高斯中的优化
高斯伪谱法弹道优化与优化弹道的实现
高斯伪谱法弹道优化与优化弹道的实现
高斯伪谱法弹道优化与优化弹道实现是指在弹道中使用高斯伪谱法来优化解决弹道问题，并通过实现优化弹道来获得最佳解决方案。
一、高斯伪谱法简介
高斯伪谱法是一种最新的弹道优化仿真技术，其采用了高斯伪谱技术。
由于高斯伪谱技术的高波数精度能够解决原始弹道解的误差，因此在弹道设计中十分有用。
此外，由于它的非离散性，可以用于优化比例阻尼比复杂的轨迹仿真中。
二、优化弹道实现
1、优化目标确定：优化弹道实现的第一步是确定优化目标。
一般情况下，优
化目标可能包括飞行器最大高度、最小高度、最大空域时间、最短飞行时间等。
2、地理信息选择：当确定优化目标之后，需要根据实际地理环境，选择必要
的地理信息数据，如：地球自转速度、大气压力、大气温度、地球表面重力等地理信息数据。
3、参数化优化：在确定优化目标、地理信息选择之后，需要对弹道参数进行
参数化优化，从而使得弹道参数能够满足优化要求。
4、弹道计算拟合：计算完弹道参数之后，需要对优化后的弹道进行计算，以
拟合优化目标，以获得最佳的解决方案。
5、质量判断：在获得最优解之后，需要对弹道的参数质量进行判断，如：飞
行时间、飞行距离、坡度角等，以确定其参数是否合理。
三、总结
通过以上步骤，就可以实现利用高斯伪谱法优化解决弹道问题，并通过实现优化弹道，从而获得最佳解决方案。
使用高斯伪谱法，可以有效解决传统方法计算弹道存在的精度问题。
最后，通过计算筛选，就可以获得最佳的优化弹道解。
高斯优化算法
高斯优化算法详解一、简介高斯优化算法（Gaussian Optimization Algorithm）是一种基于概率模型的全局优化算法，主要用于解决复杂的非线性、非凸和离散优化问题。
该算法以其全局搜索能力和并行性等优点，在机器学习、信号处理、经济调度等领域得到了广泛的应用。
二、基本原理高斯优化算法的基本思想是利用高斯过程（Gaussian Process，GP）建立目标函数的概率模型，然后通过最大化后验概率来寻找最优解。
高斯过程是一种非参数贝叶斯方法，可以用于描述一个函数的分布，给定一些观察数据，可以预测函数在其他点的值。
三、算法步骤1. 初始化：设定优化问题的参数，如迭代次数、种群大小等。
2. 构建高斯过程：根据历史数据和噪声水平，构建目标函数的高斯过程。
3. 采样：从高斯过程中抽取一部分样本点，作为潜在的优化解。
4. 评估：计算每个样本点的适应度值，即目标函数在该点的值。
5. 更新：根据适应度值，更新高斯过程的参数，并选择最佳的样本点作为当前解。
6. 重复步骤3-5，直到满足停止条件（如达到最大迭代次数或适应度值达到预设阈值）。
四、特性分析1. 全局搜索能力：高斯优化算法通过最大化后验概率来寻找最优解，可以在全局范围内进行搜索，而不是陷入局部最优。
2. 并行性：高斯优化算法的各个步骤可以并行执行，特别是采样和评估步骤，这使得该算法在大规模问题上具有较高的计算效率。
3. 不确定性处理：高斯优化算法可以有效地处理不确定性问题，因为它是基于概率模型的。
五、应用领域高斯优化算法已被广泛应用于各种复杂优化问题，包括但不限于：1. 机器学习：如超参数优化、结构设计等。
2. 信号处理：如波形设计和系统识别等。
3. 经济调度：如生产计划和资源分配等。
4. 其他：如电力系统优化、交通流量控制等。
六、总结高斯优化算法是一种强大的全局优化工具，它能够处理复杂的非线性、非凸和离散优化问题。
然而，该算法的计算复杂度较高，需要大量的计算资源。
高斯量子行为粒子群优化(gqpso)算法
高斯量子行为粒子裙优化(GQPSO)算法是一种基于量子行为的进化优化算法，它结合了粒子裙优化(PSO)算法和量子计算的特点，能够有效地解决复杂优化问题。
本文将从以下几个方面介绍GQPSO算法的原理、特点和应用，希望能够为读者提供深入的了解。
一、GQPSO算法的原理GQPSO算法是基于粒子裙优化算法和量子计算的原理而提出的，它采用了一种全新的粒子编码和演化方式，通过模拟粒子在量子力学中的行为进行搜索和优化。
