随着中国经济的发展和城市化的加速,我国大中城市交通情况面临着日益严重的挑战,交通拥堵耗费了人们大量的宝贵时间,紧张的交通环境也导致交通事故的频发,对城市居民造成了负面影响。为了缓解日益加重的交通状况的恶化,人们开始研究适用于城市道路的智能交通系统,在这一旨在缓解交通压力的智能交通系统中,引导车辆选择合适道路的路径诱导系统是重中之重,其算法的选择对于整个系统的性能、可行性和时效性都是决定性的,所以本文旨在对路径诱导算法进行更进一步的研究来满足交通行为的需求。在设计符合要求的路径诱导算法时,必须考虑到交通问题中数据的海量性,尤其是在大中城市,无论是城市中道路的规模、道路复杂程度还是车辆数量的与日俱增,这些影响条件和动态变化的因素也是课题的难点,对研究提出了更高的要求。目前人们借助于云计算技术来解决大规模问题已经相当普遍,为了让本文研究的算法性能可以满足客观的要求,并且与传统的算法相比具有更高的系统性能和运行效率,本文选择通过云计算平台对海量数据进行存储,对大规模的海量数据计算进行并行化操作,最终设计出基于云计算的改进蚁群算法,并移植到交通环境的运用中。本课题的研究主要包含以下几个方面:(1)了解并行化计算的特点和发展历程,学习云计算的基本概念和框架,对其核心部分的工作进行研究。包括Google云计算的三大核心技术(GFS、Map Reduce、Big Table),Hadoop平台的核心技术(HDFS、HBase),为本文的算法并行化设计奠定理论基础。(2)在算法研究方面,从传统的最短路径算法入手研究,并分析当前学术领域和实际应用中使用最广泛的最短路径算法的优缺点,在此基础上改进了基本蚁群算法,对其并行化设计进行研究,实现在Hadoop平台上的运行。(3)采用交通仿真软件对交通路网数据进行处理,设计数据结构。将交通网数据进行抽象化,建立面向蚁群算法相关模型,最后在此基础上实现了改进的蚁群算法基于Hadoop平台的并行化操作。(4)实验阶段在Hadoop云计算平台上,对蚁群算法的并行化改进算法进行实验,分析实验数据,结果表明改进算法相比较传统的算法性能有所提高。