車輛霧計(jì)算中基于反向拍賣的停車輔助方案

朱蘭婷,孫麗珺,閆 楊

(青島科技大學(xué) 信息科學(xué)技術(shù)學(xué)院,山東 青島 266061)

0 概述

隨著智能連接設(shè)備數(shù)量的增加,智慧城市、5G網(wǎng)絡(luò)、車聯(lián)網(wǎng)以及無線傳感器網(wǎng)絡(luò)中的數(shù)據(jù)呈現(xiàn)爆炸式增長[1-2]。霧計(jì)算將云計(jì)算的彈性資源從云數(shù)據(jù)中心擴(kuò)展至網(wǎng)絡(luò)邊緣,緩解了網(wǎng)絡(luò)擁塞現(xiàn)象并縮短了服務(wù)響應(yīng)時(shí)間[3-4]。車輛霧計(jì)算(Vehicle Fog Computing,VFC)作為霧計(jì)算的一種擴(kuò)展模式,將霧計(jì)算與傳統(tǒng)的車載網(wǎng)絡(luò)相結(jié)合,設(shè)置車輛作為通信和計(jì)算的基礎(chǔ)設(shè)施,利用靠近用戶的邊緣設(shè)備提供實(shí)時(shí)響應(yīng)服務(wù),從而大幅提高了服務(wù)質(zhì)量[5]。

傳統(tǒng)的車載網(wǎng)絡(luò)部署路側(cè)單元(Road Side Units,RSU)為移動(dòng)終端提供服務(wù)。隨著服務(wù)請求的增加,RSU的數(shù)據(jù)處理壓力不斷提高[5]。此外,人口數(shù)量的增加和城市空間資源的限制,導(dǎo)致了嚴(yán)重的城市停車問題。許多城市的交通堵塞是由于車輛尋找停車位所造成,智能停車輔助可以節(jié)省用戶搜索車位的時(shí)間,如自動(dòng)泊車系統(tǒng)可以為駕駛員提供實(shí)時(shí)停車導(dǎo)航服務(wù)[6-7],從而緩解交通擁堵現(xiàn)象。將VFC與智能停車輔助相結(jié)合,選擇一些具有霧計(jì)算能力的智能車輛作為基礎(chǔ)設(shè)施,與移動(dòng)的車輛用戶進(jìn)行信息交換和共享,可以改善交通狀況。

在VFC中,充當(dāng)霧節(jié)點(diǎn)的智能車輛等設(shè)備具有資源有限性、分布性等特點(diǎn),為VFC的發(fā)展帶來挑戰(zhàn)[8]。在一個(gè)地理區(qū)域內(nèi)的各霧節(jié)點(diǎn)構(gòu)成一個(gè)車輛霧網(wǎng)絡(luò),各節(jié)點(diǎn)分布廣泛,實(shí)現(xiàn)霧計(jì)算資源的合理分配存在一定難度。如何利用霧節(jié)點(diǎn)為用戶提供服務(wù),使節(jié)點(diǎn)資源得到充分利用,成為亟待解決的問題[9-10]。此外,雖然霧節(jié)點(diǎn)可以獨(dú)立地為用戶提供低延遲服務(wù),但其與云數(shù)據(jù)中心相比能力有限[11]。VFC需要不同的霧節(jié)點(diǎn)提供服務(wù),霧節(jié)點(diǎn)在貢獻(xiàn)資源的同時(shí)會(huì)花費(fèi)一定的成本。因此,需要建立激勵(lì)機(jī)制,激勵(lì)霧節(jié)點(diǎn)持續(xù)穩(wěn)定地貢獻(xiàn)資源,進(jìn)一步提高服務(wù)質(zhì)量[12-13]。

本文提出一種基于反向拍賣的VFC停車輔助分配策略RAFC,以幫助用戶獲取停車信息資源。由于反向拍賣可以使市場更具競爭力,有助于買方以最優(yōu)惠的價(jià)格得到服務(wù)[14],因此在智能車輛霧計(jì)算能力相對有限的條件下,本文將VFC智能停車輔助與反向拍賣相結(jié)合,激勵(lì)霧節(jié)點(diǎn)貢獻(xiàn)資源,使更多的用戶以更低的價(jià)格獲得服務(wù),從而緩解交通壓力。