GQPSO算法的原理如下：1. 量子位表示在GQPSO算法中，每个粒子被表示为一个量子位，根据其在搜索空间中的位置，每个粒子的量子位可以被编码为一个二进制字符串。
这种量子位表示方式能够更好地描述粒子的位置和速度，从而更好地指导搜索过程。
2. 高斯量子演化GQPSO算法通过高斯量子演化来更新粒子的量子位和速度，其中包括量子位的变换和速度的更新。
在高斯量子演化过程中，粒子会受到适应性函数的约束，从而导致不断演化、搜索和优化。
3. 适应性函数GQPSO算法中使用的适应性函数通常是目标函数或者问题的评价函数，它能够帮助粒子判断当前位置的优劣，并指导其向更优的位置演化。
适应性函数的选择对于算法的性能至关重要。
二、GQPSO算法的特点GQPSO算法相比于传统的优化算法有着独特的特点和优势，主要表现在以下几个方面：1. 全局搜索能力强GQPSO算法通过量子位表示和高斯量子演化，能够有效地克服传统算法在全局搜索能力上的不足，更好地发挥粒子裙优化算法的优势，从而在复杂优化问题中取得更好的效果。
2. 收敛速度快GQPSO算法利用了量子行为的特性，能够更快地收敛到全局最优解，从而大大提高了算法的搜索效率和优化能力。
在实际应用中，GQPSO 算法往往能够在较短的时间内找到较优的解。
3. 对高维问题有较好的适应性GQPSO算法对于高维优化问题的适应性较强，能够有效地应对复杂的实际问题，从而满足实际应用的需求。
这一特点使得GQPSO算法在实际工程和科研中有着广泛的应用前景。
高斯过程回归算法的研究与优化
高斯过程回归算法的研究与优化随着数据科学的不断发展，机器学习算法已经成为重要的工具之一。
在回归问题中，高斯过程回归算法（Gaussian process regression，简称GPR）由于其简单性和灵活性被广泛应用。
本文主要介绍GPR算法的基本原理及其在实际应用中的一些优化方法。
一、GPR算法的原理GPR是一种非参数回归方法，它假设目标函数服从高斯分布并建立模型。
在GPR中，目标函数被建模为一个高斯过程，高斯过程本身是一个随机过程，由一个均值函数和一个协方差函数组成。
GPR算法的目的是通过样本点的观测来确定高斯过程中的均值函数和协方差函数，进而预测任意样本点的函数值和方差。
GPR算法的具体实现需要确定高斯过程中的均值函数和协方差函数。
一般情况下，均值函数可以设为常数，或者通过一些回归方法来拟合。
协方差函数通常使用RBF（径向基函数）或者Matern核函数来描述。
在GPR中，先验分布是由均值函数和协方差函数组成的，给定一个样本点x，它对应的函数值y ~ N(μ(x),k(x,x'))，其中k(x,x')是协方差函数，μ(x)是均值函数。
那么如何根据已知的样本点，来确定高斯过程的参数呢？在GPR中，使用最大似然估计法来确定均值函数和协方差函数的参数。
具体地说，最大化参数的似然函数以确定一组参数，最终得到一个合适的高斯过程模型。
二、GPR优化方法2.1 均值函数的优化均值函数在GPR中的作用是对函数进行整体的调整。
常用的均值函数有两种：常数和线性函数。
用常数作为均值函数虽然运算速度快，但是不能完成对目标函数的多种拟合任务；用线性函数作为均值函数可以充分反映目标函数的变化趋势，但运算速度慢。
为了优化均值函数，有很多方法值得尝试，例如使用神经网络或者贝叶斯优化方法。
具体而言，可以将神经网络作为GPR的均值函数，使用反向传播算法进行优化；也可以使用BO（贝叶斯优化）方法根据目标函数的输入和输出值动态调整高斯过程的均值函数。
基于高斯过程的机器学习算法优化
基于高斯过程的机器学习算法优化在机器学习领域中，如何优化算法一直是一个重要的话题。
近年来，基于高斯过程的机器学习算法优化方法备受关注。
本文将介绍基于高斯过程的机器学习算法优化方法的基本原理、主要算法和应用场景。
一、基本原理高斯过程是一种基于概率论的模型，其主要作用是描述一个未知函数在给定输入值时的输出值的变化情况。
