随着社会的发展,车联网中车辆的数目日益增多,交通道路的拥挤问题也日渐严重。在人们的每日出行时间中,在道路上行驶消耗所占用的时间比越来越大,低效的交通控制会导致时间和燃料的浪费,有害的碳污染排放,道路交通事故和其他经济问题。为了提升人们的出行效率,改善目前的交通状况,需要设计有效的交通流量控制方法。通过对道路上行驶车辆的有效路径规划,可以实现交通的分流和控制。因此,本文结合车辆之间的社会相关性、车联网计算资源优化等问题,重点研究车联网中车辆路径规划的算法来实现通过控制车辆的行驶路径缓解交通拥堵的目的。首先,本文对车联网的基本概念和相关理论进行了详细阐述,分析了车联网的体系架构,组织结构和应用前景。同时,阐述了用于车联网交通流量控制的演化博弈的基本理论和模型。本文通过综合考虑历史和当前的驾驶信息进行了车辆之间的社会相关性分析,得到车辆的社会聚类。然后利用演化博弈的相关理论,建立了交通状态相关的车辆路径规划的演化博弈模型,并进行了模型收敛性证明。然后本文结合车辆的社交聚类和演化博弈模型设计了SVRS算法。在该算法中社交聚类和演化博弈都被用来分析和调整车辆的行驶路线。最后我们进行了仿真实验,对所提出的聚类方法和基于路径规划的交通流量控制进行了评估,结果表明,本文所提出的算法在车辆聚类和缓解交通拥堵方面有较好的性表现。接下来本文考虑到车联网中利用云集中计算的传输和推理延迟,构建了基于边缘智能的车联网架构,将车辆路径规划任务分散在边缘侧的设备上。首先提出基于边缘计算和多智能体深度强化学习的路径规划模型。然后利用边缘智能的架构结合强化学习模型提出算法E-RLVRS。其次初步优化并预测改进了用于完成路径规划任务的设备集合和设备间的交互方式。然后利用设备协作的深度Q学习进行E-RLVRS算法的路径规划决策。仿真实验对E-RLVRS算法在交通流量控制方面的作用进行了验证,并在路径决策时间方面对所提出的边缘智能架构下路径规划任务的性能进行了评估。