网络列车时刻表编制问题的关键,是要处理好换乘站不同线路间列车的衔接。本文通过对现有文献学习梳理,将早班车时刻表优化进一步拓展为简单早班列车群时刻表协同优化和一般早班列车群时刻表协同优化。研究内容如下:明确换乘协同在网络列车时刻表优化中的含义和目标,通过分析换乘客流需求特性,提出“早班列车群”的概念,将早班车时刻表优化过程中的均衡列车发车间隔调整为早班列车群时刻表协同优化过程中的非均衡发车间隔,由此给出了两种早班列车群的结构。比较不同规模早班列车群和首班车的换乘衔接过程异同,运用图形刻画换出、换入早班列车群在换乘站的到发规律,对乘客换乘等待时间和冗余换乘等待时间之间的关系进行量化,设计了乘客换乘等待时间求解算法。建立的简单早班列车群时刻表协同优化模型将各线路首班车始发时刻及均衡发车间隔作为决策变量,考虑技术约束、时间参数上下限约束和乘客换乘等待时间约束在内的三组约束,目标函数最小化乘客总的换乘等待时间。改进了模拟退火算法的初始温度给定方法和邻域变换法则,并对解的邻域结合决策变量进行设计。设计小型算例并求解。对比初始列车时刻表和简单早班列车群时刻表,混沌模拟退火算法和模拟退火算法求得的总的乘客换乘等待时间分别减少28.2%和27.9%。改进后的混合智能算法在求解效率上更优,求得满意解计算用时分别为64s和98s。在一般早班列车群时刻表协同优化模型中,早班列车群内列车在始发站非均衡发出,将换乘站停站时间新增为决策变量,并考虑了换乘客流的时变特性,建立以最小化乘客平均换乘等待时间的一般模型。在模拟退火算法框架中加入遗传算子,结合决策变量设计了染色体结构以及交叉变异操作规则。分别用遗传模拟退火算法和模拟退火算法求解扩展模型,与现状列车时刻表相比,乘客平均换乘等待时间分别减少35.2%和33.8%。对比了两种算法的求解效率和满意解的质量。最后,设计了一个包含14条线路和25座换乘站的大规模路网算例,分别求解简单模型和一般模型,验证模型在大规模路网条件下的适用性。对比现状列车时刻表和两种协同优化模型求解所得时刻表发现,简单模型中,两种算法求得的总的乘客换乘等待时间分别减少22.0%和23.2%;扩展模型中,两种算法求得的平均乘客换乘等待时间分别减少29.9%和33.7%。