高斯过程可以根据已知的数据点推断出未知函数在其他点的输出值，并给出不确定性的度量。
其基本假设是，任意一组输入值在未来的输出值上产生的影响是相互独立的，并且可以用一个对称的核函数描述。
这个核函数也叫做协方差函数，其主要作用是衡量不同输入值之间的相似性。
当输入值越接近时，它们对应的输出值也会越接近。
基于高斯过程的机器学习算法优化方法是一种通过调整算法的参数来优化特定目标函数的技术。
通常情况下，我们希望在经过一定的训练后，算法能够达到最佳的性能指标。
然而，由于算法参数的不同组合会导致性能指标的变化，因此如何找到最优的参数就成为了一个非常困难的问题。
高斯过程凭借其良好的预测性能和不确定性度量优势，成为了解决这一问题的有力工具。
二、主要算法1. 高斯过程回归高斯过程回归是一种基于概率理论的回归分析方法。
通过构建高斯过程回归模型，可以预测未知数据点的输出值，并给出不确定性的度量。
在机器学习算法优化过程中，高斯过程回归可以用来拟合目标函数的曲线形状，以便于找到最佳的参数组合。
其基本思想是，在已知数据点上构建高斯过程回归模型，然后通过对该模型的最大似然估计，来推断未知数据点的输出值及其不确定性的程度。
2. 高斯过程优化高斯过程优化算法是一种使用高斯过程模型来优化目标函数的方法。
其基本思想是，在每一步迭代中，利用高斯过程模型估计目标函数的不确定性，以选择具有最大不确定性的参数进行探索，进而更新高斯过程模型，并在下一个迭代中继续优化。
高斯过程优化算法通常结合高斯过程回归算法来使用。
3. 贝叶斯优化贝叶斯优化是一种基于贝叶斯理论的优化方法。
基于粒子群优化与高斯过程的协同优化算法
基于粒子群优化与高斯过程的协同优化算法1. 引言协同优化算法是一种结合多种优化算法的集成优化方法，通过合理的组合和协同，克服单一算法在优化问题上的局限性，提高优化效果。
本文将介绍一种基于粒子群优化和高斯过程的协同优化算法，通过利用粒子群算法的全局搜索特性和高斯过程的回归能力，实现更精确、高效的优化过程。
2. 粒子群优化算法粒子群优化算法（Particle Swarm Optimization, PSO）是一种模拟鸟群飞行行为的优化算法，通过模拟粒子在解空间的搜索和迭代过程，寻找最优解。
其基本原理是每个粒子通过跟踪自身历史最佳解（pbest）和整个种群的最佳解（gbest），根据经验和全局信息进行位置调整和速度更新，直到达到最优解或迭代次数达到设定值。
3. 高斯过程高斯过程（Gaussian Process）是一种常用的非参数模型，用于回归和分类问题。
它基于贝叶斯思想，通过对样本数据进行分析和建模，得到一个关于未知函数的概率分布。
高斯过程的主要特点是可以根据已有数据进行预测，同时给出了预测结果的不确定性。
4. 算法设计基于粒子群优化和高斯过程的协同优化算法将PSO和高斯过程相结合，通过以下步骤实现优化过程：4.1 初始化设定粒子的位置和速度的初始值，设定高斯过程的初始参数，设定迭代次数和停止条件。
4.2 粒子群优化利用PSO算法进行全局搜索，更新粒子的位置和速度，根据目标函数的值更新粒子的pbest和gbest。
4.3 高斯过程拟合根据粒子的位置和目标函数的值，使用高斯过程拟合出函数的概率分布，并获取每个位置处的函数均值和方差。
4.4 选择下一个位置根据粒子的速度和上一步得到的高斯过程拟合结果，选择下一个位置。
4.5 更新参数根据新的位置和目标函数的值更新高斯过程的参数。
4.6 终止条件判断判断是否达到设定的迭代次数或满足停止条件，若满足则终止优化过程，否则返回步骤4.2。
5. 算法优势基于粒子群优化和高斯过程的协同优化算法具有以下优势：5.1 全局搜索能力强通过引入粒子群优化算法，可以实现全局搜索，寻找到更接近最优解的位置。
高斯中的优化
优化第一步：确定分子构型，可以根据对分子的了解通过GVIEW和CHEM3D等软件来构建，但更多是通过实验数据来构建（如根据晶体软件获得高斯直角坐标输入文件，软件可在大话西游上下载，用GVIEW可生成Z-矩阵高斯输入文件），需要注意的是分子的原子的序号是由输入原子的顺序或构建原子的顺序决定来实现的，所以为实现对称性输入，一定要保证第一个输入的原子是对称中心，这样可以提高运算速度。
