为了保证高速列车运行正常,需要有一套统一有效的列车运行调整计划,而高速列车准点到达是列车运行调整计划亟待解决的重要问题之一。该问题是一个大规模的多约束条件组合优化问题,一般的精确算法难以解决,人工智能算法成为解决列车运行调整问题的有效方法。但智能算法由于本身的一些缺陷在实际运用时很难发挥出作用。因此,为了使列车实际运行时间与计划运行时间的差异达到最小化,对经典的智能优化算法—微粒群算法的研究、改进从而应用并解决该问题上成为重中之重。微粒群算法实际上是一种通过模拟鸟类飞行行为而得到启发的一种智能优化算法。该算法虽然保留了基于种群的全局搜索策略,但与其它算法相比,其采用的速度-位移模型操作简单,是一种更为高效的并行搜索算法。但PSO算法也存在如算法局部搜索能力较差,搜索精度不够高,算法不能够绝对保证搜索到全局最优解,容易陷入局部极小解的缺点。混合蛙跳算法则可以通过局部深度搜索和全局跳跃信息交换的平衡策略使得算法能跳出局部极值点,向着全局最优解方向靠近。针对PSO算法存在的问题和不足,本论文利用蛙跳简化粒子群算法这种混合PSO算法对列车运行调整问题进行较为深入的研究,从而证明该算法在解决高速列车运行调整问题方面是有效的。论文首先介绍了国内外对列车运行调整问题的发展趋势和研究现状。结合实际情况,提出了列车运行调整问题的数学模型。接着概括说明了PSO算法理论知识、公式、算法步骤,并分析了混合蛙跳算法理论的知识。针对PSO算法的不足,利用混合蛙跳算法的特点,将其运用到PSO算法中,保证了各个小组内粒子间的差异性,避免了标准PSO算法易陷入局部最优。最后论文在相同情况下将蛙跳简化粒子群算法与基本粒子群算法、混合蛙跳算法和改进的差分算法求得的值做比较,证明了蛙跳简化粒子群算法的有效性,表明该算法为解决列车运行调整问题的发展提供了新的思路。但是高速列车运行调整工作本身是一项十分复杂而又有规律的工作,其复杂性表现在可能时时刻刻都都会有新的情况出现。本文研究的所述模型和算法比较单一,并不能处理许多相对特殊的工作。所以还需要做大量深入研究,使高速列车运行系统更加完善。