为提高地铁在站运行效率，本文探讨了一种用反向学习人工免疫算法优化地铁站内运行的方法。　　 本文优化的对象是站内运行的相邻列车，即前行列车和后行列车。站内运行过程包括：前行列车的出站过程、后行列车的进站过程；其中，这两个运行过程在一定时间段内是同时进行的。影响两个运行过程的因素主要有：后行列车进站加速度和初速度、前行列车的出站加速度和出站时刻等。本文首先对相关因素进行抽象，分别抽象为b(m/s2)、v0(m/s)、a(m/s2)、t0(s)；其次，用反向学习的人工免疫算法对这几个参数进行优化。其中，具体的优化过程主要是在四个参数组成的内积空间中寻找最佳组合，即最优解。　　 该算法引入基于反向学习框架与人工免疫算法相结合的思路。类似于所有的基于种群优化的算法，反向学习人工免疫算法和人工免疫算法有两个主要区别，即种群的初始化过程和进化操作过程（克隆、变异、选择）。本文用反向学习的框架改进原有人工免疫算法的这两步。在改进过程中，原有的免疫算法作为一个父算法，而反向学习的思想被嵌套在免疫算法中来加速算法的收敛速度。该算法抽象数据结构如下：参数线性组合视为抗体，目标函数视为抗原，目标函数值视为抗体与抗原间亲和力大小，解的相似度值视为抗体间的相似度。算法涉及到的主要算子（如抗体群初始化、抗体克隆、抗体超变异、抗体选择、同化抗体的消除等）分别对应于参数组群的初始化、参数组的复制、参数组变异、参数组选择、相似参数组的删除等。　　 针对该算法，本文以地铁相邻列车在站运行为背景，根据相关参数不同取值的线性组合首先计算出问题的解空间规模，进而通过算法对解空间的操作（抗体群的初始化、抗体的克隆、抗体的变异、抗体的选择等）找出对应目标函数值最大的解，即最佳参数值。最终，根据实验获得的最优解对应的各个参数取值，确定地铁列车的实际运行。　　 理论分析和实验结果表明了该算法可以有效地寻找到最优解，一定程度上优化了相邻列车在站运行过程，有效地提高了地铁的运行效率，从而为地铁在站运行的实际操作提供了一定的借鉴。