随着汽车行业和物联网技术的不断发展,智能网联汽车正在成为现实。高度智能化的汽车与网络相连,使得诸如自动驾驶、智能交通和娱乐办公等一系列新兴应用和服务逐步参与到人们的出行中。这些车载应用的出现,在给人类生活带来便捷的同时,也不可避免地引入诸多挑战。新型智能应用需要强大的计算资源,虽然当前车载芯片的计算能力在不断进步,但面对大量计算密集型车载应用时仍显不足。现在普遍接受的方案是将车载应用通过无线通信卸载至其他具备充足计算资源的服务器上。由于存在众多的服务节点,选择应用要卸载和计算的服务节点并保证计算结果能够回传至车辆是卸载服务的重要目标。而车辆本身固有的移动属性和应用对于时延的要求增加了卸载服务的困难:如果卸载和计算过程持续时间很长,计算结果被车辆接收到时已经失去时效;此外,车辆在长时间的计算过程中可能已经远离应用卸载时刻其所处位置,很难追踪到车辆现处位置以回传计算结果。基于以上问题,移动边缘计算（Mobile Edge Computing,MEC）因为能够在车辆近端提供计算能力而得到广泛关注。本文将结合MEC开展关于计算密集型兼时延敏感型车载应用程序的卸载决策研究,主要包括如下内容:首先,本文提出了一种车联网中的MEC节点协作计算方案。针对部分卸载的情况,将应用程序内部划分为具有数据依赖关系的若干子任务。研究具备一般性依赖关系的任务调用图。为了能够处理这样的车载应用程序,协作计算方案先将应用程序全部卸载至一个在车辆通信范围内的路边单元（Roadside Unit,RSU）上,再通过RSU之间的通信,使得位于多个RSU中的MEC服务器协作计算应用程序的各个子任务,最后利用一个能与卸载服务结束时车辆所在位置进行通信的RSU将结果回传至车辆。其次,将上述各步骤对RSU/MEC服务器的选择描述为一个优化问题。根据子任务之间的依赖关系,建立相应的通信和计算模型,并最终得到车载应用程序卸载过程所经历的总时延。为了提高卸载服务可靠性,同时降低卸载服务所用时延,本文以最小化所有车辆的应用程序完成时间与卸载服务失败所受惩罚加权和为目标,联合优化卸载、计算和回传三个部分对RSU/MEC服务器的选择。然后,采用一种强化学习（Reinforcement Learning,RL）算法对问题进行求解。本文提出的优化问题是一个整数规划问题,并且,车联网的动态特性、子任务间存在依赖关系使得问题的求解更加困难,因此采用强化学习对问题进行求解。为了实施强化学习,先将问题转化为马尔可夫决策过程（Markov Decision Process,MDP）,并定义相应的状态空间、动作空间以及奖励函数。为了降低状态空间和动作空间的维度,采用一种多智能体的强化学习算法——多智能体深度确定性策略梯度（Multi-agent Deep Deterministic Policy Gradient,MADDPG）。最后,通过仿真实验证明所提方案与算法的有效性。在不同的条件下将所提方案与每辆车将其一个应用程序内部所有子任务置于同一MEC服务器上处理的方案进行了对比,以验证所提方案适用于计算密集型应用程序和车辆高速移动的情况;进一步,针对运用所提方案但使用不同算法进行求解的结果作对比。实验结果表明,对于所提方案,使用基于MADDPG的算法求解得到的决策结果能够获得更好的性能。