当前社会的飞速发展,城乡经济的巨大差别,让越来越多的人涌入城市寻找机会,城市人口的剧增给城市交通带来巨大的压力。作为公共交通重要一员的轨道交通,在减缓城市交通压力面前自然必不可少,大力建设城市轨道交通,提高城市交通质量,已成必然趋势。随之,列车智能控制、列车自动驾驶系统和列车调度时刻表等相关问题成为人们广泛研究的热点。本文在此环境下,对列车控制及调度一体化的智能优化研究,先后进行了单列车多目标和多列车多目标两个不同层次的优化,其主要内容如下:单列车多目标优化:针对城轨列车自动驾驶系统目标速度曲线的设计需求,在满足安全及各种约束条件下,结合列车运行过程中的多种工况序列,以缩短运行时间、降低能耗和减少停车误差为目标,建立了列车运行的多目标优化模型。根据Pareto原理,提出一种协同进化的多目标混沌粒子群CMOCPSO算法。该算法下层的基础群采用目标引导法进行全局搜索,在挖掘各目标边沿解的同时让解空间均匀分布;上层的精英群通过加扰动的形式,完成局部的精细搜索。该策略利用双外部档案来完成两层间的双向通信,通过设置恰当的通信周期参数,形成一个全方位协同的高效搜索群体,用以改善算法的性能指标。通过列车运行仿真实验研究,验证了所提出的算法的收敛性和多样性均优于多目标粒子群MOPSO算法。最后,采用模糊隶属度法优选出城轨列车的自动驾驶曲线。多列车多目标优化:在满足列车行车和追踪的各种约束条件下,以乘客旅行时间和列车总能耗为目标,建立多列车追踪的多目标优化模型。采用免疫克隆粒子群优化算法,配合时间裕度的思想,来调整发车间隔及停站时间,在优化乘客旅行时间的同时,还尽可能多的增加相邻两车加速与制动的重叠时间,提高再生利用率,从而达到减少列车运行总能耗的目的。在算法的优化过程中采用动态网格序分外部档案更新策略来帮助算法加快找出优秀的列车驾驶曲线和调度时刻表。