随着社会的不断发展和进步,城市轨道交通作为一种电能驱动的公共交通方式不断发展,在一定程度缓解了路面交通堵塞问题。截至2019年12月底,我国内地开通运营轨道交通的城市已达40个,运营总里程超过6000公里。城市轨道交通的不断发展,伴随着巨大的能量损耗问题,关系着城市轨道交通的可持续发展,因此列车自动驾驶节能优化控制具有重要意义。本文根据国内外对列车节能运行研究,结合城市轨道交通的列车运行特点,建立列车的节能优化模型,设计了列车节能运行的智能优化及深度强化学习方法。论文主要研究内容如下:首先,介绍列车自动驾驶节能运行控制的优化模型。对列车运行过程进行受力分析,建立列车运动学模型;分析列车的运行工况,利用极大值原理分析驾驶策略转换原则;分析影响能耗的主要因素,确定牵引能耗的计算方式。其次,建立了基于遗传粒子群算法的列车节能优化模型。对列车不同驾驶策略进行分析,确定采用的节能驾驶策略,根据基础粒子群算法建立列车节能优化模型。为增加粒子群算法的局部搜索能力,在基础粒子群算法的基础上加入遗传算法的交叉思想和精英保持策略得到遗传粒子群算法,并建立了列车节能优化模型。然后,建立了基于深度强化学习的列车节能优化模型。为了使列车节能优化控制更智能化,使用深度强化学习算法进行建模。根据深度Q网络(deep Q-network,DQN)学习框架,建立列车运行环境,搭建智能体。对学习算法的策略进行设计,建立预训练模型,得到列车节能优化模型。对DQN算法中的深度神经网络进行选取,选取全连接神经网络进行训练,使用Re LU函数作为激活函数,使用均方根传递(root mean square propagation,RMSProp)优化器对神经网络进行优化。最后,仿真实现。选用实际的地铁线路信息,通过仿真对上述算法进行验证。仿真结果表明,相对于列车实际运行能耗,传统智能算法实现了节能优化,遗传粒子群算法相对于基础粒子群算法的优化效果更好,在基础粒子群算法的基础上节约能耗约18%。相对于列车实际运行能耗,DQN算法初步实现了列车节能优化控制,节能效果良好。从而验证了本论文所建立的列车节能优化控制模型的有效性。图34幅,表10个,参考文献59篇。