当今社会人们生活水平不断提高,私家车数量飞速增长,导致城市交通拥堵形势日益严峻,严重影响了人们的出行。为了缓解这一问题,需对出行路径进行合理规划。因此,路径寻优成为了众多学者关注的热点问题。路径寻优旨在通过智能算法合理规划出行路径以缓解交通拥堵状况,给人们创造一个便捷的出行环境。智能优化算法中的蚁群算法以其高并行性、强鲁棒性和便于实现等优势而广泛应用于智能交通系统中的路径寻优。然而,蚁群算法也存在一定的局限性,包括计算量大、可行解性能差、效率低等。鉴于此,本文以蚁群算法为基础,提出一种综合改进算法,应用在拥堵和障碍物分布不明的场景中,最终都取得了较好的路径寻优结果。针对传统蚁群算法己存在的缺点,本文提出了一种综合改进算法。该算法首先使用遗传算法生成的较优解来初始化蚁群算法的信息素分布,然后使用自适应期望函数来改进启发函数,最后通过自适应参数P来改进全局信息素更新机制,并通过对比实验证明该算法在迂回道路、存在“死路”等环境下仍然能够保持较高的寻优能力。针对蚁群算法在拥堵状况实时变化环境中搜索效率不高的问题,本文综合考虑道路长度、道路限流、交通信号灯和道路半拥堵这四个影响道路拥堵的因素进行环境建模,并在综合改进算法中引入一个拥堵因子,使得该算法基于拥堵因子改进信息素的更新机制,进一步提高了算法的搜索效率,并通过仿真实验验证该算法在拥堵环境中搜索最优路径的可行性。针对蚁群算法在障碍物分布不明环境中搜索复杂度大的问题,本文根据局部搜索环境进行极坐标建模,基于综合改进算法对搜索区域进行合理划分(划分为扇形并进行有序搜索),进一步降低了算法的搜索复杂度,并通过对比实验证明该算法能提高局部搜索能力。