突发事件的应急救援问题是当今世界各国面临的共同问题,根据大量的交通事故调查结果显示,人员伤亡的原因多为救护不及时所造成的。如何规划车辆的救援路径成为城市突发事件救援的关键问题,特别是针对大范围的应急救援。目前,已有的车辆路径规划算法存在一定局限性,其求出的路径无法及时地反映城市路网交通状况对实际道路的行驶时间的影响。车路协同技术的出现,可借助车车、车路通信实时获取路网的交通阻抗信息。因此,进行车路协同环境下的突发事件救援车辆路径规划算法研究,对制定救援方案以及提升救援效率具有着重要意义。本文针对车路协同环境下的救援车辆路径规划进行了研究,基于蚁群算法引入了反映实时交通流特征的路阻函数,提出了一种适应车路协同环境特征的救援车辆路径规划算法,并进行了实证分析。首先,针对传统环境和车联网环境下路径规划算法的国内外相关研究进行了综述,并提出了论文研究内容及技术路线;其次,对突发事件相关理论、车辆路径问题分类及数学模型进行了介绍,在此基础上,从理论方法、优缺点对典型的动态路径规划算法进行了详细分析;接着,从传统环境和车路协同环境两个角度对路径诱导系统进行了介绍,着重分析了两种路径诱导系统工作原理及应用案例进行了分析;然后,在蚁群算法的基础上,将反映实时交通流特征的路阻函数引入到蚁群算法信息素更新规则中,建立实时更新状态转移概率,提出了一种适应车路协同特征的救援路径规划算法(Connected Vehicle-Ant System,CV-AS)。同时从算法流程、主要函数等方面给出了算法实现过程。最后,利用构建的车仿真环境,对所提出的CV-AS路径规划算法进行了实例验证。利用建立的指标体系,对蚁群算法(Ant System,AS)和CV-AS路径规划算法,分别从救援时间、所有救援车辆的最短路径总长度、路径行程时间可靠性等方面进行了对比分析。同时,从RSU个数、路网背景车辆数、救援车辆的相对布局等方面,对CV-AS路径规划算法的评价指标进行了影响因素敏感性分析。仿真实验结果显示,针对车路协同环境下突发事件救援,所提出的CV-AS路径规划算法具有良好的适应性。相对传统环境下的AS路径规划算法,所提出的CV-AS路径规划算法求得的行驶时间降低了 48%,所有救援车辆的最短路径长度总和降低了 19%,路径行程时间可靠性提高了 51%。模型参数对两种算法的影响趋势大致相同,蚂蚁数目m的合理设置范围为16～20,信息启发式因子α的合理设置范围为2～3,期望度影响因子β的合理设置范围为2～5,信息素挥发因子ρ的合理设置范围为0.5～0.7,此时算法的性能较好。对于敏感性分析,随着路网背景车辆数目逐渐增多,行驶时间逐渐降低,说明所提出的CA-AS路径规划算法在较差的路网交通状况下仍然可以提高救援效率,随着RSU个数的增加,所有救援车辆的行驶时间总和逐渐降低,证实了车路协同技术应用于路径诱导,可以解决传统环境下路径诱导在信息获取存在的延迟性等不足,对比两种救援车辆布局,均匀分布在事件发生点相较分布在事件发生点一侧,救援车辆行驶总时间降低了 20%,说明进行突发事件救援时,应急救援指挥中心应调度均匀分布于突发事件发生点周围的救援车辆。