随着智能移动终端数量的不断增长,移动应用也变得更加丰富。然而许多移动设备的性能受其CPU处理速度、存储空间等问题的影响,无法为用户带来满意的应用体验。同时在许多场景中,存在着终端无法接入云服务器或者由于网络拥塞或故障情况导致较大的传输时延的问题。对此大量学者在移动设备计算密集型任务执行方面进行了大量的研究,并产生了一个新的研究领域,称为移动Ad Hoc云。在移动Ad Hoc云环境中,本地设备通过利用附近可用设备的多维资源,协助自身进行任务处理,且无需访问远程云。然而,现阶段对于移动Ad Hoc云计算的相关研究仍处于起步阶段,特别是在资源分配不均导致的浪费和设备移动随机性导致的任务卸载失败等问题上,仍然缺乏较为全面广泛的理论支持。针对上述Ad Hoc云环境中资源分配问题,从全局角度,建立功率资源与计算资源联合优化分配模型。为激励移动设备进行资源共享,将资源需求设备抽象为买方,资源空闲设备抽象为卖方,提出了一种基于买卖博弈的分布式资源分配优化算法,通过对买方资源需求和卖方价格不断更新迭代,进而达到最优资源分配结果。通过仿真实验表明,该算法在系统性能几乎接近集中式最优结果的同时,大幅降低了算法时间复杂度。此外,在移动Ad Hoc云环境中,设备的移动性会造成通信中断,直接导致任务卸载失败。特别是在车辆通过自组网构成的Ad Hoc云环境中,车辆的高速移动特性会使上述问题变得更加显著。对此,本文从车辆自身出发,以最大化资源受限车辆任务卸载效用为基础,构建车辆任务分配优化问题。在此基础上,利用人工神经网络对车辆间连接时间进行预测。随后提出了一种计算资源分配分布式优化算法,激励车辆参与合作并获得最优计算资源分配结果。最后采用基于拉格朗日乘数法的任务分配算法获得最优任务分配结果。仿真实验证明,该策略有效提高了时间预测准确度,可以使车辆获得更高的任务卸载效用。