在利用深度学习实现列车智能驾驶时，神经网络结构和参数选择过于依赖人工经验。现有的梯度下降法在参数优化中容易陷入局部最优，且学习任务单一。为了解决上述问题，提出了一种基于自适应多群链多智能体算法（Aristole PCMA）的列车智能驾驶方法来优化LSTM网络。该方法将计算智能与深度学习有机结合，能够充分挖掘优秀驾驶员的数据。具体实现过程如下：首先，从自动深度学习的角度，利用遗传算法（GA）优化深度网络结构，克服了深度网络结构难以确定的问题，在此基础上，分粗学习和精学习两个阶段对整个网络的参数进行优化。在粗学习阶段，AMPCMA算法被用来预设LSTM参数的初始值，以有效地学习多个任务的共性。该算法能够在进化过程中动态调整小种群链表的规模，具有良好的灵活性和适应性。然后，在详细学习阶段，基于上述多任务共性学习得到的LSTM参数，使用Adam算法对单个任务的参数进行精细优化，实现任务的个性化学习。其次，有效设计了多任务间的信息共享机制，将任务共性与个性化学习有机结合起来，使整个网络的泛化能力更强，更好地改善了列车档位，最终通过仿真实验，结果表明，所提出的AM-PCMA-LSTM模型优于传统的机器学习方法模型，提高了列车控制和预测的精度，并能在各种控制序列下表现出较强的鲁棒性。