城市的交通拥堵已然成为各个城市的通病。交通拥堵带来行驶速度变慢、出行时间增加的同时,还造成了严重的环境污染与经济损失。智能交通系统ITS可以根据现有的交通设施合理分配出行需求,提高出行效率、缓解路网交通拥堵。因此,本文研究ITS核心部分的动态交通流分配模型DTA以及相应的求解算法,以减少出行费用、加强道路通行效益,为缓解城市交通拥堵提供解决方案,因而本文的研究工作具有重要的现实意义。论文首先分析了国内外动态交通流分配模型以及求解算法的研究进展,确定了论文的研究目标和研究内容。随后,介绍了动态交通流分配的相关理论和基本特性,对动态交通流分配模型的两个关键问题----路段状态方程和目标函数进行分析讨论,并选择了基于连续时间的路段状态方程和基于动态用户最优的目标函数,建立了一个适用描述真实路网的动态交通流分配模型。紧跟着介绍了用于求解动态交通分配模型的遗传算法和蚁群算法的基本原理与特点,并利用这两种基本算法进行了求解TSP30实验,分析比较了仿真结果,确定了参数设置及对应算法的优缺点,为二者融合奠定了基础;接着,针对两种算法融合方式及衔接的关键问题进行了分析,确定了串联融合方式和融合时机;为了维持种群的多样性与优质基因不被破坏,在基本遗传算法的遗传操作中加入重插父代操作进行优化;蚁群算法则结合遗传算法的预处理与最大最小蚂蚁系统算法的信息素限制和信息素更新规则来进行优化;结合改进的遗传算法和蚁群算法,建立一个新的改进遗传-蚁群算法,并对新算法同样进行了求解TSP实验分析,得出了改进遗传-蚁群算法求解高效且解质量高,算法稳定且性能更优的结论。最后,选定了Nguyen-Dupius路网作为算例,完成了改进遗传-蚁群算法与蚁群算法对动态用户最优模型的求解。结果表明,改进遗传-蚁群算法降低了路段空间占有率高于80%的路段比例,避免了有些路段流量过多而带来的交通拥堵,同时提高了路段空间占有率低于80%的路段利用率,充分利用了路网资源,提高了通行效率;从两种算法求解DUO模型的目标函数值结果来看,改进遗传-蚁群算法最优解更优,且每代解的变动幅度较小,更加稳定。