| 摘要 | 第1-5页 |
| Abstract | 第5-11页 |
| 第一章 绪论 | 第11-19页 |
| 第二章 混沌算法、混沌突变的遗传算法及其训练神经网络的研究 | 第19-38页 |
| ·前言 | 第19-20页 |
| ·理论及算法 | 第20-26页 |
| ·混沌概念和Logistic映射 | 第20-21页 |
| ·混沌概念在人工神经网络中的运用 | 第21-23页 |
| ·直接用混沌算法训练神经网络 | 第23-24页 |
| ·借助混沌体系的遗传算法训练神经网络 | 第24-26页 |
| ·八面体卤化物的描述变量和振动频率 | 第26页 |
| ·结果与讨论 | 第26-37页 |
| ·DC-ANN算法 | 第26-27页 |
| ·CGANN:加入混沌的遗传算法训练神经网络 | 第27-36页 |
| ·Logistic映射中参数A取值的选择 | 第36-37页 |
| ·结论 | 第37-38页 |
| 第三章 基于混沌概念的遗传网络训练:四面体卤化物振动模式的QSAR研究 | 第38-53页 |
| ·引言 | 第38-39页 |
| ·理论和算法 | 第39-42页 |
| ·混沌概念和Logistic映射 | 第39-40页 |
| ·多层神经网络结构 | 第40-41页 |
| ·借助混沌的遗传算法训练神经网络方案 | 第41-42页 |
| ·量子化学计算方法 | 第42页 |
| ·结果与讨论 | 第42-52页 |
| ·结论 | 第52-53页 |
| 第四章 氟里昂替代品的大气寿命研究:混沌突变遗传算法训练神经网络和密度泛函理论计算研究 | 第53-66页 |
| ·前言 | 第53-55页 |
| ·计算方法 | 第55-56页 |
| ·用于大气寿命预测的数据集和样本的描述变量 | 第56-57页 |
| ·结果和讨论 | 第57-64页 |
| ·分子描述变量的选择 | 第57-62页 |
| ·CGANN预测结果 | 第62-64页 |
| ·结论 | 第64-66页 |
| 第五章 用CGANN预测甲苯-全氟代甲基环己烷分配系数 | 第66-77页 |
| ·引言 | 第66-67页 |
| ·算法 | 第67页 |
| ·CGANN策略(见第二、三章) | 第67页 |
| ·GFA算法 | 第67页 |
| ·数据集和变量选择 | 第67-68页 |
| ·结果与讨论 | 第68-76页 |
| ·用GFA算法计算的lnP | 第68-69页 |
| ·CGANN方法计算的lnP | 第69-76页 |
| ·结论 | 第76-77页 |
| 第六章 混沌初始化的优势进化算法:超级全局最优算法及其对神经网络的训练 | 第77-97页 |
| ·引言 | 第77-78页 |
| ·理论和算法 | 第78-83页 |
| ·优势进化算法(PEA) | 第78-80页 |
| ·Logistic影射混沌体系 | 第80页 |
| ·从混沌初始状态开始的循环优势进化算法(PECA) | 第80-81页 |
| ·三层前向ANN的结构 | 第81-83页 |
| ·基于PECA的神经网络训练策略(PECNN) | 第83页 |
| ·四面体卤化物(MX_4~n)的振动频率 | 第83-84页 |
| ·结果与讨论 | 第84-95页 |
| ·优势进化算法(PEA)的测试 | 第84-85页 |
| ·从混沌初始状态开始的循环优势进化算法的测试 | 第85-89页 |
| ·用PECA训练ANN的策略预测四卤化物的振动频率 | 第89-95页 |
| ·结论 | 第95-97页 |
| 第七章 卤化四苯基铁卟啉的结构与催化活性关系研究及催化机理分子模拟研究 | 第97-116页 |
| ·引言 | 第97-98页 |
| ·量子化学计算方法的选择 | 第98-99页 |
| ·计算方法 | 第99页 |
| ·Fe(TPP)Cl分子的几何结构 | 第99-101页 |
| ·卤化四苯基铁卟啉的结构 | 第101-105页 |
| ·催化活性与铁卟啉分子参数之间的关系 | 第105-109页 |
| ·催化剂活化O_2分子的分子模拟 | 第109-114页 |
| ·FeP的相关计算 | 第114页 |
| ·结论 | 第114-116页 |
| 结论 | 第116-118页 |
| 致谢 | 第118-119页 |
| 参考文献 | 第119-136页 |
| 附录A(攻读学位期间发表论文目录) | 第136页 |
