随着我国经济的高速发展和加速城市化进程政策的提出使越来越多的居民涌向城市,同时伴随着经济的发展和科学技术的进步使汽车制造业成本骤降,这些原因促成了我国城市车辆保有量直线上升。我国城市道路交通的通行能力与大量车辆形成的巨大的交通需求之间出现了较为严重的矛盾并且逐步升级,交通拥堵现象亟待解决。目前我国大型城市为了控制交通拥堵做出的决策还仅仅是暴力解决——通过摇号限制车辆保有量的增长速度、通过限行控制车辆的出行次数用以降低路网负载。这些解决策略并不能从根本上解决交通需求和道路交通能力的矛盾。基于以上背景本文对智能交通系统中的路径诱导方法进行了研究,进而提出了改进的拓展前向关联边存储结构和二分遗传最短路径算法。本文开展了以下工作。第一,对智能交通系统中的路网划分和路网存储方式进行了分析和研究,并深入研究了邻接表和邻接矩阵存储法、对偶存储法以及前向关联边存储结构。在此基础上结合动态诱导实际需要改进了前向关联边存储结构,提出了改进的拓展前向关联边存储结构。该结构可以清晰的表达路网中的交叉口转向限制,并且在增加和删除结点时的可操作性上要优于前向关联边存储结构。第二,路径诱导作为智能交通系统中的关键模块受到了广泛关注,因传统最短路径算法迪杰斯特拉算法不适用于路网这种复杂的多结点的系统;A星算法不能保证得到最优解且每次搜索只能得到一条路径等因素。本文在基于路网实时权值和历史权值的基础上提出了二分遗传最短路径算法。该算法适用于具有多结点的大规模路网,根据时间和距离的不同采用了不同的路网权值来作为输入计算最优路径。本算法结合路径的特殊性对传统遗传算法的选则、交叉、变异操作进行了改进,使之能够满足于最优路径的计算。遗传算法最终进化得到的种群中个体质量极高,可以提供N条满足条件的路径,有效地做到了智能交通系统的分流目的。最后,在上述理论的基础上,基于模拟路网搭建了实验环境,验证了算法的有效性。