工程师毕业论文

工程师毕业论文一.摘要

在全球化与数字化浪潮的推动下，现代工程领域面临着前所未有的技术革新与管理挑战。以智能交通系统为背景，本研究聚焦于城市轨道交通中的信号优化问题，旨在通过算法设计与仿真实验，提升列车运行效率与安全性能。案例背景选取某市地铁线路作为研究对象，该线路存在信号交叉干扰、动态路径规划不精准等问题，导致高峰时段拥堵与能耗增加。研究方法采用混合整数线性规划（MILP）结合启发式搜索算法，构建多目标优化模型，同时利用Agent仿真平台模拟不同场景下的信号控制策略。通过对历史运营数据的深度挖掘，结合机器学习预测模型，实现了信号时序的动态调整。主要发现表明，优化后的信号控制方案可将线路平均延误降低23%，峰值小时能耗减少18%，且在仿真测试中未出现安全事故。结论指出，智能化信号优化不仅能够显著提升运输效率，还需考虑人因工程与系统鲁棒性，为同类工程项目提供理论依据与实践参考。

二.关键词

智能交通系统、信号优化、混合整数线性规划、Agent仿真、动态路径规划

三.引言

在现代都市化进程中，城市轨道交通作为公共交通的核心骨干，其运行效率与安全性能直接关系到城市居民的出行体验与经济社会发展。随着人口密度的持续增长及城市规划的日益复杂，传统轨道交通信号控制方法在应对高并发、动态化出行需求时逐渐暴露出局限性。信号交叉干扰导致的列车延误、线路容量饱和引发的能耗激增、以及静态路径规划难以适应突发客流变化等问题，已成为制约城市轨道交通系统发挥最大潜能的关键瓶颈。与此同时，信息技术的飞速发展催生了大数据、等前沿技术，为解决上述难题提供了新的可能。通过算法优化与智能决策，信号系统有望从传统的被动响应模式向主动预测与自适应调整模式转变，从而实现资源的最优配置与运行品质的全面提升。

智能交通系统（ITS）的兴起为轨道交通信号优化注入了新动能。以算法驱动的信号控制策略能够整合实时客流、列车位置、设备状态等多源信息，构建动态化的决策框架。例如，混合整数线性规划（MILP）因其全局最优解的特性，在信号时序分配中展现出显著优势；而遗传算法、模拟退火等启发式搜索算法则通过模拟自然进化过程，在复杂约束条件下快速找到近似最优解，二者结合能够有效平衡计算效率与解的质量。Agent仿真技术进一步拓展了研究边界，通过构建虚拟环境模拟真实系统的交互行为，为算法验证提供可重复、可控的实验平台。

本研究以某市地铁线路为具体案例，旨在探索基于多目标优化的信号控制策略。该线路作为城市交通枢纽的重要组成部分，承担着每日数百万人的运输任务，其信号系统的稳定性与效率对整个城市运行具有举足轻重的意义。然而，该线路在运营过程中存在以下突出问题：一是信号交叉区域频繁出现冲突，导致列车被迫减速或等待，高峰时段延误累积严重；二是现有路径规划方案以固定时间间隔为基础，无法有效应对客流波动，造成部分时段资源闲置或部分时段超负荷；三是能耗管理缺乏精细化手段，列车启停频繁导致电力消耗居高不下。这些问题不仅降低了乘客满意度，也增加了运营成本与环境负荷。

针对上述问题，本研究提出以下核心假设：通过融合MILP多目标优化模型与Agent仿真的混合方法，能够构建兼顾运行效率、安全性和能耗指标的信号控制方案，并显著改善案例线路的实际运行表现。研究问题具体包括：（1）如何设计多目标优化模型，以实现列车延误、能耗与安全冗余的协同最小化；（2）启发式搜索算法在信号时序动态调整中的参数优化策略是什么；（3）Agent仿真环境下不同控制方案的鲁棒性表现如何，如何量化评估其适应性。通过系统性的理论分析与实证验证，本研究期望为城市轨道交通信号优化提供一套可复制、可推广的解决方案，同时为智能交通系统的理论发展贡献新的视角。

在理论层面，本研究深化了对轨道交通信号控制复杂性的认识，揭示了多目标优化与仿真的协同作用机制；在实践层面，研究成果可直接应用于信号系统改造工程，通过算法落地提升现有线路的运行效能，并为未来无人驾驶地铁系统的信号智能决策奠定基础。随着城市规模持续扩张，类似问题将在更多轨道交通网络中显现，本研究的价值将随着应用场景的拓展而不断延伸。

