本研究课题以演化计算方法为中心，以现代人类的高科技产品——计算机作为工具，将宏观的物理化学性质与微观结构相结合，主要在三个方面进行了研究：一是利用演化计算方法建模，对一些酚类化合物、多环芳烃等有机污染物以及某些有机小分子的热力学参数和结构之间的关系进行了研究，希望对实践和应用具有一定的指导意义；其二则是对演化算法各演化训练参数进行了研究和讨论，目的是使其得到更为广阔的应用。其三，对演化建模策略进行了研究，通过对表征参数的扩展与收缩，寻找合适的分子表征空间，进而构建表征分子结构与理化性质之间关系的模型；该策略丰富了演化建模方法。主要的研究内容如下： 1.以理论溶剂化变色参数来定量表达有机分子结构，探讨有机探针分子的结构及其与聚合物相互作用的Flory-Huggins参数χ12和过量内聚能密度B12之间的定量关系。采用改进的神经网络方法进行建模和预测，得出了满意的结果。并将Flory-Huggins参数12与基于理论线性溶解能关系的结果进行了比较，结果表明神经网络预测结果优于理论线性溶解能关系的结果。 2.利用分子连接性指数作为分子的描述性参数，定量刻画两类主要环境污染物的分子结构，通过演化神经网络分别建立了多环芳烃(PAH)和酚两类有机污染物的结构与色谱保留值之间的定量关系。计算过程中，采用留十法(leave-10-out)对所有化合物进行了预报，并将预报值与实验值进行了比较。 3.探讨有机小分子的Ostwald活度系数γhd与量子化学参数之间的定量关系，进而对有机化合物的Ostwald活度系数γhd进行预测，并利用演化神经网络模型，研究了有机小分子无限稀释活度系数与理论溶剂化变色参数之间的定量关系，从而为活度系数的推算提供了一条可行的途径。 4.采用线性溶解能参数作为有机物的描述性参数，利用演化神经网络方法，分别对有机物的总的溶解度参数δo和有机物的溶解度参数δ进行了关联和预测。得出了较理想的预测结果。并对留取预报集样本数目(leave-n-out)的多少对整体预报误差大小的影响进行了研究。 5.提出了扩展与收缩的演化建模策略，以原参数为基底，进行非线性扩张，以增强分子的表征空间，在此基础上对扩展空间进行收缩，寻找合适的分子表征参数，进而构建表征分子结构与理化性质之间关系的模型。 6.讨论了各演化训练参数对演化训练收敛速度的影响，找出了合理的交叉几率、变异几率、初始群体规模以及训练次数的大概范围。