路网数据模型和路径规划算法是智能交通系统中路径规划的重要组成部分,但是现有的模型和算法中仍然存在一些问题和局限。在路径规划算法中,蚁群算法鲁棒性强、容易与其他算法相结合,但是由于收敛速度慢、易陷入局部最优解,这些问题却制约着蚁群算法的广泛应用。本文针对路网数据模型和蚁群算法的研究现状,提出了一种路径规划的解决方案。在查阅中外文献的基础上,针对路网数据模型研究现状,分析平面道路网络数据模型、基于车道路网数据模型和GIS-T时空路网数据模型;研究蚁群算法的基本原理、典型改进方法及其在多目标约束优化问题中的应用。针对蚁群算法在路径规划应用中的缺陷做了两点改进:一是引入随机因子,使蚂蚁能更好地利用既有的信息进行路径选择,加快算法收敛;二是引入精英蚂蚁策略,对次优解路径上的信息素进行削弱,减缓了在次优解路径上长期迭代产生的信息素累积影响。在几乎不增加算法复杂度的情况下优化了蚁群算法。通过TSP问题验证了改进后的算法能更快地收敛且能得到更优质量的解。在处理路网导航地图数据上,本文利用地理信息系统软件SuperMap对路网数据进行邻近端点合并、去除设定容限内的悬线等预处理工作。同时为了减少路径搜索范围,将搜索区域限制在以起点和终点为焦点的椭圆范围内。在此基础上,对路网中存在的支路分叉和回环情况,利用贪心算进行简化,删除支路上的分叉节点,去除环路。经过限制搜索范围和简化路网数据后,用于路径规划的路网规模得到较大幅度削减,为路径规划节约了宝贵的时间。本文将改进的蚁群算法应用于实际路径规划中,包括单目标最短路径规划、多目标路径规划转换为单目标路径规划和采用基于Pareto非支配解的蚁群算法求解多目标路径规划。其中,在Pareto蚁群算法中,本文采用了小生境技术使得非支配解均匀分布于Pareto前沿。通过仿真验证了改进后的算法实际应用性能良好。最终完成了构建、限制路网搜索范围、简化路网拓扑结构和利用改进的算法进行路径规划,提供了一种路径规划的解决方案。