摘要：在利用深度学习实现列车智能驾驶时,神经网络架构和参数的选择过于依赖人工经验,现有梯度下降法在参数优化时易陷入局部最优,且学习任务单一。针对上述问题,提出一种自适应多种群链式多智能体算法(AMPCMA)优化LSTM网络的列车智能驾驶新方法,该方法有机地将计算智能与深度学习结合,能充分挖掘优秀驾驶员数据。其具体实现过程为:首先,从自动化深度学习角度出发,采用遗传算法(GA)优化深度网络结构,克服了其结构难以确定的问题,并在此基础上分粗、细学习2个阶段对整个网络的参数进行优化。在粗学习阶段,采用AMPCMA算法对LSTM参数预置初值,有效地学习多个任务的共性。该算法能在进化过程中动态调整小种群链表规模,具有较好的灵活性和自适应性。接着在细学习阶段,基于上述多任务共性学习所得到的LSTM参数,再用Adam算法分别对单个任务上的参数精细优化,以实现任务的个性学习;其次,有效地设计了多任务之间的信息共享机制,且任务共性和个性学习有机结合,使得整个网络泛化能力强,较好地改善了列车档位、档位操纵时间和列车速度的多任务决策效果;最后,通过仿真实验验证了所提出的AMPCMA-LSTM模型较传统机器学习方法更优越,提高了列车操控与预测精度,并能在多种操控序列下表现出较强的鲁棒性。