我算的分子比较大，一直未曾尝试过，希望作过这方面工作的朋友能补全它。
以下是从本论坛，大话西游及宏剑公司上下载的帖子。
将键长相近的，如B12 1.08589B13 1.08581B14 1.08544键角相近的，如A6 119.66589A7 120.46585A8 119.36016二面角相近的 如D10 -179.82816D11 -179.71092都改为一致，听说这样可以减少变量，提高计算效率，是吗？在第一步和在以后取某些键长键角相等，感觉是一样的。
只是在第一步就设为相等，除非有实验上的证据，不然就是纯粹的凭经验了。
在前面计算的基础上，如果你比较信赖前面的计算，那么设为相等，倒还有些依据。
但是，设为相等，总是冒些风险的。
对于没有对称性的体系，应该是没有绝对的相等的。
或许可以这么试试： 先PM3，再B3LYP/6-31G.（其中的某些键长键角设为相等），再B3LYP/6-31G（放开人为设定的那些键长键角相等的约束）。
比如键长，键角，还有是否成键的问题，Gview看起来就是不精确，不过基本上没问题，要是限制它们也许就有很大的问题，能量上一般会有差异，有时还比较大如果要减少优化参数，不是仅仅将相似的参数改为一致，而是要根据对称性，采用相同的参数。
例如对苯分子分子指定部分如下：CC 1 B1C 2 B2 1 A1C 3 B3 2 A2 1 D1C 4 B4 3 A3 2 D2C 1 B5 2 A4 3 D3H 1 B6 2 A5 3 D4H 2 B7 1 A6 6 D5H 3 B8 2 A7 1 D6H 4 B9 3 A8 2 D7H 5 B10 4 A9 3 D8H 6 B11 1 A10 2 D9B1 1.395160B2 1.394712B3 1.395427B4 1.394825B5 1.394829B6 1.099610B7 1.099655B8 1.099680B9 1.099680B10 1.099761 B11 1.099604 A1 120.008632 A2 119.994165 A3 119.993992 A4 119.998457 A5 119.997223 A6 119.980770 A7 120.012795 A8 119.981142 A9 120.011343 A10 120.007997 D1 -0.056843 D2 0.034114 D3 0.032348 D4 -179.972926 D5 179.953248 D6 179.961852 D7 -179.996436 D8 -179.999514 D9 179.989175参数很多，但是通过对称性原则，并且采用亚原子可以将参数减少为： XX 1 B0C 1 B1 2 A1C 1 B1 2 A1 3 D1C 1 B1 2 A1 4 D1C 1 B1 2 A1 5 D1C 1 B1 2 A1 6 D1C 1 B1 2 A1 7 D1H 1 B2 2 A1 8 D1H 1 B2 2 A1 3 D1H 1 B2 2 A1 4 D1H 1 B2 2 A1 5 D1H 1 B2 2 A1 6 D1H 1 B2 2 A1 7 D1B0 1.0B1 1.2B2 2.2A1 90.0D1 60.0对于这两个工作，所用的时间为57s和36s，对称性为C01和D6H，明显后者要远远优于前者。
高斯混合模型参数优化及实现
高斯混合模型参数优化及实现高斯混合模型（Gaussian Mixture Model，GMM）是一种常用的概率模型，它利用多个高斯分布函数的叠加来描述复杂的数据分布。
GMM的参数优化可以通过最大似然估计或期望最大化算法（Expectation-Maximization，EM）来实现。
首先, 我们来解释GMM的数学定义。
设观测数据为X={x1, x2, ..., xn}，每个观测数据xi都是一个d维向量。
