高速列车节能运行优化是实现高速铁路良好可持续发展的重要研究课题,作为一个交叉性学科,其涉及面较广,过程复杂,对其求解极为困难。目前对于高速列车运行过程的数学建模及优化算法均存在多方面亟待解决的问题,本课题以“研究出一种能够为单列及多列高速列车在不同的运行条件下提供精确的、实时的、灵活的节能运行操纵策略的方法和系统”为目标,针对高速列车节能运行优化所涉及的问题展开深入研究。研究内容主要包括以下几个方面：(1)深入研究影响高速列车运行能耗的关键因素及能耗计算精度的主要因素。本文在单质点列车模型的基础上,建立了多质点的列车模型；提出了高速列车运行过程中牵引供电计算模型的改进方法；对高速列车运行过程过电分相的状态变化进行分析和建模,精确计算列车过电分相对速度及能耗的影响；设计了将列车运行仿真技术与智能优化算法相结合的高速列车节能运行优化平台,从而使列车运行过程中的精确计算与列车节能操纵策略的优化全面且有机地结合。(2)针对高速列车运行具有多目标、大滞后及非线性的特点,在建立高速列车仿真计算模型的基础上,对单列高速列车节能运行操纵策略进行优化。首次将列车过电分相区采取惰行工况的实际情况进行考虑,构建了以能耗、运行时间、停车精确度为目标的节能运行控制模型,提出了一种多种群并行遗传算法(Multi-Group Parallel Genetic Algorithm, MGPGA)进行求解。以实矩阵编码的变长染色体设计满足列车操纵工况转换次数及位置可变的需求,同时提出不同长度染色体的两点交叉算子(Crossover Operator,CO)。在对MGPGA进行求解时,根据MGPGA的进化情况采取自适应的交叉概率和变异概率以提高算法全局搜索能力及收敛速度。提出了一种基于动态迁移率的子种群间移民策略,有效地避免早熟现象。(3)对移动闭塞系统下两列高速列车节能运行的追踪策略进行深入研究,提出了高速列车运行时在受到不确定因素影响下的实时优化的方案。同时,针对优化算法在高复杂度状态下的实时性问题,提出了基于个体修复算子的多种群并行遗传算法(Repair Operator based Multi Population Genetic Algorithm, RMPGA)。其中,该修复算子可以对遗传算法(Genetic Algorithm, GA)初期阶段产生的较多非优个体进行不同程度的修复,极大地提高了算法收敛速度,保证列车的实时运行优化。同时针对列车复杂多变的运行环境,对优化算法的触发条件进行详细设计,保证了算法的健壮性。(4)将高速列车节能运行优化的目标扩展到多列高速列车,即高密度列车群。首次采用禁忌-多种群并行遗传算法对列车群在移动闭塞系统下追踪运行的节能运行方案运行优化。针对列车群的节能运行优化存在规模大、复杂度高的问题,该混合算法将具有较强局部领域搜索能力的禁忌算法(Tabu Search, TS)与具有全局优化能力的并行遗传算法结合,引入TS作为MPGA的变异算子(TS-Mutation Operator, TSMO),并根据列车群运行优化的特点提出了伪多点的交叉算子(Pseudo-Crossover Operator, PCO),加快了算法的收敛速度,为高速列车群节能运行优化提供了新的思路。(5)设计并实现了以多种群并行遗传算法为核心的、以多质点列车模型和高速列车牵引供电计算模型为基础的高速列车节能运行仿真平台,并将国内CRH3系列高速列车及京沪高铁等实际数据与工况应用于该平台,验证了节能优化算法有效性。