近几年,随着云计算,大数据等新兴技术的发展,智慧城市、智能交通等概念也走进人们的视野。车载网以其独特的魅力和广阔的市场前景吸引人们的目光。因此,针对车载网路由算法的研究也成为了一个热点。本文结合车载网自身的特点,分析了Q-Learning,蚁群算法和模糊逻辑推理,以及目前存在的一些路由算法。针对一些算法的缺点,得到改进方法,并通过仿真实验证明,改进后的算法的可行性。本文研究了Q-Learning和蚁群算法在车载网路由算法中的应用。分析Q-ABR算法,指出其信息素更新方式的不足之处,在此基础上提出信息素更新的改进方法。针对算法设计和建模过程中没有考虑路由回路产生,路由出错处理机制的问题,重新设计算法流程,弥补算法设计的不足使其更适用于车载网的环境,并重新对该算法建模。随后,文中分析了AODV算法,指出采用跳数作为链路度量寻找最短路径的不足之处。考虑车载网的特点,利用模糊逻辑估计两个节点之间的链路质量,对Q-Learning进行改进。改变传统Q-Learning中折扣率不能根据具体的实际情况发生自适应变化的缺点。利用模糊逻辑估计链路质量并用得到的值替代Q-Learning中的折扣率。用Q-Learning算法对AODV算法进行改进,同时重新对该算法进行建模。文中分析了车载网中负载均衡的问题和AD-AODV负载均衡算法的不足之处。指出AD-AODV算法采用的链路度量方式的缺陷,针对该问题提出新的链路代价函数。同时对AODV算法进行改进,以实现负载均衡的策略并对改进后的算法重新建模。仿真实验结果表明所设计的算法与其它算法相比较具有较好的性能。