1 相關(guān)工作

拍賣機(jī)制以投標(biāo)方式來分配商品,建立相應(yīng)的價(jià)格體系以實(shí)現(xiàn)資源的有效配置。傳統(tǒng)拍賣由賣方提供待售商品,買方進(jìn)行競價(jià),價(jià)高者得。而反向拍賣由買方提出購買需求,賣方進(jìn)行報(bào)價(jià),出價(jià)最低且滿足買方需求的賣方競標(biāo)成功。在VFC停車輔助系統(tǒng)模型中,買方是欲獲得停車信息資源的車輛用戶,賣方是提供待售資源的智能車輛,拍賣代理是第三方平臺(tái)。由拍賣代理決定拍賣分配并宣布拍賣結(jié)果。

為充分調(diào)動(dòng)參與者的積極性以實(shí)現(xiàn)資源合理分配,將經(jīng)濟(jì)分析和定價(jià)模型與網(wǎng)絡(luò)資源分配相結(jié)合,可以更好地在社會(huì)效用、用戶滿意度、匹配成功率等方面發(fā)揮作用。因此,基于拍賣的分配策略得到越來越多的關(guān)注。文獻(xiàn)[15]提出一種基于反拍賣模型的激勵(lì)方法,針對反拍賣可解決用戶退出和預(yù)算平衡問題的優(yōu)點(diǎn),對模型中涉及的任務(wù)覆蓋、反拍賣選擇和獎(jiǎng)勵(lì)實(shí)施等關(guān)鍵技術(shù)進(jìn)行深入分析與研究。文獻(xiàn)[16]研究群智感知中單任務(wù)場景下的激勵(lì)機(jī)制,采用反向拍賣方式,提出一種基于區(qū)域覆蓋的群智感知激勵(lì)機(jī)制,以提高區(qū)域覆蓋率和用戶參與度。文獻(xiàn)[17]針對邊緣網(wǎng)絡(luò)的資源有限性問題,提出基于拍賣的資源分配方法。在霧計(jì)算的資源分配問題中,文獻(xiàn)[13]針對支持VFC的智慧城市,提出一種通過資源定價(jià)影響車輛路徑選擇的激勵(lì)方案,以減輕資源需求的地理不平衡性,但其沒有考慮提高用戶的匹配成功率。文獻(xiàn)[18]建立一種Stackelberg博弈模型,解決服務(wù)運(yùn)營商的定價(jià)以及用戶的資源購買問題。文獻(xiàn)[19]將區(qū)塊鏈與云/霧計(jì)算服務(wù)相結(jié)合,建立基于拍賣的市場模型,以提高資源分配率和區(qū)塊鏈網(wǎng)絡(luò)的社會(huì)福利,但其未研究應(yīng)用的時(shí)延性問題。

目前,部分研究人員將反向拍賣與網(wǎng)絡(luò)資源分配相結(jié)合,但未將反向拍賣與VFC停車輔助問題進(jìn)行聯(lián)系,也未考慮用戶的時(shí)延和成本問題。本文提出一種RAFC策略,考慮車輛用戶的時(shí)延和成本需求,將提高用戶匹配成功率和降低用戶開銷成本作為優(yōu)化目標(biāo),激勵(lì)用戶和霧節(jié)點(diǎn)積極參與分配。

2 VFC停車分配問題建模

2.1 問題描述

如圖1所示,在一個(gè)地理區(qū)域內(nèi),一個(gè)VFC停車輔助系統(tǒng)由需要獲得停車信息資源的車輛用戶U={u1,u2,…,um}、充當(dāng)霧節(jié)點(diǎn)的智能車輛F={f1,f2,…,fn}以及第三方平臺(tái)物聯(lián)網(wǎng)提供商三部分組成[20]。其中,用戶作為買方,提交時(shí)延要求、資源需求,霧節(jié)點(diǎn)作為賣方,提供資源服務(wù),第三方平臺(tái)擔(dān)任拍賣代理,負(fù)責(zé)接收信息和協(xié)調(diào)分配。本文假設(shè)各用戶相互獨(dú)立,一個(gè)用戶請求最多只能遷移至一個(gè)霧節(jié)點(diǎn)完成,但一個(gè)霧節(jié)點(diǎn)可以接收處理多個(gè)請求。

