交通问题是全球普遍关注的重要问题,交通问题已经严重影响了人类社会经济的正常运行,为此采用最新的科学技术成果,意在解决交通问题的“智能运输系统”的研究正在全球范围迅速兴起,agent技术是计算机和分布式人工智能领域的最新研究成果,是面向对象技术的新发展。agent技术为复杂问题的解决提供了重要手段,是当今计算机领域的一大研究热点。agent技术为解决交通问题提供了新的思路。本文根据交通领域的这一研究背景,结合agent技术以及智能控制技术的发展,探讨解决交通问题的新方法。本文首先分析了交通信号控制的发展历程,交通控制系统的发展方向。在分析了agent理论的基础上,总结了agent的概念、特征和结构模型。紧接着介绍了交通信号控制的分类、方法,并着重讨论了单交叉路口信号控制的主要参数和评价指标。城市交通是一个复杂系统,agent特有的自治性、协作性等特点,为进行仿真提供了更好的方法。为此,本文给出了基于multi-agent的区域交通信号控制系统的框架结构,并在此基础上提出了区域信号控制系统的二级控制模式。Q-learning算法是近期所提出的在线强化学习算法。本文简单介绍了Q-learning算法的基本思想和适用条件,并给出了在线Q-learning算法的方法步骤。以Q-learning算法为基础,给出了单交叉路口和区域信号控制算法,描述了算法所涉及的条件、计算步骤,并论证了该算法的可行性、有效性。通过试验和数据采样,是验证系统性能的有效手段。首先阐述了利用MFC进行agent设计的方法和手段,并进行了系统仿真所需要的四类agent的定义,工作流程和相互配合关系。在系统实现的基础上,用仿真数据进行了基于agent的区域信号控制系统的模拟,并同常规区域信号控制系统进行了多方面的比较,显示出基于agent系统比常规系统的优越。在进行系统分析的基础上,结合当前智能交通系统研究的发展方向,提出了系统进一步的改进方案。为完善和发展系统,解决城市交通问题提出了需要继续做的工作。