近年来,随着信息通信技术在移动通信领域的飞速发展,现代生活方式已发生了巨大变化,人们期望在移动的车辆中随时随地交换数据。但是,由于某些实际因素(例如,道路上车辆密度的增加),当前蜂窝网络在不降低服务质量的情况下,无法有效地支持车辆不断增长的服务请求以及生成的数据流量。基于移动边缘计算(Mobile Edge Computing,MEC)的车联网(Internet of Vehicle,Io V)被设想为满足应用需求的潜在解决方案。但是MEC资源有限,同时考虑到车联网中复杂的网络环境,使得任务决策与资源分配等诸多问题成为制约MEC可扩展性和网络提升的关键。综上所述,考虑到资源的有限性与异构性,研究了车联网中基于MEC的异构资源优化问题。主要工作有以下两个方面:1.针对车联网中基于MEC多服务器的资源优化问题,联合任务卸载和资源分配策略,以最大化平均系统效益为目的制定优化问题。考虑了资源的有限性,任务的异构性与多样性。针对求解问题的复杂性,首先将原始优化问题进行分解,然后对资源分配问题进行求解,并且提出多轮组合卸载调度机制解决任务卸载问题,该机制实现系统在保证车辆效益不会降低的同时,最大化平均系统效益。最后通过仿真结果证明所提方案的有效性。2.针对车联网中基于MEC缓存服务的资源优化问题,建立车联网中基于MEC缓存服务场景,联合考虑计算卸载、缓存和资源分配策略,以最大程度地减少总延迟消耗。由于该问题为难以求解的混合整数非线性优化问题,因此采用广义benders分解方法并加以改进,最后仿真结果表明,无论是运行时间还是总系统时延消耗方面都证明了该方案的有效性。