四.文献综述

城市轨道交通信号优化作为交通运输工程与运筹学交叉领域的热点议题，近年来吸引了学术界与工业界的广泛关注。早期研究主要集中在基于规则或固定间隔的信号控制方法，如美国旧金山湾区快速交通局（BART）在20世纪70年代采用的固定绿信比信号控制策略，该策略通过预设的时间分配方案简化了系统设计，但在应对客流随机性方面表现脆弱。同期，英国伦敦地铁部分线路尝试引入联锁闭塞系统，通过电气联锁装置保证列车间隔安全，提升了线路容量，但该系统缺乏对运行效率的动态优化机制。这些早期工作为后续研究奠定了基础，但也凸显了静态控制方法在复杂交通环境下的局限性。

进入21世纪，随着计算机技术的发展，信号优化开始向模型化与智能化方向演进。在模型构建方面，线性规划（LP）因其易于求解和直观的数学表达，被广泛应用于信号配时优化。例如，Zhao等（2010）针对单线铁路信号优化问题，建立了以最小化列车延误为目标的LP模型，通过调整绿灯时间与间隔来平衡通过能力与运行顺遂性。然而，LP模型在处理复杂约束（如多列车协同通行、紧急制动需求）时能力有限。为克服这一局限，Kwon和Park（2015）将问题扩展至混合整数规划（MIP），引入二元变量表示信号相位状态，显著增强了模型的描述能力，但其求解复杂度随线路规模呈指数级增长，对计算资源提出了更高要求。多目标优化（MOO）方法的应用进一步丰富了研究维度，Liu等（2018）采用加权和法处理效率、能耗与安全冗余等多个目标，通过罚函数将非主目标转化为约束，但权重的确定往往依赖专家经验，缺乏自适应调整能力。

在算法设计方面，启发式与元启发式算法因其全局搜索能力和较短的求解时间，在信号优化领域展现出独特优势。遗传算法（GA）通过模拟生物进化过程，在列车路径规划与信号时序分配中均有成功应用。例如，Hosseini和Pourbeik（2013）利用GA优化地铁网络中的列车运行计划，显著降低了全网延误。禁忌搜索（TS）算法通过记录禁忌列表避免重复搜索，在信号相位优化中表现稳定。然而，传统启发式算法易陷入局部最优，且参数设置（如种群规模、交叉变异概率）对结果影响显著，缺乏理论指导的参数自适应机制。近年来，基于机器学习的优化算法开始崭露头角，Wang等（2020）将强化学习（RL）引入信号控制，通过智能体与环境交互学习最优策略，虽能适应动态变化，但训练过程需要大量样本数据且收敛速度较慢。

Agent仿真技术作为验证优化方案的重要工具，为信号控制研究提供了实验平台。早期仿真工作多集中于验证特定算法的可行性，如Chen等（2011）通过构建离散事件仿真模型，评估了不同信号控制策略在特定线路场景下的性能。随着仿真技术的发展，多智能体系统（MAS）被引入模拟列车与信号系统的交互行为。例如，Li和Zhang（2019）开发了一个基于MAS的仿真平台，用于研究复杂交通流下的信号动态调整，其模型考虑了列车间的相互作用以及信号系统的反馈机制。尽管仿真研究日益深入，但多数工作仍聚焦于算法性能的验证，缺乏对仿真参数（如列车密度、模拟时长）与实际运行效果之间关联性的系统性研究，导致仿真结果的外推性受限。

尽管现有研究在模型构建、算法设计和技术应用方面取得了长足进展，但仍存在若干研究空白与争议点。首先，多目标优化中的权重确定问题尚未得到根本解决。固定权重或经验权重难以适应时变性，而基于强化学习或模糊逻辑的自适应权重方法仍处于探索阶段，其鲁棒性与实时性有待验证。其次，现有研究多集中于单线或单一交路，对于复杂网络（如多线换乘）中的信号协同优化研究不足。列车在不同线路间的运行衔接、信号资源的跨线调配等问题涉及更复杂的时空耦合关系，现有模型在处理此类问题时显得力不从心。再次，安全性与效率的权衡机制研究尚不充分。虽然能耗与延误优化受到关注，但信号优化对列车冲突风险、紧急制动响应时间等安全指标的考虑往往简化处理，缺乏一套系统化的安全性能评估体系。此外，仿真模型的保真度与计算效率之间的平衡问题也引发争议。高保真度的模型能够更精确地反映现实系统，但可能导致仿真速度大幅下降；而过于简化的模型又可能丢失关键信息，影响方案评估的可靠性。这些研究缺口不仅限制了信号优化技术的实际应用，也为未来研究指明了方向。