GMM可以表示为：P(X，θ)=∑[j=1,m]P(Z=j，θ)P(Xi，Z=j,θ)=∑[j=1,m]πjN(Xi，μj,Σj)，Σj为协方差矩阵函数。
其中，θ表示GMM的所有参数，包括m个高斯分布的参数（πj,μj,Σj）。
下面是GMM参数优化的步骤：1.初始化参数：首先，需要初始化每个高斯分布的参数（πj,μj,Σj），可以随机选择或通过其他方法进行初始化。
2. E步骤（Expectation）：计算每个样本属于每个高斯分布的后验概率，即计算P(Z=j，Xi,θ)。
根据贝叶斯定理，可以使用以下公式计算后验概率：P(Z=j，Xi,θ)=πjN(Xi，μj,Σj)/∑[k=1,m]πkN(Xi，μk,Σk)3. M步骤（Maximization）：根据E步骤的计算结果，更新高斯分布的参数（πj, μj, Σj）。
具体更新方式如下：πj=∑[i=1,n]P(Z=j，Xi,θ)/nμj=∑[i=1,n]P(Z=j，Xi,θ)*Xi/∑[i=1,n]P(Z=j，Xi,θ)Σj=∑[i=1,n]P(Z=j，Xi,θ)*(Xi-μj)(Xi-μj)T/∑[i=1,n]P(Z=j，Xi,θ)4.重复执行E步骤和M步骤，直到参数收敛或达到预定的迭代次数。
5.利用优化后的参数对新的数据进行分类或生成新样本。
实现GMM可以使用现有的机器学习库，例如sklearn。
下面是一个简单的示例代码：```pythonimport numpy as npfrom sklearn.mixture import GaussianMixture#创建数据集X = np.random.rand(100, 2)#初始化GMM模型#拟合数据集gmm.fit(X)#预测新的数据点new_data = np.array([[0.5, 0.5], [0.8, 0.2]])labels = gmm.predict(new_data)#输出结果print("Labels:", labels)```总结：GMM是一种常用的概率模型，用于描述复杂的数据分布。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
优化第一步：确定分子构型，可以根据对分子的了解通过GVIEW和CHEM3D等软件来构建，但更多是通过实验数据来构建（如根据晶体软件获得高斯直角坐标输入文件，软件可在大话西游上下载，用GVIEW可生成Z-矩阵高斯输入文件），需要注意的是分子的原子的序号是由输入原子的顺序或构建原子的顺序决定来实现的，所以为实现对称性输入，一定要保证第一个输入的原子是对称中心，这样可以提高运算速度。
我算的分子比较大，一直未曾尝试过，希望作过这方面工作的朋友能补全它。
以下是从本论坛，大话西游及宏剑公司上下载的帖子。
将键长相近的，如B12 1.08589B13 1.08581B14 1.08544键角相近的，如A6 119.66589A7 120.46585A8 119.36016二面角相近的如D10 -179.82816D11 -179.71092都改为一致，听说这样可以减少变量，提高计算效率，是吗？在第一步和在以后取某些键长键角相等，感觉是一样的。
只是在第一步就设为相等，除非有实验上的证据，不然就是纯粹的凭经验了。
在前面计算的基础上，如果你比较信赖前面的计算，那么设为相等，倒还有些依据。
但是，设为相等，总是冒些风险的。
对于没有对称性的体系，应该是没有绝对的相等的。
或许可以这么试试：先PM3，再B3LYP/6-31G.（其中的某些键长键角设为相等），再B3LYP/6-31G（放开人为设定的那些键长键角相等的约束）。
比如键长，键角，还有是否成键的问题，Gview看起来就是不精确，不过基本上没问题，要是限制它们也许就有很大的问题，能量上一般会有差异，有时还比较大如果要减少优化参数，不是仅仅将相似的参数改为一致，而是要根据对称性，采用相同的参数。
