潮汐车道优化问题（Reversible Lanes Optimization Problems,RLOP）是交通管理中一个复杂的优化问题。该问题的目标是在城市交通网络中寻找最优的车道方向分配,使城市道路的通行能力得到最大的提升。传统的研究很少涉及该类问题,大多数仅仅是关注路网的结构。同时,也罕有对该问题进行定量分析的研究。为此,本论文进行了如下工作:首先,本文对交通道路网络的潮汐车道优化问题进行数学建模。在对路网进行拓扑图设计时,将潮汐车道优化问题建模成一种典型的双层优化问题（Bi-level optimization problem,BOP）:一方面,该模型将道路交通流分配问题（Traffic Assignment Problem）作为下层优化问题,下层优化问题的最优化目标基于Wardrop平衡原理;另一方面,该模型将道路总通行成本优化问题作为上层优化问题,上层优化问题的最优化目标是使得路网中通行车辆在服从下层优化最优解的条件下总成本最低。其次,本文提出了一种基于直方图的分布估计算法（Histogram-based estimation of distribution algorithm,HEDA）,应用该算法解决潮汐车道优化问题当中的上层优化问题,同时,采用传统求解线性约束的Frank-Wolfe方法,解决问题当中的下层优化问题。另外,在算法设计上,应用基于拉丁超立方采样策略初始化群体,提高初始化种群的分布;在每代群体进化时对适应值相对较优的个体赋予更高权重,从而提高优势个体对当代群体的直方图概率分布模型的贡献。在直方图概率分布模型更新过程中,创新地引入学习参数,将当前信息和历史信息结合,从而提高算法的全局优化性能。最后,本文应用直方图分布估计算法（HEDA）与对比算法在数据集上进行了仿真测试,在多个不同的交通网络实例上进行的实验表明,基于直方图的分布估计算法（HEDA）在大多数情况下,尤其是在路网复杂的网络实例上,取得了更好的全局优化性能。