在交通拥堵问题越来越突出的今天,如何实现行车过程中最优路径的选择显得尤为重要。在实时性和有效性上完善路径选择算法,建立高效的智能交通诱导系统是解决这个问题的一种有效方法。针对这些措施,就要把交通最优路径选择问题作为研究的重点。在智能交通系统中,最优路径选择是一个很重要的课题。它可以根据系统中存储的道路网信息,实时地规划出最优路径。实现最优路径选择的目的在于帮助驾驶员在出发地与目的地之间按照自己的优先原则选择一条路径(时间最短,或者费用最低,或者路况最好等)。传统的路径选择算法以Dijktra算法为代表,属于典型的局部最优算法。这些算法旨在追求静态状态下的最优路径。但是实际的道路交通网的状况是在不断变化的,这就要求我们寻找一些新的方法来达到在动态交通网络中求出最优路径的目标。而要实现这个目标,我们需要主要做两个方面的努力,第一是如何求解实时路阻,第二是如何在实时路阻的基础上求解最优路径。论文主要就上述两个方面进行了研究。在求解实时路阻方面,论文提出了一种新的思想,即在GM(1,1)模型的基础上对实际交通数据进行拟合,从而得出实时路阻函数。灰色理论对样本量没有严格要求,不要求服从任何分布,它利用数据生成的方法去寻找潜藏在杂乱无章数据中的规律,利用已知小样本、贫信息等不确定系统为研究对象来预测系统未知的信息,使系统由“灰”变“白”。[5]基于灰色理论的这些特征,在GM(1,1)模型的基础上建立符合道路现状的路阻函数的目标得以实现。在求解动态最优路径方面,论文首先对目前的几种算法(禁忌搜索算法、模拟退火算法、遗传算法、蚁群算法)进行了介绍,最后选取蚁群算法作为研究方法。蚁群算法的优点是在交通数据量较大、道路交通复杂的情况下,该算法可以极大地发挥仿生算法的全局搜索优势提高路径选择的效率,有利于实现动态的最优路径选择。论文最后尝试将在GM(1,1)模型基础上建立的路阻函数与蚁群算法寻优进行结合,并写出流程图。但具体的实现方法还需要进一步的研究。