车路协同场景是MEC与C-V2X融合场景中的重点研究内容，涵盖安全、效率、协作、视频、信息服务五大类场景，而每类场景又可细化为多个具体场景。不同应用场景涉及到的数据源形态各异，包括传感器数据、激光雷达数据、视频监控数据、车载数据等等，繁多的数据类型以及多源数据的融合缺乏标准化的规范。此外，不同应用场景对MEC所提供的服务能力要求不一，包括信号识别、车速控制、路径规划、车辆检测等等，各类服务能力接口缺乏标准化的定义。目前在国际上，面向车辆网的MEC服务器技术的研究和应用处于起步和逐步发展阶段。ETSI、3GPP、5GAA等业界未制定相应比较完善的国际标准。因此本文以当前主流车联网边缘计算系统架构为基础，着重分析研究车路协同各应用场景特别是多源数据融合场景对MEC服务能力及开放接口的要求并撰写相关规范。

完整英文电子版ISO/IEC 20802-1：2016 Information technology — Open data protocol (OData) v4.0 Part 1：Core(信息技术--开放数据协议（OData）v4.0第一部分：核心)。ISO/IEC 20802-1:2016 定义了开放数据协议 (OData) 的核心语义和设施。 这允许创建基于 REST 的数据服务，允许使用统一资源定位器 (URL) 标识并在实体数据模型 (EDM) 中定义的资源由 Web 客户端使用简单的 HTTP 消息发布和编辑。

完整英文电子版ISO/IEC 20802-2：2016 Information technology — Open data protocol (OData) v4.0 Part 2：OData JSON Format ( 信息技术 - 开放数据协议(OData) v4.0 第2部分：OData JSON格式 )。ISO/IEC 20802-2:2016扩展了ISO/IEC 20802-1，即代表结构化内容并与之互动的开放数据协议（OData）的核心规范，定义了使用JSON格式的Odata请求和响应的表示。

开放式CPU设计 实验程序 EP1c6内部的存储器实验 所有程序均编译测试通过 请放心下载

GMT0068-2019开放的第三方资源授权协议框架.pdf

TSPO_GA 开放式旅行商问题 (TSP) 遗传算法 (GA) 通过设置找到 TSP 变体的（接近）最优解搜索最短路线的 GA（推销员的最短距离） 只前往每个城市一次而不返回起始城市） 概括： 1. 一名推销员前往每个城市但没有关闭回到他出发的城市的循环2. 每个城市只被推销员访问一次 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个 NxN 点到点距离/成本矩阵- POPSIZE（标量整数）是人口的大小（应该可以被 4 整除） - NUMITER（标量整数）是算法运行所需的迭代次数- SHOWPROG（标量逻辑）如果为真则显示 GA 进度- SHOWRESULT（标量逻辑）如果为真则显示 GA 结果- SHOWWAITBAR（标量逻辑）如果为真则显示等

MTSPO_GA 开放多旅行商问题 (M-TSP) 遗传算法 (GA) 通过设置找到 M-TSP 变体的（接近）最优解向上 GA 搜索最短路线（所需的最短距离） 推销员到每个城市只走一次，而不必返回他们的城市起始位置） 概括： 1. 每个推销员都前往一组独特的城市（尽管没有他们通过返回起点来结束循环） 2. 每个城市只有一名推销员到访 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个城市到城市距离或成本的 NxN 矩阵- NSALESMEN（标量整数）是访问城市的推销员数量- MINTOUR（标量整数）是任何推销员的最短游览时间- POPSIZE（标量整数）是人口的大小（应该可以被 8 整除） - NUMITER（标量整数）是算法运行所需的迭代次数- SH

TSPOFS_GA 固定开始 开放式旅行商问题 (TSP) 遗传算法 (GA) 通过设置找到 TSP 变体的（接近）最优解搜索最短路线的 GA（推销员的最短距离） 从固定起点到其他城市恰好一次而无需返回起始城市） 概括： 1. 单个推销员从第一个点开始，然后前往每个剩下的城市，但不通过返回到关闭循环他开始的城市2. 每个城市只被推销员访问一次 注：Fixed Start 取第一个 XY 点 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个 NxN 点到点距离/成本矩阵- POPSIZE（标量整数）是人口的大小（应该可以被 4 整除） - NUMITER（标量整数）是算法运行所需的迭代次数- SHOWPROG（标量逻辑）如果为真则显示 GA 进度- SHOW

TSPOF_GA 固定开放式旅行商问题 (TSP) 遗传算法 (GA) 通过设置找到 TSP 变体的（接近）最优解搜索最短路线的 GA（推销员的最短距离） 在访问另一个时从固定起点旅行到固定终点城市恰好一次） 概括： 1.单个销售员从第一个点开始，到最后一个点结束点，然后前往中间的每个剩余城市，但是没有通过返回他开始的城市来关闭循环2. 每个城市只被推销员访问一次 注：Fixed Start 取第一个 XY 点，Fixed Start End 被认为是最后一个 XY 点 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个 NxN 点到点距离/成本矩阵- POPSIZE（标量整数）是人口的大小（应该可以被 4 整除） - NUMITER（标量整数）是算法运行所

MTSPOFS_GA 固定启动开放多旅行商问题 (M-TSP) 遗传算法 (GA) 通过以下方式找到“开放”M-TSP 变体的（接近）最优解设置 GA 以搜索最短路线（所需的最短距离） 让每个推销员从起点到独特的个体城市而不返回起始位置） 概括： 1. 每个推销员从第一个点开始，然后前往一个独特的点之后的一组城市（并且它们都没有关闭循环回到起点） 2. 除了第一个，每个城市只有一个推销员 注：Fixed Start 取第一个 XY 点 输入： 具有零个或多个以下字段的 USERCONFIG（结构）： - XY (float) 是一个 Nx2 的城市位置矩阵，其中 N 是城市的数量- DMAT (float) 是一个城市到城市距离或成本的 NxN 矩阵- NSALESMEN（标量整数）是访问城市的推销员数量- MINTOUR（标量整数）是任何一个的最小游览长度推销员，不包括起点- POPS