集群是提高車聯(lián)網(wǎng)群智感知質(zhì)量和降低成本的有效方法，但如何在車輛高杋動(dòng)性的冋時(shí)提髙集群穩(wěn)定性是一個(gè)具有挑戰(zhàn)性的問題。基于 VANET（ Vehicular Ad- Hoc Network）的通信特點(diǎn)，文中提出了基于霧計(jì)算和自評估的 VANET聚類算法FCSAC（Fog（ omputing and Self- Assessment Clustering），將 VANET分為多個(gè)集群，集群內(nèi)車輛協(xié)作感知結(jié)果由主簇頭（Master（ Cluster head，MCH發(fā)給霧節(jié)點(diǎn);引入車輛移動(dòng)率（ elocity Mobility rate，VMR）來改進(jìn)簇頭選舉方法，該參數(shù)是根據(jù)移動(dòng)性指標(biāo)來計(jì)算的，以滿足 VANET動(dòng)態(tài)變化的需求;通過定義縮放函數(shù)和加權(quán)機(jī)制來量化評估車輛的加入對集群穩(wěn)定性的影響。同時(shí)，選舉輔助群頭（ Slave cluster head，SCH）來増強(qiáng)集群的穩(wěn)定性。其次，為提髙擁堵區(qū)域感知的準(zhǔn)確性，在霧計(jì)算的基礎(chǔ)上通過主簇頭間的有序鏈?zhǔn)絽f(xié)作交通態(tài)勢感知，形成局部交通態(tài)勢感知準(zhǔn)確、全面的視圖。最后，使用Ⅴeis車聯(lián)網(wǎng)仿真平臺(tái)評估所提算法的性能。結(jié)果表明，與 CBRSDN（ Cluster based Routing for Sparse and Dense Networks）算法和 SACBR（Self-Assessment Cluster based routing）算法相比，所提算法在集群穩(wěn)定性方面表現(xiàn)優(yōu)越，并且有效提高了 VANET的吞吐量;與FCM（ Fuzzy c- Means）算法相比，其交通分流能力更好，并減少了網(wǎng)絡(luò)通信的消耗。