中国的轨道交通日均载客量基数大,并且呈现逐年增长的趋势。该现象导致列车系统的运营成本增加,安全保障需求有所提高。近年来,随着人工智能的发展,对轨道交通的智能化运营有极大促进作用。时刻表的优化算法作为智能化运营中重要组成部分,其优势在于它直接挂载于自动列车驾驶系统,不需要修改系统的原始结构,就能实现降低列车运行能耗的目的,具有投入成本低与安全隐患小的特点。自动列车驾驶系统不仅需要为每辆列车制定差异化行车策略,同时还应具备一定的抗干扰能力和实时特性。当随机扰动发生时,若仍按照离线制定的节能时刻表运行,整个列车系统将不再保持低能耗,这时需要对离线时刻表进行在线重构,其通过捕获外界不可抗力干扰因素,在保证安全的前提下实时调整系统策略,从而尽可能降低干扰因素对节能效果的影响。本文以自动化列车控制系统为平台,构建一体化节能方案。本文分为四部分内容:首先建立以地铁列车能量优化为目标的列车运行模型;然后采用遗传算法构建能量较优的离线时刻表;接下来采用深度神经网络构建在线的时刻表决策器;最后采用强化学习算法探索连续随机扰动下的最优能耗决策。本文首先针对列车运行的状态,尤其是能量变化进行建模,提出了时域解析模型,模型包含单列车能耗优化控制模型和多列车能量传递模型。现有的单列车最优控制模型多基于分析法,采用庞特里亚金极大值原理求解其最优控制模态顺序。本文结合列车电机电磁特性对最优控制模态进行补充,推导状态变量函数表达,并将分析法与数值法相结合提出求解模态切换点的方法。多列车模型可以量化分析列车能量传递过程。现有的多列车模型以简化能耗模型为主。本文分别比较多列车电路模型与简化能量模型的差异,同时结合单列车模型构建完整的列车运行时域解析模型。该模型是以地铁列车运行过程和能量传递过程建立的集总模型,为研究地铁列车能量优化和时刻表在线重构奠定基础。构建合理化的时刻表可以保证运行列车以安全行驶为前提,充分利用其行驶过程的再生制动能,最大限度减小列车的净牵引能耗总和。遗传算法是定制离线时刻表的最常用算法,但根据其构建的方式不同优化效果也各不相同。本文通过对不同列车运行模型、不同行车策略、不同决策变量和不同目标函数等因素进行比较分析,最终提出一种基于双决策变量的节能时刻表优化策略。通过上海地铁一号线实验验证表明,该策略是一种不引入额外储能设备的离线寻优策略,并在减小列车净牵引能耗的效果和寻找优化策略的迭代速度上表现优异。停站扰动在实际列车运行过程中频繁发生,迫使离线时刻表不能达到预期节能效果。本文提出一种基于深度神经网络的时刻表在线重构方法,该方法在发生停站扰动时可以重新规划列车运行策略,具体而言是在每一辆列车的出站瞬间重新决策站间巡航速度。该方法克服了遗传算法时间复杂度高的缺陷,将其迭代的最优离散样本用来训练深度神经网络。为了验证该方法的有效性和实时性,本文设计并进行了实验。实验结果表明:该方法的节能效果与遗传算法相近,实时性达到了在线决策的需求。本文将深度强化学习也应用到解决时刻表在线重构的问题中,提出了一种基于深度确定性策略梯度算法的时刻表重构策略。该方法采用连续随机采样的方式训练智能体,用巡航速度和停站时间两个量作为智能体的决策变量,并根据价值函数引导智能体作出净牵引能耗更优的决策行为。该方法可以针对连续随机停站扰动的情形,制定时刻表在线重构策略。经过实验验证,该策略达到实时性需求,有一定自适应性,并且节能效果良好。