圖1 VFC停車輔助系統(tǒng)模型

在物聯(lián)網(wǎng)中,通常將一個(gè)較大區(qū)域劃分成若干獨(dú)立子區(qū)域,一個(gè)子區(qū)域內(nèi)的霧節(jié)點(diǎn)構(gòu)成一個(gè)霧網(wǎng)絡(luò)。本文考慮在一個(gè)車輛霧網(wǎng)絡(luò)內(nèi),由第三方平臺(tái)搜集信息,將霧節(jié)點(diǎn)資源提供給需求用戶。本文符號說明如表1所示。

表1 符號說明

2.2 問題建模

本文RAFC策略在滿足用戶時(shí)延要求的基礎(chǔ)上,最小化用戶的開銷成本并提高匹配成功率。用戶、霧節(jié)點(diǎn)和第三方平臺(tái)的三方交互關(guān)系如圖2所示。

圖2 三方交互關(guān)系示意圖

在圖2中,①表示用戶ui∈U將請求Qi=(qi,Di)提交給第三方平臺(tái),霧節(jié)點(diǎn)fj∈F將資源量和資源單價(jià)信息Lj=(dj,Aj)提交給第三方平臺(tái);②表示第三方平臺(tái)根據(jù)提交的信息確定分配方案,將結(jié)果通知雙方;③表示拍賣成功的用戶支付費(fèi)用給霧節(jié)點(diǎn)和第三方平臺(tái),霧節(jié)點(diǎn)支付代理費(fèi)給第三方平臺(tái)。

RAFC策略的目標(biāo)包括:

1)實(shí)現(xiàn)個(gè)人理性和預(yù)算平衡。

2)激勵(lì)三方積極參與分配。

3)滿足用戶的時(shí)延要求和資源需求。

4)提高用戶的匹配成功率。

5)降低用戶的開銷成本。

2.3 效用函數(shù)

2.3.1 用戶的效用函數(shù)

(1)

收益函數(shù)Ui(qi)表示ui的請求響應(yīng)后可獲得的收益,qi表示ui的資源需求量,Ui(qi)可表示為:

Ui(qi)=alb(1+qi)

(2)

參數(shù)a計(jì)算如式(3)所示,a∈[1,2],其取值與用戶需求有關(guān),a值越大,表示資源需求越緊急。

(3)

開銷成本函數(shù)Pi(qi)表示ui獲得資源后應(yīng)支付的費(fèi)用,包括ui向提供資源的霧節(jié)點(diǎn)支付的費(fèi)用、轉(zhuǎn)發(fā)費(fèi)用以及支付給第三方平臺(tái)的代理費(fèi)。Pi(qi)表示為:

(4)

為激勵(lì)用戶積極參與分配并支付費(fèi)用獲取服務(wù),應(yīng)滿足用戶可獲得的資源收益大于成本支出,即Ui(qi)>Pi(qi)。

2.3.2 霧節(jié)點(diǎn)的效用函數(shù)

(5)

2.3.3 第三方平臺(tái)的效用函數(shù)

(6)

3 RAFC策略

3.1 目標(biāo)函數(shù)

RAFC策略將VFC停車輔助與反向拍賣相結(jié)合,制定分配方案,以最大化用戶匹配成功率同時(shí)最小化其開銷成本。RAFC策略的目標(biāo)函數(shù)定義為:

(7)

(8)

s.t.

xij∈{0,1}

(9)

(10)

(11)

Ui(qi)>Pi(qi)

(12)

(13)

(14)

(15)

式(7)表示滿足用戶請求,實(shí)現(xiàn)匹配成功率最大化。式(8)表示最小化用戶開銷成本。約束條件式(9)的xij表示霧節(jié)點(diǎn)fj的資源分配給用戶ui是否成功,xij=0表示未分配成功,xij=1表示分配成功。約束條件式(10)表示ui成功分配的資源量小于或等于參與分配的fj提供的資源量。約束條件式(11)表示分配成功的ui數(shù)目小于或等于提出請求的ui數(shù)目,約束條件式(12)表示ui獲得收益大于支出成本。約束條件式(13)表示fj的轉(zhuǎn)發(fā)收益大于轉(zhuǎn)發(fā)成本。約束條件式(14)表示fj的資源服務(wù)收益大于資源成本與代理費(fèi)之和。約束條件式(15)表示第三方平臺(tái)獲得的代理費(fèi)大于支出成本。

