车联网经过多年发展俨然成为物联网(Internet of Things,IoT)行业一个重点的分支。越来越多的通信技术被发掘为车联网技术的发展创造了条件。其中至为关键的一步就是要通过通信设备将传感器、视屏采集器等设备中采集到的讯息传递给交通管控平台。在此基础上才有可能对公共交通进行实时、有效的监控、管理。车联网是物联网的应用延伸;而在车联网应用中公交车走在了行业的前列。公共出行是城镇交通运营中必不可少的部分。为了制定科学合理的调度计划,往往需要多番采集实时客流信息、车辆信息并以此作为调度依据。同时,调度过程也少不了定位系统、无线射频等技术的支持。将各物理模块集成到公交车载终端中,车载终端通过定位系统和乘客IC卡统计装置分别获取车辆位置信息和乘客数量信息。这些实时信息经由无线网络发送到指定的控制后台。调度指挥中心在获取道路实时信息后,对这些信息进行综合分析,对道路进行有效管控。文章先是详述仿生优化算法。继而引出基本的蚁群算法。并以蚁群算法为契机,推出基于其构建的TSP模型。从而得出蚁群算法数学模型。最后对该算法从参数选取到策略选择等方面作如下优化:在基本算法里融入“赏罚”策略,在这之上对其进行更新上的优化操作。替换操作的流程可以选择从局部和全局两个角度对信息素的浓度进行。最终目标是要增加实现跳转的概率。跳转概率的增加是为了避免算法因陷入“囚徒困境”而无法求解出全局最优解。除此之外,还要注意对包括:蚂蚁数量、启发因子、信息素浓度在内的诸多参数进行恰当的复制。本文在大量仿真的基础上,对如何选取给参数赋予恰当的值这一问题做了较为深入的研究,并从中发现其最优取值范围。最后文章把优化后的算法引入到公交调度过程里面。以给定的公交企业成本和候车的时间范围作为限制条件,对公交系统进行数学建模。结合抽取出的关键因子,对数学模型进行演绎从而得出最小目标函数。实验结果表明:优化后的算法较改进前得出的调度结果更优。证明该优化后的算法是合理的。