随着城市现在化进程的不断发展,全球汽车保有量逐年上升,从而引发了一系列的社会问题,例如:交通堵塞、环境污染以及噪声污染等等。智能交通系统,简称ITS(Intelligent transportation system)应运而生,智能交通系统是集信息、通信、控制及网络等技术于一体的综合研究学科,可以提供全方位、实时、准确以及高效的服务信息。ITS是具有潜力的研究方向,进一步说,将成为未来相关研究领域的热点。动态路径诱导系统(Dynamic Route Guidance System,DRGS)是ITS一个重要分支,利用计算机、通信等现代技术,为出行者提供实时交通信息以及最优路径。路径选择模型和路径优化算法是动态路径诱导系统的关键技术,模型可以确定动态路径诱导系统的优化目标,优化算法可以提高路径诱导系统的效率,从而满足实时交通环境。因此,本文分别在建模以及优化算法两方面对动态路径诱导系统进行了研究。1.路径选择模型在实时环境下,影响出行者选择路径的因素比较多,例如:费用、时间、距离等,但目前大多数路径选择模型是基于单目标的。鉴于此,本文分别从费用、时间角度出发,构建了实时环境下基于多目标的路径选择模型。在实时环境下,文中具体分析了道路畅通和拥挤的情形下路阻的产生方式,从而构建了基于时间最短的目标函数,在此基础上,构造了基于费用最低的路径选择模型。采用加权求和函数对多维数据聚集得到组合权重,而权重系数可依据出行者需要或喜好设定。为更精确地反馈结果,本文用类似的量值对多目标函数值进行了预处理,从而均衡各决策变量在组合函数中的支配能力。为验证模型的实用价值,本文以C++仿真实验环境,实验数据以VISSIM仿真并结合实际进行了合理的设定。在仿真环境下,本文模型与基于几何最短距离的路径选择模型进行对比实验,实验结果证明实时环境下基于多目标的路径选择模型更具有实用价值。2.路径优化算法在动态路径诱导系统中,由于交通信息具有实时、动态的特性,因此,本文提出了实时环境下基于混合的动态路径优化算法。该算法是在广义自适应A*算法的基础上,结合剪枝算法,同时引入PSO局部最优及全局最优智能存储、模糊时间窗等优化策略。剪枝算法以当前局部最优为阈值,从而有效控制阈值的大小,避免阈值过大或过小的结果;模糊时间窗约束算法优化时间以及控制仿真时间,从而使算法更好的适应系统的实时性。为验证算法,实验数据采用纽约地图数据,并在仿真实验环境下,分别验证了优化策略的有效性,与此同时,本文算法与A*算法的进行了对比实验。实验结果证明:本文算法中,优化策略在动态路径优化算法是有效的且合理的,同时证明了本文算法可适应于动态路径优化系统。