上述目標(biāo)函數(shù)屬于多目標(biāo)優(yōu)化問題,可以將多目標(biāo)優(yōu)化轉(zhuǎn)換為單目標(biāo)優(yōu)化問題來解決。最大化ui的匹配成功率可轉(zhuǎn)換為最小化ui的匹配失敗率。將目標(biāo)函數(shù)式(7)、式(8)轉(zhuǎn)換為單目標(biāo)函數(shù),可表示如下:

(16)

3.2 RAFC策略設(shè)計(jì)

整數(shù)規(guī)劃可以將3.1節(jié)的目標(biāo)函數(shù)問題簡化為0-1規(guī)劃問題,但0-1規(guī)劃問題已經(jīng)被證明是一個(gè)NP問題。本文提出RAFC策略來近似求解NP問題,該策略分為節(jié)點(diǎn)篩選階段和資源匹配階段。

3.2.1 節(jié)點(diǎn)篩選階段

本文在Dijkstra算法[21]的基礎(chǔ)上進(jìn)行改進(jìn),提出一種節(jié)點(diǎn)篩選算法,將最短路徑問題與用戶的時(shí)延和成本需求相結(jié)合,目的是找到滿足用戶時(shí)延要求和最低成本需求的候選霧節(jié)點(diǎn)集合Fc。首先,計(jì)算各霧節(jié)點(diǎn)之間的最短路徑,尋找滿足用戶時(shí)延要求的霧節(jié)點(diǎn)集合,不滿足條件的霧節(jié)點(diǎn)不再參與下一階段。然后,計(jì)算用戶的開銷成本,將成本最低的霧節(jié)點(diǎn)作為候選霧節(jié)點(diǎn)。節(jié)點(diǎn)篩選算法具體流程如算法1所示。

算法1節(jié)點(diǎn)篩選算法

輸入U(xiǎn),F,W

輸出Fc,Pi

1.Initialize: Fc←?;Pi←?;int i.j;

//Find the feasible shortest path that can meet the latency //requirement

2.for each ui∈U

3.for each fj∈F

6.Fc←Fc∪{fj};

7.end

8.end

9.for each ui∈U

10.calculate Pi(qi) for each fj∈Fcby formula(4) to find the lowest fj

11.Pi←Pi(qi)

12.end

13.return Fc, Pi

//Output the candidate fog node set,and minimum cost

3.2.2 資源匹配階段

算法1為用戶找出候選霧節(jié)點(diǎn)集合Fc,反之,每一個(gè)霧節(jié)點(diǎn)都存在候選用戶集合。本文在貪心算法[22]的基礎(chǔ)上進(jìn)行改進(jìn),提出一種資源匹配算法。將候選用戶集合的資源需求按升序排列,每次完成分配后更新霧節(jié)點(diǎn)信息。若節(jié)點(diǎn)資源不能滿足剩余候選用戶的需求,停止分配該節(jié)點(diǎn),再分配下一個(gè)節(jié)點(diǎn),直到霧節(jié)點(diǎn)和用戶全都分配完成,得到成功分配的用戶集合Uw和霧節(jié)點(diǎn)集合Fw,算法結(jié)束。資源匹配算法具體流程如算法2所示。

算法2資源匹配算法

輸入Fc

輸出Uw,Fw

1.for each fj∈Fc

//User resource requirements are sorted in ascending order

2.sort qifor all ui∈U in the ascending order and the list is denoted Fc

3.if dj≥qi

4.Uw=[Uw,m]

//Update the set of users that have been assigned

5.dj=dj-qi;

//Update the amount of resources of the fog node fj

6.Else

7.break

//Processing the next fog node if the user resource //requirement is not met

8.End

9.return Uw, Fw

4 理論分析

本節(jié)首先從拍賣機(jī)制的經(jīng)濟(jì)屬性角度進(jìn)行分析,證明RAFC策略的算法是個(gè)人理性、預(yù)算平衡的,可以持續(xù)地激勵(lì)三方積極參與拍賣。然后,分析算法的時(shí)間復(fù)雜度,證明該算法具有可執(zhí)行性并且可以在有限步驟內(nèi)實(shí)現(xiàn)。

