本文首先介绍了车载导航系统的发展状况,分析了国内车载导航研究现状。并综合分析比较了目前常用的导航定位和路径规划技术,结合设计需求,提出了导航系统定位及路径规划比较合理的总体设计方案。意大利学者DorigoM.,MnaiezzoV.和ColorniA.于1992年通过模拟蚁群觅食为提出了一种基于种群的模拟进化算法一蚁群优化(ACO)。该算法的出现引起了学们的极大关注,在过去短短十多年的时间里,已在组合优化、网络路由、函数优化、据挖掘、机器人路径规划等领域获得了广泛的应用,并取得了较好的效果。蚁群优化算法(ant colony optimization,ACO)是基于蚂蚁群体觅食过程中沿最短路径行进的生物学行为发展起来的一类群智能优化方法。该算法在解决传统优化方法难以奏效的具有NP-hard特性的组合优化问题中取得了令人鼓舞的效果,因而受到学术界和工业界的广泛关注。目前,蚁群优化算法已成为计算智能方法中的一个重要分支,并在很多国际会议上作为专题加以讨论,成为蓬勃发展的热点研究课题。最近15年来,蚁群算法得到了蓬勃的发展,应用到了多个领域,并且从TSP问题延伸到了二次分配问题,车辆路由问题等多个相关问题。但是蚁群优化算法的理论研究相对滞后,特别是算法的参数选择和收敛性证明方面还有许多问题有待进一步研究。本文基于以上所提出的问题,从基本蚁群算法开始入手,介绍了基本蚁群算法的概念和原理,依次介绍了基本蚁群算法,改进蚁群算法,基于时间的蚁群算法,和对基于时间的蚁群算法的改进这几种算法的TSP问题,其中对基于时间的蚁群算法是自己根据基于时间的蚁群算法进行的一些小改进,并且给出了收敛性的证明,在数学推理过程中,可以看出对于基于时间的蚁群算法的改进算法拥有很好的收敛性。并且文中对参数选择也给出了自己的见解与实验数据,更加明晰了蚁群算法中参数的选择对算法的影响。本文偏重于理论研究,同时也给出了仿真结果和对比试验结果,对基于时间的蚁群算法的改进目前只能做到证明收敛性的算法建立阶段。本文提到了迷宫最短路径问题等类似于避障的问题,今后的车载导航系统如果加入自动避障的功能的话则这部分的研究具有非常强的实际意义。最后对全文工作进行总结,并展望了蚁群优化进一步还要研究的课题。