2X）通信是一种有前途的技术,可以支持跨车辆的边缘计算传输任务。采取移动边缘计算（MEC）和车联网（IoV）相结合的方式,充分利用了各自的优势缩短了服务器与车辆之间的距离,提供更有效的数据处理。通过使用V2X通信,可以更有效使用频谱资源,显著降低能耗,提高计算的质量。目前使用广泛且较常见的车辆到所有（V2X）通信技术是:车载MEC环境中车对车技术和车对基础设施通信技术。现有的主流技术是将车载任务通过车对基础设施（V2I）通信卸载到边缘基站上来处理,虽然边缘基站可以处理车辆发送来的任务,但是车对基础设施（V2I）通信存在很大的局限性,为保证通信质量,场景一般都设定在城市路面,且基站一般的都是均匀分布在马路上,当车辆不在目标基站的覆盖范围内时,会存在延时较高的情况,说明边缘基站存在灵活性低、移动性较差的问题,这时有学者提出使用车对车（V2V）通信技术对卸载过程进行辅助,也就是将车辆发送的任务通过车对车的方式将任务多跳传送到适合的基站上卸载以优化卸载问题,但是针对偏远的地带,地势险峻的地区,这个方法仍具有局限性。为了更好的优化上述问题,同时也考虑到较少的基站区域或者偏远的地区,本文提出了一种以车对车（V2V）通信技术为主,车对基础设施（V2I）通信技术为辅,两者相结合的卸载方式,也就是优先采用V2V通信技术将任务卸载到符合约束条件的车上,若当前车辆的通信范围内没有符合要求的车辆,则再考虑将任务卸载到基站上。对于目标车辆的选择,本文通过三个步骤来解决该问题:第一步是通过车辆的坐标和速度,编写初步筛选目标车辆的算法,再通过基于笛卡尔积算法的排列组合策略,获得初步的选择策略的集合。第二步本文将计算卸载任务定义为最小化延时和最大化资源利用率的多目标联合优化问题。鉴于遗传算法（NSGA-Ⅲ）在解决多目标优化问题方面是有效的,因此本文采用NSGA-Ⅲ算法为计算卸载方法寻求全局最优解,该方法首先对卸载策略进行编码,为了为多目标优化问题提供约束条件,接下来本文需要给出适应度函数,之后本文通过NSGA-Ⅲ遗传算法对第一步得到的初始策略进行交叉操作和变异操作来创建全新的卸载解决方案。经过多次迭代后,选择种群中的最优解。第三步本文将在第二步的基础上使用简单加权法SAW（Simple Additive Weighting）,参考延时和资源利用率两个指标,对第二步的卸载解决方案进行加权计算,再用多准则决策MCDM（Multiple Criteria Decision Making）将计算后的结果进行归一化处理,得到最佳的任务卸载方案。最终通过仿真模拟实验结果表明,本文所提出的方法具有有效性。