امروزه یکی از چالش های اصلی شبکه های ترافیکی، هدایت وسائل نقلیه برای رسیدن به مقصدشان تحت وضعیت پویای ترافیک با هدف اجتناب از تراکم، کاهش زمانهای سفر و استفاده موثرتر از ظرفیتهای موجود شبکه حمل ونقل شهری می باشد. در پاسخ به مسائل بیان شده، سیستم پویای هدایت(راهنمای) مسیر رویکردی موثر به نظر می رسد. این سیستم از جمله حوزه های مهم فعالیت سیستمهای هوشمند حمل ونقل(ITS) می باشد. هسته اصلی سیستم پویای هدایت مسیر، محاسبات کوتاهترین مسیر بر اساس شرایط جاری(اطلاعات در زمان واقعی) است. امروزه بمنظور جمع آوری اطلاعات زمان واقعی، شبکه خیابانهای بسیاری از شهرها به حسگرهایی نظیر حلقه های مغناطیسی مجهز شده اند اما از این داده های زمان واقعی بشکل موثری استفاده نمی شود. از اینرو با توجه به ضرورتهای بیان شده، هدف کلی تحقیق را می توان در قالب توسعه استراتژیهای موثر مسیریابی بمنظور هدایت مسیر وسائل نقلیه تحت وضعیت پویای محیط تعریف نمود. ارزش سویه ها یا زمانهای سفر برروی سویه های شبکه های حمل ونقل تحت تاثیر برخی از نامعینی ها و شرایط غیرقابل پیش بینی نظیر تصادفات؛ بشکل پویا تغییر می یابد. لذا بدلیل مشکل بودن محاسبات کوتاهترین مسیر پویا در این وضعیت و نیز غیرکافی بودن مدلهای موجود در ادبیات موضوع، پیدا کردن فرمولاسیون جایگزین برای الگوریتم های یافتن مسیرکه تخمین های خوبی از جواب بهینه فراهم نموده و زمان اجرای محاسیات را کاهش دهد از جمله انگیزه های تحقیقات در این زمینه بوده است. بدین منظور در این تحقیق با بیان چارچوب مفهومی هدایت مسیر مبتنی بر ساختار مسیریابی غیرمتمرکز، به چگونگی ادغام سیستم های هدایت مسیر با روشهای هوش مصنوعی و بکارگیری تکنیکهای عامل گرا با تاکید بر یادگیری تقویتی بعنوان یک راه حل در مواجهه با نامعینی های مساله مسیریابی وسائل نقلیه در شبکه های ترافیکی پرداخته شده است. از نتایج مهم تحقیق ارائه شده می توان به معرفی یک مدل ترکیبی بر پایه عاملها و استفاده از اطلاعات زمان واقعی، حل مدل مساله هدایت مسیر در وضعیت پویا با روشهای شبیه سازی، توانائی مدلهای یادگیری پیشنهاد شده در ارائه سیاست یا استراتژی انتخاب مسیر در تطبیق با شرایط پویای ترافیکی و نیز ارائه آلترناتیوهای مختلف پیشنهادی طی مسیر برای رانندگان با هدف صرفه جویی در زمانهای سفر وسائل نقلیه، اجرای الگوریتم ها برروی بخشی ا