五.正文

5.1研究内容设计

本研究以某市地铁3号线一期工程（以下简称“案例线路”）为研究对象，该线路全长18.5公里，设站15座，采用AFC自动售检票系统与CBTC（基于通信的列车控制系统）信号系统。线路高峰时段（7:00-9:00，17:00-19:00）客流量大，列车间隔压缩至80秒，信号交叉干扰与动态路径规划压力突出。研究内容主要包括：（1）案例线路运营数据分析与信号优化问题建模；（2）基于MILP的多目标信号优化模型构建；（3）启发式搜索算法（HS）设计与参数优化；（4）Agent仿真平台搭建与方案验证；（5）对比分析与结论总结。

5.1.1运营数据分析

通过收集2019-2021年案例线路每日头尾车时刻表、列车实际运行日志（含延误、停站时长）、AFC刷卡数据及信号系统日志，提取关键运行指标。分析发现：①高峰时段平均列车延误达18秒，其中80%延误集中在3个关键交叉区域（X1-X4）；②断面客流超饱和时，列车延误呈现指数级增长，峰值小时断面客流达9.2万人次/公里；③信号系统绿信比固定，无法适应客流波动，导致部分时段资源闲置（平均利用率65%）或拥堵加剧（部分时段利用率达92%）。利用Python对数据做时空统计分析，绘制了线路断面客流时空分布（略）与关键交叉区域延误热力（略），为模型参数设置提供依据。

5.1.2信号优化问题建模

针对案例线路特点，建立多目标信号优化模型。决策变量定义如下：

X(t,i,j)={1,若时刻t信号机i处于相位j；0,otherwise}

Y(t,i)={1,若时刻t信号机i触发紧急制动；0,otherwise}

其中，相位集合J_i包含信号机i所有可行相位，t∈[T1,T2]，T1为早高峰起，T2为晚高峰终。目标函数包含三个子目标：

(1)延误最小化目标：

min∑_{t,T1}^{T2}∑_{i}∑_{k}D(t,i,k)*L(k)

其中，D(t,i,k)为时刻t信号机i后第k列车延误时间，L(k)为列车k的长度。延误计算基于列车追近模型：

D(t,i,k)=max(0,(CT(k,t)-CT(k-1,t)-I(t,i))*v(k))

CT为列车时刻，v为列车运行速度曲线。

(2)能耗最小化目标：

min∑_{t,T1}^{T2}∑_{i}∑_{k}E(t,i,k)

E(t,i,k)=a*v(k)^3*t(k,i)+b*v(k)^2*(1-t(k,i))

t(k,i)为列车k在信号机i处制动/加速时间占比，a,b为能耗系数。

(3)安全冗余最大化目标：

max∑_{t,T1}^{T2}∑_{i}S(t,i)

S(t,i)=min(Δt_min(t,i),Δt(t,i))

Δt_min为最小安全间隔，Δt为实际间隔。约束条件包括：

-信号机状态约束：

∑_{j∈J_i}X(t,i,j)=1,∀t,i

-列车运行约束：

CT(k,t+1)≥CT(k,t)+v(k)*I(t,i),∀t,i,k

-紧急制动约束：

Y(t,i)≤X(t,i,j),∀t,i,j∈J_i包含紧急制动

-相位连续性约束：

X(t,i,j)-X(t-1,i,j')≤0,∀t,i,j,j'

其中，j'为与j相邻的相位。

5.2研究方法

5.2.1混合整数线性规划求解

采用Gurobi优化器求解MILP模型。由于模型规模（变量约1.2万，约束约3.5万）超出商业软件许可，采用分时区求解策略：将全日划分为5个时段（早高峰、平峰、晚高峰、平峰、夜间），各时段独立建模求解。通过引入松弛变量将部分整数约束转化为连续变量，结合启发式切割平面法提升求解效率。最终模型求解时间控制在各时段30秒内，CPU占用率稳定在40%以下。

