由于高铁技术的成熟,跨省旅客的运输方式已经由原来的长途大巴转变为高铁定点、定时发送,这样既节省了成本,同时大大节约了旅客的出行时间。但是,省内短途旅客的运输,如果采用高铁的方式,则显得大材小用,同时并不能将旅客送到其对应的精确位置。因此,介于省内短途旅客运输的需求,本文提出了一种高效、精确且灵活性很强的城区内小巴车运输方式,即定时、定点的市区小巴车乘客接送模式。对此,我们开发了改进后的蚁群和模拟退火优化算法。改进后的蚁群算法在已有的经典算法解决传统旅行商问题的基础上,将本文所提出的小巴车路径规划问题抽象为固定起点、终点的类旅行商问题。为了解决这种城区接送的最短路径问题,我们在原有的蚁群优化算法的基础上,将起点位置和终点位置单独拎出来,不作为整套算法的迭代对象。这样,在将蚂蚁随机放置到任意集散点的时候,如果发现该放置蚂蚁下一步的迭代包括了我们事先设置好的起点和终点,则强制放弃此次迭代。然后我们重新对这批蚂蚁进行相应的迭代位置选择,直到找到符合要求(随意放置的蚂蚁点的迭代位置不包括起点、终点)的位置为止。本质上可以概括为只将路径序列途经点进行迭代,最后计算目标函数时前后添加存储的起点、终点。而模拟退火算法则跟其类似,在随机产生初始路径和当前温度的时候,自动的将起点、终点迭代位置排除在外。在算法程序上的解释即为当迭代产生的路径包含起点或终点的任一位置时,取消此次的迭代,并且重新进行选择,直到符合条件为止。由于改进后的蚁群算法依然摆脱不了传统蚁群优化算法的弊端,即易于陷入局部的死区,并且搜索速度慢,因此引入了模拟退火算法来解决这个问题。模拟退火算法在试行过程上比蚁群优化算法更加的简单,它更倾向于先对局部进行最优化的选择,然后通过概率的形式再对更大的局部进行筛选,逐步的向外发散,最终取得最优的组合路径。这种方法相对于前面的蚁群算法较为单一,易于理解,但是模拟退火算法搜索范围比较小,搜索到全局最优解的能力不强。最终,这两种算法分别以其独特的优越性,能够在乘客合理的接送方面很好的解决路径规划问题。但是介于它们的运算速度和各自的优缺点,我们将两种算法做了对比后,决定将它们联合使用来弥补各自的弊端。为了弥补蚁群算法易陷于死区、精度不够和模拟退火算法搜索范围小、搜索力弱的缺陷,我们开发出蚁群—模拟退火算法来全面的解决小巴车最短路径规划问题。新的算法汲取了模拟退火算法深度搜索能力,蚁群算法广度搜索能力。它比模拟退火算法更加全面,广度更大,同时,比蚁群算法更加的大概率的找到全局最优解,更加增强局部精准性,即增强了深度搜索能力。