4.1 個(gè)人理性分析

定理1本文RAFC策略是個(gè)人理性的。

4.2 預(yù)算平衡分析

定理2本文RAFC策略是預(yù)算平衡的。

4.3 算法的時(shí)間復(fù)雜度分析

定理3RAFC策略的時(shí)間復(fù)雜度為多項(xiàng)式時(shí)間。

證明RAFC策略分為節(jié)點(diǎn)篩選階段和資源匹配階段兩部分。對于節(jié)點(diǎn)篩選階段,算法1中第2行～第8行的時(shí)間復(fù)雜度為O(mn),第9行～第11行的循環(huán)時(shí)間復(fù)雜度為O(m)。因此,算法1的時(shí)間復(fù)雜度為O(mn)+O(m),即算法1的時(shí)間復(fù)雜度為多項(xiàng)式時(shí)間。對于資源匹配階段,算法2中第1行～第8行的時(shí)間復(fù)雜度為O(|Fc|),第2行排序算法的時(shí)間復(fù)雜度為O(mlogam)。因此,算法2的時(shí)間復(fù)雜度為O(m|Fc|logam),即算法2的時(shí)間復(fù)雜度為多項(xiàng)式時(shí)間。綜上,本文RAFC策略的時(shí)間復(fù)雜度為多項(xiàng)式時(shí)間。

5 數(shù)值結(jié)果分析

5.1 參數(shù)設(shè)定

本文采用MATLAB仿真平臺(tái)驗(yàn)證RAFC策略的可行性,將CRB數(shù)量定義為VFC網(wǎng)絡(luò)資源的單位。首先,定義所需的基本仿真參數(shù)。假設(shè)霧節(jié)點(diǎn)有5個(gè)～40個(gè),用戶數(shù)目有10個(gè)～150個(gè)。用戶的資源需求量在2～12之間隨機(jī)選取,霧節(jié)點(diǎn)的資源量根據(jù)用戶資源需求量和用戶數(shù)目在10～200之間隨機(jī)選取。霧節(jié)點(diǎn)單位資源報(bào)價(jià)在1～10之間隨機(jī)選取,用戶的最大允許時(shí)延在0.1 s～0.3 s之間隨機(jī)選取。

實(shí)驗(yàn)性能指標(biāo)包括運(yùn)行時(shí)間、匹配成功率、開銷成本、社會(huì)效用4個(gè)方面,通過50次實(shí)驗(yàn)比較得到平均結(jié)果。同時(shí),為驗(yàn)證RAFC策略的性能,將該策略與隨機(jī)匹配法進(jìn)行比較,隨機(jī)匹配法隨機(jī)分配用戶,若滿足用戶需求即完成匹配。

5.2 仿真結(jié)果分析

當(dāng)霧節(jié)點(diǎn)數(shù)目和空閑資源一定時(shí),用戶請求越多,方案的運(yùn)行時(shí)間越長,開銷成本越高,匹配成功率越低。當(dāng)請求數(shù)目一定時(shí),霧節(jié)點(diǎn)的個(gè)數(shù)越多,匹配成功率越高。

圖3所示為霧節(jié)點(diǎn)數(shù)目等于10時(shí)2種方法的運(yùn)行時(shí)間隨用戶數(shù)目的變化曲線。從圖3可以看出,隨著用戶數(shù)目的增加,2種方法的運(yùn)行時(shí)間逐漸上升。當(dāng)用戶數(shù)目相同時(shí),由于RAFC策略需要對用戶的資源需求進(jìn)行重新排序,更新霧節(jié)點(diǎn)信息,因此其運(yùn)行時(shí)間高于隨機(jī)匹配法,但2種方法的運(yùn)行時(shí)間相差不大,且RAFC策略的運(yùn)行時(shí)間結(jié)果表明其可以快速實(shí)現(xiàn)。

圖3 2種方法的運(yùn)行時(shí)間對比

圖4所示為用戶數(shù)目等于60時(shí)匹配成功率隨霧節(jié)點(diǎn)數(shù)目的變化曲線。從圖4可以看出,隨著霧節(jié)點(diǎn)數(shù)目的增加,匹配成功率逐漸升高。當(dāng)霧節(jié)點(diǎn)數(shù)目少于15個(gè)時(shí),RAFC策略的匹配成功率明顯高于隨機(jī)匹配法。但當(dāng)霧節(jié)點(diǎn)個(gè)數(shù)多于15個(gè)時(shí),隨著霧節(jié)點(diǎn)個(gè)數(shù)的增加,2種方法的匹配成功率相差不大,且都可以穩(wěn)定在較高的值。當(dāng)用戶數(shù)目恒定時(shí),與隨機(jī)匹配法相比,RAFC策略可以提高匹配成功率。