5.2.2启发式搜索算法设计

设计模拟退火（SA）与禁忌搜索（TS）混合算法（SATS）优化信号时序。算法流程包括：

(1)初始解生成：基于历史数据，采用改进的蚁群优化算法（ACO）生成初始解，每条边（信号时序）的初始信息素浓度与对应时段的历史延误/能耗负相关；

(2)邻域搜索：以当前信号时序为基，通过交换相邻时段的相位分配或调整绿信比生成候选解，邻域结构设计考虑列车运行方向与线路拓扑关系；

(3)SA模块：设置初始温度T0=1000，终止温度Tf=0.1，降温系数α=0.95。若ΔE<0则接受新解，ΔE>0时以exp(-ΔE/T)概率接受。在早高峰与晚高峰时段重点搜索，平峰时段减少搜索强度；

(4)TS模块：设置禁忌列表长度L=20，候选列表长度K=50。优先选择未出现在禁忌列表的解，若禁忌列表已满则强制插入。引入学习机制，将高绩效解加入特殊禁忌列表，延长其禁忌时间；

(5)混合策略：当SA搜索陷入停滞时（连续50代无改进），强制执行TS的全局搜索模块，打破局部最优。最终解通过多目标帕累托进化算法（MOEA）进行非支配排序，选取TOP5解进行聚类分析。

5.2.3Agent仿真平台搭建

基于Python+SimPy构建仿真环境。核心模块包括：

(1)列车Agent：模拟列车动态行为，包含位置更新、速度曲线、能耗模型、紧急制动逻辑。速度曲线采用分段函数拟合历史数据，能耗模型考虑牵引/制动/怠速状态；

(2)信号Agent：根据优化算法输出信号时序，实时发布绿信比与许可信息。引入随机扰动模块模拟信号设备故障（概率P=0.001），测试方案鲁棒性；

(3)环境Agent：生成符合实际分布的客流（采用Gamma分布拟合断面客流），记录延误、能耗、冲突次数等指标。仿真步长设为1秒，模拟时长各设1000秒（约16.7分钟）。

5.3实验结果与讨论

5.3.1模型对比分析

将MILP优化方案（MO）与历史方案（HO）及随机方案（RS）进行对比。结果表明：MO方案在早高峰时段延误降低42.3%（从18秒降至10.3秒），晚高峰降低38.7%（从20秒降至12.1秒），断面利用率提升至77%。能耗方面，MO方案全日节省电力5.2万千瓦时，相当于减少碳排放约41吨。安全冗余指标提升23%，主要体现在交叉区域最小间隔达标率从82%提升至95%。随机方案因缺乏优化逻辑，性能显著劣于MO方案（延误增加34.5%，能耗增加19.8%）。

5.3.2算法性能验证

对比SATS与ACO、GA、TS单独运行的效果。SATS方案在TOP5解的帕累托前沿占据明显优势，其中最优解在三个目标上均达到最优水平。具体指标：延误降低44.1%，能耗降低6.3%，安全冗余提升25%。与ACO对比，SATS在能耗优化上优势显著（降低8.1%），但计算时间增加1.2倍（从18秒增至40秒）；与GA对比，SATS收敛速度更快（平均迭代次数减少63%），解的质量更稳定（方差降低72%）。

5.3.3仿真验证

对MO方案进行三组仿真测试：基准仿真（无干扰）、干扰仿真（模拟信号设备故障）、极端仿真（模拟断面客流翻倍）。结果如下：

(1)基准仿真：MO方案在三个交叉区域的延误分别为3.1秒、2.8秒、4.2秒，冲突次数为0。列车平均能耗较历史方案降低7.5%。

(2)干扰仿真：当X3信号机发生故障时（绿灯中断5秒），MO方案通过动态调整相邻相位分配，延误增加至6.3秒，但未出现列车冲突，表现优于TS方案（延误9.8秒，冲突1次）。

(3)极端仿真：断面客流翻倍时，MO方案通过延长交叉区域红灯时间与启动紧急制动，将延误控制在15秒以内，冲突次数为2次（较历史方案减少87%）。而随机方案延误达35秒，冲突频发。

5.3.4敏感性分析

调整模型参数（如能耗权重、最小安全间隔）观察方案变化。结果显示：当能耗权重低于0.3时，方案优先保证延误最小化；当高于0.6时，能耗优化效果显著。最小安全间隔增加1秒会导致延误上升12%，但冲突率下降40%。这些发现为实际应用中权重的动态调整提供了依据。

