随着近年来汽车保有量的不断提升,交通拥堵成为了一个亟待解决的问题,随之产生的空气污染、热岛现象等气候问题也越发突出。为缓解这些问题所产生的压力,需要对车辆的行驶路径进行更加科学合理的规划。车辆路径规划(Vehicle Routing Problem)自提出以来一直都是运动规划的主要研究内容之一,在道路建设、出行规划和智慧城市建设等领域有着广泛应用,涉及技术包括数据挖掘,统计分析等方面。传统的路径规划系统大多数仅单纯从路网环境出发进行规划,未能将车辆自身的信息纳入到路网环境的描述中;同时,路径规划的结果往往也单纯追求物理空间上的路径最短,没有考虑短路径上可能产生的拥堵所带来的影响。围绕这一问题,本文通过历史轨迹数据对路网信息进行挖掘重构,利用基于负反馈机制的蚁群改进算法对车辆路径进行规划,最终依托多Agent系统构建高效准确的车辆路径规划系统。本文的主要研究内容如下:1.研究基于时间衰退模型的拥堵区域检测算法。主要包括路网规划区域截取、时空轨迹聚类和拥堵系数标定。首先根据车辆规划请求在路网中划分出合适的规划空间和时间区间;然后在这一规划区域内通过DT-DBSCAN算法挖掘热点区域;最后根据聚类结果对路网环境中各栅格进行拥堵系数定义,将其纳入到路网信息的定义中,为后续路径规划算法提供完善的规划环境。2.研究基于负反馈信息素的改进蚁群优化算法。针对路网环境的拥堵情况,本文定义了融合路径长度和路径拥堵情况的最优路径度量方法,通过对蚁群算法中的启发信息和信息素更新两方面进行改进,提出了一种基于福反馈信息素的改进蚁群算法NAA。该算法通过对各路段的拥堵情况判断,动态调整蚁群算法中各区域的信息素挥发速度,利用负反馈机制来改善解的多样性,解决了蚁群算法中易出现的局部最优解问题,实验结果表明该算法在路径规划问题上能够达到最优解。3.设计并实现基于多Agent的车辆路径规划系统。通过车辆路径规划实际应用需求,构建了基于多Agent的车辆路径规划模型,同时进行了完备的需求分析,系统设计和系统实现,采用java语言开发,在开源的多Agent开发环境JADE平台上实现,通过对系统的功能测试和性能测试,验证了本文设计的基于多Agent的车辆路径规划系统的准确性和高效性,研究成果有助于提高车辆的出行效率,助力智能交通和智慧城市建设。