圖4 匹配成功率1

圖5所示為霧節(jié)點(diǎn)數(shù)目等于10時(shí)匹配成功率隨用戶數(shù)目的變化曲線。從圖5可以看出,隨著用戶數(shù)目的增加,匹配成功率逐漸降低。當(dāng)用戶數(shù)目相同時(shí),RAFC策略的匹配成功率高于隨機(jī)匹配方法。當(dāng)用戶數(shù)目少于70個(gè)時(shí),2種方法的匹配成功率相差不大,但用戶數(shù)目大于70個(gè)時(shí),匹配成功率出現(xiàn)較大變化,且當(dāng)用戶數(shù)目為80個(gè)時(shí),兩者差距最大,其后差距逐漸趨于穩(wěn)定。由于RAFC策略的資源匹配階段采用了貪心策略,可以更快速地找到用戶匹配的局部最優(yōu)解。當(dāng)霧節(jié)點(diǎn)數(shù)目恒定時(shí),與隨機(jī)匹配法相比,RAFC策略可以提高匹配成功率。

圖5 匹配成功率2

圖6所示為霧節(jié)點(diǎn)數(shù)目等于10時(shí)用戶的開銷成本隨用戶數(shù)目的變化曲線。從圖6可以看出,隨著用戶數(shù)目的增加,開銷成本逐漸增加。當(dāng)用戶數(shù)目相同時(shí),隨機(jī)匹配法產(chǎn)生的開銷成本高于RAFC策略,原因是RAFC策略考慮了用戶的最低成本需求且使用了貪心策略。當(dāng)霧節(jié)點(diǎn)數(shù)目恒定時(shí),與隨機(jī)匹配法相比,RAFC策略可以降低開銷成本。

圖6 2種方法的開銷成本對比

社會(huì)效用是指成功分配的用戶、霧節(jié)點(diǎn)及第三方平臺(tái)的三方收益總和。圖7所示為霧節(jié)點(diǎn)數(shù)目等于10時(shí)社會(huì)效用隨用戶數(shù)目的變化曲線。從圖7可以看出,隨著用戶數(shù)目的增加,社會(huì)效用逐漸增加。當(dāng)用戶數(shù)目相同時(shí),RAFC策略的社會(huì)效用高于隨機(jī)匹配法。RAFC策略結(jié)合了反向拍賣原理,激勵(lì)三方積極參與分配,且不損害三方的收益。當(dāng)霧節(jié)點(diǎn)數(shù)目恒定時(shí),與隨機(jī)匹配法相比,RAFC策略可以提高社會(huì)效用。

圖7 社會(huì)效用1

圖8所示為用戶數(shù)目等于60時(shí)社會(huì)效用隨霧節(jié)點(diǎn)數(shù)目的變化曲線。從圖8可以看出,隨著霧節(jié)點(diǎn)數(shù)目的增加,社會(huì)效用逐漸降低。當(dāng)霧節(jié)點(diǎn)數(shù)目相同時(shí),RAFC策略的社會(huì)效用高于隨機(jī)匹配法。當(dāng)用戶數(shù)目恒定時(shí),與隨機(jī)匹配法相比,RAFC策略可以提高社會(huì)效用。

圖8 社會(huì)效用2

6 結(jié)束語

本文研究VFC停車分配問題,提出一種基于反向拍賣的VFC停車輔助分配策略RAFC。該策略根據(jù)用戶需求和智能車輛的資源量來制定分配方案,激勵(lì)用戶、霧節(jié)點(diǎn)和第三方平臺(tái)積極參與拍賣。理論分析和實(shí)驗(yàn)結(jié)果表明,RAFC策略在保證個(gè)人理性和預(yù)算平衡的基礎(chǔ)上,可以提高用戶匹配成功率,降低用戶開銷成本,提高社會(huì)效用。霧計(jì)算的網(wǎng)絡(luò)資源分配可廣泛應(yīng)用于智能交通、智慧醫(yī)療、智能電網(wǎng)等新興領(lǐng)域,本文僅考慮車輛霧計(jì)算環(huán)境下的智能停車輔助問題,在實(shí)際應(yīng)用中,需求具有多樣性,因此,下一步將研究當(dāng)用戶有多種資源需求和時(shí)延要求時(shí),如何利用車輛霧節(jié)點(diǎn)的計(jì)算、存儲(chǔ)等資源來制定更加高效的分配策略。