高速磁浮列车的运行控制是用于实现控制列车自动运行的方法,鉴于既有的基于状态空间的运控方法在解决列车运行问题上的不足,研究简捷有效的运行控制方法对确保高速磁浮列车安全、可靠、高速、灵活运行具有重要意义。本文通过研究高速磁浮列车运行方式和既有的列车运行控制方法,提出了基于机器学习的高速磁浮列车运行控制方法,鉴于集成学习模型相对于单一学习模型更加稳定,更适合于工程应用研究,本文将优化的自适应Stacking集成学习方式用于高速磁浮列车运行控制仿真,具体内容如下。(1)提出了用于优化集成选择问题的群体智能融合算法。针对Stacking集成学习方式中的配置选择和超参数优化问题,设计合适的寻优算法以满足其寻优精度高、搜索速度快的需求。设计算法融合机理,将天牛须搜索(Beetle Antennae Search,BAS)算法的搜索方式引入粒子群优化(Particle Swarm Optimization,PSO)算法的寻优过程得到天牛须粒子群优化(Beetle Antennae Particle Swarm Optimization,BAPSO)算法,针对BAPSO算法中优化参数性能的不足做出改进得到带压缩因子的天牛须粒子群优化(Beetle Antennae Particle Swarm With Compression Factor,BAPSO-WCF)算法。通过测试函数进行算法参数选择,寻优对比实验表明,本文提出的算法融合策略和改进策略有效提高了算法的寻优精度和搜索速度。(2)提出了基于BAPSO-WCF算法的自适应Stacking集成学习(Self-Adaptive Stacking Ensemble Learning Algorithm Based On BAPSO-WCF,BSSEL)算法。在详细研究Stacking集成学习框架及特性的基础上,对其配置选择和超参数优化进行形式化问题描述与建模,设计基于BAPSO-WCF算法对模型求解的计算流程,结合Stacking集成学习特性和本文基于牵引连续控制量设计运控方法的研究问题,建立学习器和超参数候选集。实验结果表明,BSSEL算法可获得较好的预测效果。(3)构建了基于BSSEL算法的高速磁浮列车运行控制方法并进行仿真。对列车运行相关数据进行采集,剔除、归一化预处理,设计自编码器进行特征学习,使用BSSEL算法进行线下模型训练,设计模型线上应用流程,将模型应用于磁浮列车运行控制系统,基于试验线路进行运行控制仿真。