例如对苯分子分子指定部分如下：CC 1 B1C 2 B2 1 A1C 3 B3 2 A2 1 D1C 4 B4 3 A3 2 D2C 1 B5 2 A4 3 D3H 1 B6 2 A5 3 D4H 2 B7 1 A6 6 D5H 3 B8 2 A7 1 D6H 4 B9 3 A8 2 D7H 5 B10 4 A9 3 D8H 6 B11 1 A10 2 D9B1 1.395160B2 1.394712B3 1.395427B4 1.394825B5 1.394829B6 1.099610B7 1.099655B8 1.099680B9 1.099680B10 1.099761 B11 1.099604 A1 120.008632 A2 119.994165 A3 119.993992 A4 119.998457 A5 119.997223 A6 119.980770 A7 120.012795 A8 119.981142 A9 120.011343 A10 120.007997 D1 -0.056843 D2 0.034114 D3 0.032348 D4 -179.972926 D5 179.953248 D6 179.961852 D7 -179.996436 D8 -179.999514 D9 179.989175参数很多，但是通过对称性原则，并且采用亚原子可以将参数减少为：XX 1 B0C 1 B1 2 A1C 1 B1 2 A1 3 D1C 1 B1 2 A1 4 D1C 1 B1 2 A1 5 D1C 1 B1 2 A1 6 D1C 1 B1 2 A1 7 D1H 1 B2 2 A1 8 D1H 1 B2 2 A1 3 D1H 1 B2 2 A1 4 D1H 1 B2 2 A1 5 D1H 1 B2 2 A1 6 D1H 1 B2 2 A1 7 D1B0 1.0B1 1.2B2 2.2A1 90.0D1 60.0对于这两个工作，所用的时间为57s和36s，对称性为C01和D6H，明显后者要远远优于前者。
好，我真的很想知道这句话“你手工把坐标写好输入，输入为C2对称性”是什么意思？老是见到版面上有人说对输入施加对称性限制，就是不明白是怎么回事。
您能详细解释一下吗？有例子就更好了。
麻烦了谢谢！比如，你要输入CO2，那么你这么输入C 0.0 0.0 0.0O 0.0 0.0 1.203212313123O 0.0 0.0 1.203212313123写得很精确，那就是对称性输入了。
这样g98可自动判定为D∞h如果你输入的差不多，比如：C 0.0 0.0 0.0O 0.0 0.0 1.203212313123O 0.0 0.0 1.204212313123精度不够，那么g98就只能判定为 C∞h了。
再给你举个例子，比如甲烷的Td点群的输入坐标，考虑对称性，把C放在直角坐标的原点，四个氢放在四个角的顶点。
C 0. 0. 0.H 1. 1. 1.H -1. -1. 1.H 1. -1. -1.H -1. -1 1.这样出来的结果点群判断就会是正确的，当然这里的1我是随便取的一个值，只是来说明这个问题而矣。
谢谢二位指教，也就是说第一个输入的原子应该是对称中心，其它输入的原子应保持数值上的对应性。
那对于用Gview或3D生成的分子构型，也可以根据这个原则将处于对称位置的原子的坐标改为一致了？如果分子很大（如我这次算的C14H14N4S20）有三个环，整体性的对称输入就有些麻烦，是不是可以先生成分子构型，然后利用对称性对它的笛卡儿坐标或矩阵坐标进行修改，将相近的坐标的数据改为一致？"第一个输入的原子应该是对称中心，其它输入的原子应保持数值上的对应性"没错,做到这点就很方便了,"对于用Gview或3D生成的分子构型，也可以根据这个原则将处于对称位置的原子的坐标改为一致"那还不如用手动输入,大体系很难办了,如果体系太大,不用保持严格的对称性吧.有机分子，原子多了以后构型就没有什么对称性了。
但对于有些系统，比如 C60, 你当然得按照它的实际的对称性来输入。
