随着无人驾驶、车路协同等技术发展,智能网联车辆需要更多的路侧边缘计算能力进行环境感知和态势认知,以保障驾驶安全,提高交通效率,满足更丰富的车联网服务需求。由于车辆的大范围快速移动特性,智能车辆在使用车联网资源过程中,将面临车联网服务的迁移问题和车辆计算任务的卸载问题,进而导致车联网通信资源和边缘计算资源的争用。由于车辆的移动性,车联网服务需要在边缘计算单元之间迁移来使车辆与提供服务的边缘计算单元以较低的通信延迟传输数据。由于边缘计算单元资源有限,服务迁移时需要考虑边缘计算单元资源的消耗情况。同时,服务进行迁移时会产生开销。针对以上服务迁移问题,论文提出了基于多智能体强化学习的车联网服务迁移策略,该策略通过为车辆选择合适的服务迁移对象实现车联网资源优化,基于多智能体分布式执行,快速为大量车辆产生服务迁移决策。考虑到车辆对边缘计算能力的任务卸载需求,需避免因边缘计算单元负载较高导致任务处理超时。论文提出了基于离散粒子群算法的车联网任务卸载策略。该策略能在保证任务时延要求的同时,降低网络开销。最后,本文对基于多智能体强化学习的车联网服务迁移策略与基于离散粒子群算法的车联网任务卸载策略分别进行仿真。通过与其他策略进行对比分析,证明了本文提出方法的有效性。