车辆路径优化是交通地理信息系统(GIS-T)的重要研究领域之一,以蚁群优化算法(ACO)为代表的人工智能计算成为近年来车辆路径优化领域的研究热点。本文针对交通网络中车辆路径优化存在的若干问题,开展了如下几个方面的研究工作。(1)从GIS地理空间和时间空间的视角,分析了交通系统中时间地理框架的MDS时空变换模型。针对交通网络约束的TSP问题(TSP-TN),分别提出了两种以时空变换理论为基础的改进蚁群优化算法：时间空间度量的蚁群优化算法(ACO-MTS算法)和时间空间启发的蚁群优化算法(ACO-HTS算法)。这两种算法都通过MDS时空变换模型把TSP-TN问题中交通网络需求点的地理空间布局变换到对应的时间空间结构布局中。在此基础上,ACO-MTS算法利用了可度量的二维欧氏时间空间中的凸包性质来指引蚂蚁在一个更接近最优解的搜索空间中构建路径；而ACO-HTS算法则利用了时间空间中时间距离的全局相异性度量关系,将时间距离作为蚂蚁路径构建概率选择规则的一种全局启发式信息,以弥补原有ACO算法局部启发式信息的不足。实验结果表明,在较大规模的TSP-TN问题中,ACO-MTS算法能够显著加快蚁群优化算法的收敛速度,并且找到的最优解的质量更好；在较大规模的含有交通拥堵的TSP-TN问题中,ACO-HTS算法能够有效提高蚁群优化算法的全局寻优能力,从而找到更好的最优解。(2)针对交通网络约束的分区配送问题,将时间地理框架的时空变换模型与人工神经网络中的自组织映射(SOM)相结合,提出了一种MDS-SOM时空变换与分割模型。MDS-SOM模型将MDS时空变换产生的时间空间结构布局作为SOM神经网络的输入,得到需求点在时间空间中的拓扑有序的分类结构,并根据点的对应关系,将时间空间的区域分割映射到地理空间的区域分割。在MDS-SOM模型的基础上,提出了时空变换与分割的分区配送蚁群优化算法(ACO-TSTS算法)。实验结果表明,在交通网络约束的分区配送路径优化中,基于时间空间的分区比基于地理空间的分区更加合理,能够得到代价更小的配送路径并保持保持配送区域的相对稳定。(3)通过分析VRP蚁群优化算法的数学模型和MACS-VRPTW算法的原理,针对车辆数确定的交通网络约束的VRP问题(VRP-TN),以MACS-VRPTW算法的VRP路径简化模型为原型,提出了时空变换启发的VRP多蚁群优化算法(MACS-TST算法)。MACS-TST算法采用了两个蚁群相互共享最优解的协作方式,其中一个蚁群为MACS-VRPTW算法的ACS-TIME蚁群,另一个蚁群ACS-TIME-TC蚁群在ACS-TIME蚁群定义的基础上增加了时间空间度量的特性,即在可度量的二维欧氏时间空间中,利用VRP各个子TSP具有的时间凸包解成分来优化信息素分配,使得VRP总路径的整体寻优过程同时兼顾了子TSP路径的寻优。实验结果表明,MACS-TST双蚁群算法不仅加快了发现更优解的速度,而且找到的解的质量更好。(4)从数据挖掘和知识发现的视角,指出ACO算法迭代过程产生的大量优质路径未被蚂蚁有效利用的问题,提出利用关联规则挖掘来研究蚁群优化算法的思想。寻找高性能的快速的关联规则挖掘算法来解决传统算法的瓶颈问题,是利用关联规则研究ACO算法的关键问题。因此,论文针对频繁模式关联规则挖掘的Apriori算法和垂直挖掘算法存在的性能瓶颈问题,分别提出了基于支持度矩阵的改进Apriori算法(Apriori-SCM算法)和基于垂直挖掘的长模式关联规则快速算法(FALAV算法)。Apriori-SCM算法是一种精确改进算法,该算法能够有效压缩搜索空间,降低Apriori连接和剪枝步骤的开销,从而提高频繁项集的生成效率。FALAV算法是一种快速启发式算法,该算法计算代价小,性能效率高,能够非常快速地挖掘长模式关联规则,其效率比Apriori快几个数量级。在这两种改进的关联规则挖掘算法的基础上,提出了关联规则启发的蚁群优化算法(ACO-ARM算法)。ACO-ARM算法包括：基于Apriori-SCM的ACO-ARM算法和基于FALAV的ACO-ARM算法。实验结果表明,这两种ACO-ARM算法均能够提高ACO算法的解的质量。然而,基于Apriori-SCM的ACO-ARM算法的性能却远低于ACO算法的性能；而基于FALAV的ACO-ARM算法不仅能够找到比ACO算法更好的最优解,而且能够显著加快ACO算法的收敛速度,减少算法的运行时间,具有较优越的性能。