依托新一代通信技术,车联网实现了车与车及路边基础设施等全方位的网络通信,并成为了未来智能交通系统的一个不可或缺的部分。此外,借助车辆和路边计算单元(Roadside Units,RSUs)的计算资源及边缘计算技术,车联网可为交通系统和车辆提供高质量的计算服务,从而实现为用户提供如导航、增强现实应用及驾驶辅助等不同的移动服务。然而,由于车联网中的车辆具有高速行驶的移动性、空间分布的差异性、任务请求的随机性、服务能力的异构性,以及RSUs具有状态切换等特性,这些特性将导致车联网在提供计算服务时面临任务响应延迟大、车辆或RSUs能耗高、网络性能不稳定等问题。本文针对不同的车联网模型,研究任务迁移算法,为用户提供更优的计算服务,主要工作及创新如下。(1)针对车辆到基础设施(Vehicle-to-Infrastructure,V2I)任务迁移的车联网模型,面向RSUs在工作和睡眠状态下可动态切换的场景,提出一个V2I任务迁移问题及三个迁移算法,从而为车辆提供低延时的计算服务。具体地,首先将车载任务请求建模为独立泊松流,并将RSUs的服务模型建模为简单的M/M/1排队系统。基于此,在RSUs任务队列存储空间等约束下,提出了一个以最小化任务总时延为目标的任务迁移问题,同时,证明了该问题为NP难解问题。为了解决该问题,提出了一个贪心算法,优先选择可最小化响应时间的RSUs来执行任务。同时,以所提出的贪心算法的解为初始解,定制了一个禁忌搜索算法,进一步降低任务的时延。此外,利用深度强化学习方法,构造了一个基于深度Q网络的任务迁移算法,以降低任务的响应时间。实验结果表明,在任务响应时间方面,提出的基于深度Q网络的任务迁移算法优于其他算法,且所有提出的算法性能均优于随机算法。(2)针对车辆到车辆(Vehicle-to-Vehicle,V2V)任务迁移的车联网模型,面向高速行驶的移动性、空间分布的差异性、任务请求的随机性、服务能力的异构性,提出了一个负载均衡问题,并设计了相应的V2V任务迁移算法和功率调整算法,以实现车辆之间的负载均衡。具体地,在车辆发送功率、存储空间等约束下,提出了一个以最小化最大的计算负载为优化目标的NP难解问题。为解决该问题,将其分解为两个子问题:1)在给定功率的前提下,如何迁移任务;2)在给定迁移策略的前提下,如何调整功率。针对第一个子问题,提出了近似求解算法、深度强化学习算法、基于联盟的集中式激励算法、基于联盟的分布式激励算法、以及基于深度强化学习的激励算法,以降低最大车辆计算负载。针对第二个子问题,定制了一个功率调整算法,以便进一步降低负载。在OSM、SUMO和NS-3的模拟平台和谷歌任务数据集上的实验结果表明,在多数情况下,所提出的任务迁移算法成功降低了系统的最大计算负载。此外,提出的功率调整算法可进一步降低车辆计算负载。(3)针对V2I和V2V共存的任务迁移车联网模型,面向十字路口场景,提出了一个车联网组网方式和三个任务迁移算法,以便为用户提供稳定且高效的计算服务。具体地,在所提出的车联网组网方式中,根据车辆在十字路口的转向,将车辆划分为三个车联子网。在每个子网中,车辆之间可通过V2V通信,车辆与RSUs之间可通过V2I通信。基于所提出的车联网模型,为了最小化车载任务的平均响应时间,提出了一个贪心算法,优先选择最邻近的车辆协助任务的执行。此外,基于Kunhn-Munkras方法和最小花费最大流(Min-cost Max-flow)方法,提出了两个二分匹配算法,以降低车载任务平均响应时间。在OSM、SUMO和NS-3结合的模拟平台上的仿真实验结果表明,所提出的车联网组网方式成功地降低了任务的平均响应时间。此外,所提出的二分匹配算法性能上均优于现有的算法;所提出的贪心算法在运行时间上均优于其他算法。