徐 凯，杨飞凤，涂永超，吴仕勋

(1. 重庆交通大学 信息科学与工程学院，重庆 400074；2. 重庆市公共交通运营大数据工程技术研究中心，重庆 400074)

列车自动驾驶ATO是城市轨道列车控制系统的重要组成。在列车运行过程中，ATO由已知信息进行优化调整，得到最优控制策略，给出控制力让列车按照最优驾驶曲线运行[1]。目前对于ATO控制策略的优化，国内外主要采用的方法有粒子群算法PSO，遗传算法GA和差分进化DE等智能算法[2-4]。

文献[5]在求解列车自动驾驶速度曲线时， 采用改进后的粒子群算法，将多目标优化向单目标转化，用加权求和的形式得到目标函数。上述传统的加权方法忽略了各目标间的相互影响，没有考虑他们之间的复杂关系，无法体现多目标优化的本质。为充分体现多目标研究的实质，通常采用Pareto原理来求解此类问题。而目前文献基于Pareto原理优化时，往往只考虑两目标问题，例如文献[6]将时间和能耗作为两个优化目标，混合了差分和模拟退火两种进化算法进行求解；文献[7]对比了两种多目标优化算法MOPSO和NSGA_II，并验证了在计算时间、可行解的多样性以及Pareto前沿解的逼近程度等性能指标，MOPSO表现更佳，但却未提及对MOPSO算法的深入改进。此外，为了保证行车安全和效率，城轨列车运行控制还有精准停车这一重要目标，即停车误差不能超过30 cm。文献[8]基于Pareto原理，采用MOPSO算法优化了能耗、时间以及停车误差这三个目标，却没有评价算法的性能指标，特别是对算法收敛性能的改进。……