随机用户均衡(Stochastic User Equilibrium,SUE)模型是从出行者的角度出发,根据出行者对路径阻抗的敏感性程度,对出行者进行交通分配,使分配结果更加接近现实世界的车流分布,其实质是交通分配问题,而交通分配问题的关键环节是路径选择,为了更准确的描述出行者的路径选择行为,本文对基于Logit、多项式Weibit(Multinomial Weibit,MNW)和边缘指数模型(Marginal Exponential Model,MEM)三种离散路径选择方法的SUE模型进行研究。由于路径选择受流量不确定的影响,使得传统的相继平均算法(Method of Successive Averages,MSA)在求解这类问题时存在均衡性较低的现象。蚁群优化(Ant Colony Optimization,ACO)算法是近年来受到广泛关注的一种自然计算方法,尤其是其解决旅行商问题时节点选择受信息素影响的特性与本文研究的路径选择问题具有内在的相似性,因此,本文提出了基于ACO的三种SUE模型求解方法,并将结果与MSA算法进行比较。具体研究内容及取得的成果如下:1.在Nguyen&Dupuis路网模型中,使用MSA算法和ACO算法求解Logit-SUE模型,将这两种算法分配的各路段流量、路段阻抗及路径阻抗进行比较,并在不同θ条件下,对这两种算法的交通分配性能进行敏感性分析。2.基于MNW离散路径选择模型,提出一种ACO算法信息素更新策略,使用MSA算法和新的ACO算法求解MNW-SUE模型,分析两种算法计算的各路段流量、路段阻抗及路径阻抗,并在不同β条件下,对这两种算法的交通分配性能进行敏感性分析。3.在Sioux Falls路网模型中,根据Logit模型和MEM模型路径选择概率公式之间的相似性,提出一种基于MEM离散路径选择模型的ACO算法信息素更新策略,分别使用新的ACO算法和带有分半搜索方法的MSA算法对MEM-SUE模型进行求解,分析获取到的各路段流量、路段阻抗及路径阻抗及在不同φ条件下两种算法的敏感性程度。本文详细介绍了MSA算法和ACO算法求解三种模型的实现步骤及具体流程,仿真结果表明,在出行者对路径阻抗的感知误差较大时,ACO交通分配算法优于MSA算法,且具有较强的灵活性,更有利于减少交通阻塞和用户出行。