1.一种重载列车的牵引控制动态调节方法，其特征在于，包括：实时采集重载列车的运行状态、线路环境以及车钩受力数据，得到状态数据；以预先构建的通信网络为载体，根据所述状态数据，基于多目标优化策略生成牵引力动态分配的决策指令；所述通信网络包括边缘计算节点，边缘计算节点部署于每台机车；根据所述重载列车的机车型号，将所述决策指令转化成对应的物理动作；根据所述状态数据，基于多目标优化策略生成牵引力动态分配的决策指令，包括：根据所述状态数据更新数字孪生模型参数，通过模型预测控制算法生成基础控制序列；通过深度强化学习算法训练Actor-Critic网络，学习复杂工况下的最优策略；通过蒙特卡洛树搜索评估策略风险，确定牵引力动态分配的决策指令；收集所述重载列车的实时运行数据，并上传至云端数字孪生体，离线批量训练深度强化学习算法策略，生成新控制规则。
2.根据权利要求1所述的重载列车的牵引控制动态调节方法，其特征在于，实时采集重载列车的运行状态、线路环境以及车钩受力数据，得到状态数据，包括：通过多源传感器网络采集所述重载列车的运行状态和车钩受力数据；通过线路数字地图获取预存的线路坡度、曲率半径和隧道位置。
3.根据权利要求2所述的重载列车的牵引控制动态调节方法，其特征在于，通过多源传感器网络采集所述重载列车的运行状态和车钩受力数据，包括：通过车钩力传感器采集所述重载列车的纵向拉力/压力；通过惯性导航单元检测所述重载列车的机车加速度和姿态角；通过红外热成像仪实时监测轮对轴承温度。
4.根据权利要求3所述的重载列车的牵引控制动态调节方法，其特征在于，所述车钩力传感器部署于车钩缓冲装置；所述惯性导航单元用于坡度补偿计算。
5.根据权利要求1所述的重载列车的牵引控制动态调节方法，其特征在于，所述通信网络包括双模冗余通信网络；所述双模冗余通信网络包括5G-R专用网络和低轨卫星链路。
6.根据权利要求5所述的重载列车的牵引控制动态调节方法，其特征在于，所述5G-R专用网络用于常规指令传输，网络带宽在带宽阈值以上，网络时延在第一时延阈值以内，并且支持多机车组播通信。
7.根据权利要求5所述的重载列车的牵引控制动态调节方法，其特征在于，所述低轨卫星链路为应急通信信道，通道时延在第二时延阈值以内，部署于所述重载列车的每台机车。
8.根据权利要求5所述的重载列车的牵引控制动态调节方法，其特征在于，所述通信网络的优化通信协议包括动态优先级调度和断点续传机制。
9.根据权利要求8所述的重载列车的牵引控制动态调节方法，其特征在于，所述动态优先级调度中，将数据包进行分级，并采用差异化QoS策略。
10.根据权利要求9所述的重载列车的牵引控制动态调节方法，其特征在于，所述数据包的等级包括S0紧急制动指令、S1牵引调节指令和S2状态监测数据。
11.根据权利要求9所述的重载列车的牵引控制动态调节方法，其特征在于，S0紧急制动指令通过卫星链路传输，时延在第二时延阈值以内，数据包重传次数在3次以上。
12.根据权利要求9所述的重载列车的牵引控制动态调节方法，其特征在于，S1牵引调节指令通过所述5G-R专用网络传输，时延在第一时延阈值以内，采用前向纠错编码。
13.根据权利要求5所述的重载列车的牵引控制动态调节方法，其特征在于，所述模型预测控制算法的目标函数为：其中， J 表示目标函数，N表示预测时域，k表示时间步长索引， 、 分别表示为车钩力项和能耗项的时变权重因子， 表示在第k个预测时刻的车钩力， 表示在第k个预测时刻的牵引功率或能耗。
14.根据权利要求5所述的重载列车的牵引控制动态调节方法，其特征在于，所述边缘计算节点包括：通信质量感知模块，实时监测信道质量指数，触发通信模式切换；计算任务卸载策略，将蒙特卡洛树推理任务动态分配至云端与边缘计算节点。
15.根据权利要求14所述的重载列车的牵引控制动态调节方法，其特征在于，所述通信质量感知模块触发通信模式切换的规则为：所述计算任务卸载策略分配权重的公式如下：其中， W edge 表示动态权重系数，代表将一项计算任务分配给边缘计算节点执行的推荐程度或比例。
16.根据权利要求1所述的重载列车的牵引控制动态调节方法，其特征在于，将所述决策指令转化成对应的物理动作时，需要满足动态松弛过渡策略和安全限幅机制；所述动态松弛过渡策略为：在坡度突变时，所述重载列车的主控机车提前牵引力输出，从控机车按指数曲线跟随；所述安全限幅机制为：实时监测执行器状态，若输出与所述决策指令偏差超过预设标准，触发自检与降级运行。
17.一种重载列车的牵引控制动态调节装置，用于实现权利要求1-16任一项所述的重载列车的牵引控制动态调节方法，其特征在于，包括：感知模块，用于实时采集重载列车的运行状态、线路环境以及车钩受力数据，得到状态数据；通信模块，用于保障控制指令与状态数据的实时交互，构建冗余通信网络；决策模块，用于根据所述状态数据，基于多目标优化策略生成牵引力动态分配的决策指令；执行模块，用于根据所述重载列车的机车型号，将所述决策指令转化成对应的物理动作；优化模块，用于收集所述重载列车的实时运行数据，并上传至云端数字孪生体，离线批量训练深度强化学习算法策略，生成新控制规则。
18.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至16任一项所述的重载列车的牵引控制动态调节方法。