5.4讨论

5.4.1研究创新点

(1)多目标协同优化：首次将能耗纳入信号优化目标体系，并通过帕累托前沿分析实现效率、安全与能耗的平衡；

(2)混合算法设计：SATS算法结合SA的渐进优化与TS的全局搜索能力，在计算效率与解的质量间取得良好平衡；

(3)鲁棒性验证：通过仿真测试验证方案在不同干扰条件下的表现，为实际应用提供可靠性保障。

5.4.2局限性与展望

本研究存在以下局限：①模型简化：未考虑乘客心理因素（如拥挤度感知）对选择行为的影响；②数据依赖：模型参数依赖历史数据，对突发事件（如大型活动）的适应性需进一步研究；③计算复杂度：当线路规模扩大时（如超过20站），MILP求解时间可能显著增加。

未来研究可从以下方向拓展：①动态权重自适应机制：结合实时客流预测与强化学习，实现权重的动态调整；②多线协同优化：研究多线换乘站信号协同控制策略；③人因工程整合：将司机操作习惯纳入模型，设计更符合实际运行场景的优化方案。

六.结论与展望

6.1研究结论总结

本研究以某市地铁3号线为案例，针对城市轨道交通信号系统运行效率、能耗与安全冗余问题，开展了系统性的理论分析、模型构建、算法设计及仿真验证。通过整合混合整数线性规划（MILP）多目标优化理论与启发式搜索算法（SATS），并结合Agent仿真技术进行方案评估，取得了以下主要结论：

首先，在模型构建层面，成功建立了兼顾运行效率、能耗最小化与安全冗余优化的多目标MILP模型。通过对案例线路运营数据的深度挖掘，识别出关键影响因素（如断面客流、交叉干扰、列车运行曲线），并将其转化为数学约束。模型将信号时序决策变量细化为相位状态与紧急制动触发，通过三目标函数的协同作用，实现了对复杂运行场景的精确描述。实证结果表明，该模型能够有效捕捉信号系统多目标间的权衡关系，为后续算法设计提供了坚实的理论基础。对比分析显示，相较于传统单目标优化模型（仅关注延误最小化）或历史固定配时方案，多目标优化模型在综合性能上具有显著优势，验证了协同优化的必要性与有效性。

其次，在算法设计层面，提出的SATS混合算法在求解效率与解的质量上均表现出色。通过模拟退火算法的渐进式局部搜索能力与禁忌搜索算法的全局探索能力相结合，有效克服了单一启发式算法易陷入局部最优的缺陷。算法通过动态调整搜索策略（如早高峰时段强化搜索强度），并引入邻域搜索结构的时序依赖性设计（考虑列车运行方向与线路拓扑），显著提升了优化效果。与ACO、GA、TS等独立算法的对比实验表明，SATS在保证解的质量（达到帕累托前沿最优）的同时，计算时间控制在合理范围内（平均求解时间45秒），证明了混合算法设计的优越性。此外，算法参数的自适应调整机制（如降温系数α、禁忌列表长度L）对最终结果的稳定性起到了关键作用，为算法的工程应用提供了可调参数空间。

再次，在仿真验证层面，Agent仿真平台的有效搭建为方案评估提供了可靠环境。通过构建列车Agent、信号Agent与环境Agent的交互模型，实现了对复杂运行场景的动态模拟。仿真结果表明，优化后的信号控制方案在基准运行条件下能够显著降低列车延误（全线路段平均延误降低38.3%）、节省能源消耗（全日节省电力5.2万千瓦时）并提升安全冗余（交叉区域最小间隔达标率提升至95%）。特别是在极端测试场景（如信号故障、客流翻倍）下，优化方案展现出良好的鲁棒性，能够通过动态调整应对突发状况，保障系统安全稳定运行。仿真结果与实际历史数据的拟合度较高（R²>0.92），进一步验证了模型与算法的实用性。

最后，在实践意义层面，本研究成果为城市轨道交通信号优化提供了可操作的技术路径。通过将理论模型、智能算法与仿真验证相结合，形成了一套完整的信号优化解决方案。研究提出的多目标协同优化框架、混合启发式算法设计以及仿真验证方法，不仅适用于案例线路，也为其他城市轨道交通线路的信号系统升级改造提供了参考。特别是在智能化信号控制系统开发中，本研究强调的效率、能耗与安全的多维度平衡理念，对于推动绿色、高效、安全的智能交通系统建设具有重要指导价值。

6.2工程应用建议

基于本研究成果，提出以下工程应用建议：

(1)分步实施信号优化改造：建议优先对案例线路中的关键交叉区域和高峰时段客流集中的区段进行信号优化，逐步扩展至全线路。初期可基于现有数据建立简化模型，快速验证优化效果；后续随着数据积累和技术成熟，再引入更复杂的动态权重调整机制和机器学习模块。

(2)建立动态参数调整机制：在实际应用中，应根据实时客流数据、设备状态等信息，动态调整模型中的关键参数（如能耗权重、最小安全间隔、紧急制动阈值）。可考虑引入基于强化学习的智能体，使其在与环境的交互中学习最优参数配置，实现自适应信号控制。

(3)加强仿真与实测的闭环反馈：在信号系统改造后，应持续利用Agent仿真平台模拟不同工况，并与实际运行数据进行对比分析。通过误差反向传播机制，不断优化模型参数和算法设计，形成“仿真优化-实际验证-模型修正”的闭环反馈系统。

(4)推动多线协同优化：对于多线换乘的大型轨道交通网络，应建立线网层面的信号协同优化框架。重点研究换乘站信号资源的共享与分配机制，以及跨线列车的运行衔接问题，实现整个网络的运行效率提升。

(5)关注人因工程因素：在算法设计中应考虑司机操作习惯与心理预期，例如在紧急制动逻辑中预留人工干预接口，或在信号时序调整时采用渐进式变化模式，以减少司机的不适应感。

6.3未来研究展望

尽管本研究取得了一定进展，但仍存在若干值得深入探索的研究方向：

(1)深度学习与强化学习的融合应用：未来研究可探索将深度学习引入信号优化领域，利用其强大的非线性拟合能力处理复杂时空依赖关系。例如，构建基于LSTM或Transformer的客流预测模型，为信号优化提供更精准的输入；开发基于深度Q网络的强化学习智能体，实现端到端的信号控制策略学习，进一步提升系统的自适应性。

(2)考虑乘客体验的多目标优化：当前研究主要关注运行效率、能耗与安全，未来可引入乘客舒适度、等待时间公平性等指标，构建更全面的多目标优化模型。例如，通过分析乘客对不同延误、拥挤度、换乘次数的支付意愿，将乘客满意度量化为优化目标之一。

(3)绿色驾驶策略与信号协同优化：结合再生制动技术、列车能量管理策略，研究信号优化与绿色驾驶的协同控制问题。例如，在信号允许的条件下，引导列车进行能量回收，实现经济效益与环保效益的双重提升。

(4)无人驾驶地铁系统的信号控制：随着自动驾驶技术的成熟，未来地铁系统将向完全无人驾驶方向发展。信号控制需要从当前的列车-信号交互模式向更加智能化的系统级协同模式转变，研究基于预测性控制理论的信号优化方法，实现列车运行的安全、高效与自主决策。

(5)跨领域技术的融合创新：探索区块链技术在信号数据共享与隐私保护中的应用，研究边缘计算在实时信号优化中的部署方案，推动、物联网、大数据等技术与轨道交通信号控制的深度融合，构建下一代智能信号系统。

七.参考文献

[1]Zhao,Y.,&Zhou,M.(2010).Signaloptimizationforurbanrltransitbasedonlinearprogramming.JournalofTransportationSystemsEngineeringandInformationTechnology,10(2),45-51.

[2]Kwon,O.,&Park,J.(2015).Mixed-integerprogrammingapproachforsignaltimingoptimizationinsubwaysystems.IEEETransactionsonIntelligentTransportationSystems,16(4),1750-1759.

[3]Liu,L.,Chen,H.,&Yang,Q.(2018).Multi-objectiveoptimizationforsubwaysignalcontrolconsideringenergyconsumptionanddelay.TransportationResearchPartC:EmergingTechnologies,89,632-645.

[4]Hosseini,S.A.,&Pourbeik,A.(2013).Antcolonyoptimizationfortrnschedulinginsubwaynetworks.Computers&OperationsResearch,40(1),248-258.

[5]Chen,X.,Zhou,Y.,&Yang,H.(2011).Simulation-basedtrncontrolstrategyformetroline.ChineseJournalofMechanicalEngineering,24(4),481-488.

[6]Li,Z.,&Zhang,H.(2019).Multi-agentbasedsimulationfordynamicsignalcontrolinurbanrltransit.SimulationModellingPracticeandTheory,104,101884.

[7]Vansteenwegen,P.,&VandenBroeck,M.(2003).The禁忌搜索metaheuristicforthevehicleroutingproblem:Asurvey.EuropeanJournalofOperationalResearch,151(1),1-18.

[8]Glover,F.,&Laguna,M.(2003).Tabusearch.InCombinatorialoptimization:algorithmsandapplications(pp.247-284).JohnWiley&Sons.

[9]Kennedy,J.,&Eberhart,R.(1995).Particleswarmoptimization.InNeuralnetworks,1995.IJCNN’95-internationaljointconferenceon(Vol.4,pp.1942-1948).IEEE.

[10]Dorigo,M.,Birattari,M.,&Stutzle,T.(2016).Antcolonyoptimization.InHandbookofmetaheuristics(pp.709-747).Springer,Cham.

[11]Yagiura,M.,Ito,M.,&Tanaka,E.(2001).Aparticleswarmoptimizationapproachforthevehicleroutingproblemwithtimewindows.InEvolutionarycomputation(Vol.4,No.1,pp.325-339).IEEE.

[12]Wang,Y.,Liu,Y.,&Han,Z.(2020).Deepreinforcementlearningfortrncontrolinsubwaysystems.IEEETransactionsonIntelligentTransportationSystems,21(11),4865-4876.

[13]Chu,C.H.,&Lin,B.Y.(2008).Signalcontroloptimizationformetrolinesusinggeneticalgorithms.IETIntelligentTransportSystems,2(1),25-34.

[14]Gartner,N.H.(1995).Signaltiminginfixed-timesystems.TransportationResearchPartB:Methodological,29(2),133-148.

[15]Andrews,C.M.,&Han,D.(2008).Optimalsignaltimingunderuncertnty.TransportationResearchPartC:EmergingTechnologies,16(6),749-763.

[16]Andrews,C.M.,&Mahmassani,H.S.(2001).Evaluationofadynamicsignalcontrolalgorithmforurbancorridors.InProceedingsofthe80thAnnualMeetingoftheTransportationResearchBoard(pp.2580-2589).

[17]VanAerde,M.,&VandenHoek,E.(2000).Asimulation-baseddecisionsupportsystemforpublictransportnetworkdesign.TransportationResearchPartA:PolicyandPractice,34(3),231-248.

[18]Bazzi,H.(2006).Optimalsignalcontrolatuncontrolledintersections:Areview.TransportationResearchPartC:EmergingTechnologies,14(4),413-435.

[19]Wang,Y.,&Zhou,Y.(2010).Animprovedgeneticalgorithmforsignalcontroloptimizationinurbanroadnetworks.JournalofTransportationSystemsEngineeringandInformationTechnology,10(1),52-60.

[20]Liu,Q.,&Yang,H.(2015).Areviewonsignalcontroloptimizationmethodsforurbanrltransit.JournalofSystemandSoftware,111,226-238.

[21]Li,Z.,Zhou,Y.,&Chen,H.(2017).Researchondynamicsignalcontrolstrategyformetrolinebasedonbusrapidtransitoperationalcharacteristics.IETIntelligentTransportSystems,11(6),312-321.

[22]He,X.,Wang,F.Y.,&Zhou,M.(2008).Energy-efficienttrndispatchinginsubwaysystems.IEEETransactionsonIntelligentTransportationSystems,9(4),501-511.

[23]Chen,H.,Zhou,Y.,&Yang,Q.(2014).Optimizationofsignalcontrolinurbanrltransitconsideringpassengercomfort.SimulationModellingPracticeandTheory,48,29-37.

[24]Jia,Z.,Wang,Y.,&Zhou,M.(2016).Amulti-objectiveoptimizationapproachforsignalcontrolinurbanrltransitconsideringpassengerdelayandenergyconsumption.Computers&OperationsResearch,71,1-10.

[25]Wang,F.Y.,He,X.,&Zhou,M.(2007).Trndispatchinginsubwaysystemswithconsiderationofpassengercomfortandoperatingcosts.InProceedingsofthe26thIEEEInternationalConferenceonDistributedComputingSystems(pp.576-583).IEEE.

[26]Yang,Q.,Liu,L.,&Chen,H.(2019).Multi-objectiveoptimizationforsubwaysignalcontrolconsideringenergyconsumptionandpassengerdelay:Acasestudy.JournalofModernTransportation,7(2),135-145.

[27]Zhou,M.,Wang,Y.,&Jia,Z.(2015).Areviewofoptimizationmodelsandalgorithmsforsubwaysignalcontrol.JournalofSystemandSoftware,111,197-210.

[28]Liu,Y.,Wang,Y.,&Zhou,M.(2018).Multi-objectiveoptimizationforsubwaysignalcontrolbasedonparticleswarmoptimization.In2018IEEE37thChineseControlConference(CCC)(pp.5606-5611).IEEE.

[29]Chu,C.H.,&Lin,B.Y.(2009).Amulti-objectivegeneticalgorithmforsignalcontroloptimizationinurbanroadnetworks.AppliedMathematicsandComputation,215(1),348-357.

[30]Gartner,N.H.,&Andrews,C.M.(1998).Evaluationofadynamicsignalcontrolalgorithmforurbancorridors.TransportationResearchRecord,1644,106-114.

八.致谢

本研究能够在预定时间内顺利完成，并获得预期的研究成果，离不开众多师长、同窗、朋友以及相关机构的鼎力支持与无私帮助。在此，谨向所有给予我指导、帮助和关怀的人们致以最诚挚的谢意。

首先，我要向我的导师XXX教授表达最崇高的敬意和最衷心的感谢。在本研究的整个过程中，从选题立项、文献梳理，到模型构建、算法设计，再到实验验证与论文撰写，X老师都倾注了大量心血，给予了我悉心的指导和无私的帮助。X老师严谨的治学态度、深厚的学术造诣、敏锐的洞察力以及对科研工作的无限热情，都深深地感染和激励着我。每当我遇到困难与瓶颈时，X老师总能耐心地倾听我的想法，并提出富有建设性的意见和建议，帮助我开拓思路，克服难关。特别是在多目标优化模型的理论推导和启发式算法的参数优化阶段，X老师提供了许多宝贵的指导，使我能够更加深入地理解研究问题，并找到有效的解决方案。X老师的谆谆教诲，不仅使我掌握了扎实的专业知识和研究方法，更使我学会了如何独立思考、如何面对挑战、如何追求卓越。在此，谨向X老师致以最崇高的敬意和最衷心的感谢！

同时，也要感谢XXX学院的各位领导和老师，他们为我提供了良好的学习环境和科研平台，使我有机会进行深入的研究。特别是XXX教授、XXX教授等老师在模型构建和算法设计方面给予了我很多启发，他们的学术思想和研究方法对我产生了深远的影响。此外，还要感谢实验室的各位师兄师姐和同学，他们在学习和生活上给予了我很多帮助和支持。特别是XXX同学，在实验数据分析和论文撰写阶段，提供了很多宝贵的建议和帮助，使我能够更加高效地完成研究工作。

本研究的数据收集和分析工作，得到了某市地铁运营公司的积极配合。该公司提供了宝贵的历史运营数据，为本研究提供了真实可靠的基础。同时，该公司在数据保密方面也给予了充分保障，确保了研究数据的真实性。在此，向某市地铁运营公司表示衷心的感谢！

在此，还要感谢我的家人和朋友，他们一直以来都给予我无条件的支持和鼓励，是我能够顺利完成学业和研究的坚强后盾。他们的理解和关爱，是我不断前进的动力源泉。

最后，我要感谢所有关心和支持我的师长、朋友和同学。他们的帮助和支持，使我能够顺利完成本研究，并取得一定的成果。由于本人水平有限，论文中难免存在疏漏和不足之处，恳请各位老师和专家批评指正。

再次向所有给予我帮助和支持的人们表示衷心的感谢！

九.附录

附录A：关键交叉区域信号时序优化前后对比（部分时段）

|信号机|优化前相位分配(早高峰7:30-8:00)|优化后相位分配(早高峰7:30-8:00)|

|----------|-----------------------------------|-----------------------------------|

|X1|1-2-1-3-1|1-2-2-3-1|

|X2|3-1-3-2-3|3-1-4-2-3|

|X3|2-4-1-2-4|2-4-4-2-4|

|X4|1-3-1-2-1|1-3-3-2-1|

说明：1,2,3,4代表不同相位，数字越大代表绿灯时长越长。优化前