如果你希望你的计算按照某种对称性来做，那就一定要手工输入严格的满足对称性的坐标.用软件生成的坐标，不是严格满足对称性，即使用symm=loose,有时也不一定能判断出来。
各位大虾是用什么软件建模的呀，我是用SGI里sybyl软件进行构像搜索后取最低能量构像导入高斯程序的；有的是用chem3D直接建模，这样子有没有什么问题啊，应该怎么做，谢谢通常也就是这些方法,建议还是认真的核实分子结构的是否合理,然后再试着增大迭代圈数,降低收敛判据.用什么软件建模并不是问题，对于我们量化计算，如vliant所说，核实分子的合理构型才是最重要的，包括对个原子间的成键分析。
就算不同的软件，也不可能保证给出的构型合理，因此我们一般都提倡手动输入坐标，就是为了加强对构型的理解，只有在这个基础上使用软件建模才能尽可能保证不出错。
一个合理的计算结果不能寄希望于软件。
我们都知道常用的分子坐标输入有：内坐标直角坐标混合坐标分子构型输入方法的不同会对计算过程产生影响么？或者说，对于哪些体系，用哪种方法更好优化？“混合坐标”怎么讲？我通常用内坐标，它能很好的控制对称性，且时间要短。
“混合坐标”是直角坐标和内坐标的混合使用，高斯手册上有讲这部分内容。
有看过讲哪种体系使用哪种方法更好优化，好像这都是凭经验的结果。
在“免费资源”论坛中有本《计算化学》，其中第八章（67－72页）好像提到你所关心的问题，你可以下来看一下，或许有所帮助。
如果你使用缺省的优化方案且初始几何构型完全相同，那么，不论你使用何种坐标输入方式，优化结果应该是一样的。
简言之，优化结果只取决于优化方案和初始几何构型，与坐标录入方式无甚关联。
于对称性限制的优化来说，显然以内坐标输入，且选用opt=z-matrix可以减少变量，使得优化效率提高。
免费资源中《gauss入门》有介绍。
您冗余坐标是指有过剩的内坐标。
冗余内坐标算法可以用于结构优化。
优化第二步：对于大分子，一般要先预优化（如用PM3或AM1），有时是用部分优化，然后才用能达到实验精度方法和基组进行优化，就我所了解大多数情况下，6-31G（D）基组就差不多。
不好意思，我是新手，刚刚接触guassian，最近要算两个较大有机分子中原子的静电荷急相关能量和几何性质，分子中已经超过了80个原子（包括氢），用chemdraw画出图形，在chem3d中生成的input文件，可是，软件报错——2070~~好象说是连接（last link）错误，怎么回事，哪里出错了，各位指点一下~怎么，先用pm3预优化就可以了？？我的意思是，初试构象对计算量有这么大的影响么？？我以前也遇到过相似情况，同一个分子，相同的计算条件，用gview画出的模型进行计算报2070的错，用chemdraw画的模型，chem3d生成的input文件进行计算就OK，完成可以计算完成。
我还以为你画分子式的时候出什么问题了呢~~只想优化H原子，其他重原子不做优化。
怎样进行分子坐标输入，下面的坐标输入方法对吗？就是仅H原子的参数设置成Vairable.%chk=sample#p HF/6-31G* optTitle line0 1cu 7.577854 5.926989 4.935050cu 9.091644 8.489386 4.644861cu 10.605857 5.766733 4.988313p 10.432217 3.600341 5.598077p 12.551342 6.888289 4.775263p 7.164457 9.584280 4.209578p 11.125158 9.457819 4.661391p 7.503791 3.715690 5.278502p 5.670551 7.057133 4.652208s 9.100712 6.979012 6.564150s 9.088921 6.492596 3.113104n 8.884097 3.048614 5.950712n 5.827205 8.602518 4.003874n 12.406788 8.511755 5.225239H 1 B14 2 A13 7 D12H 1 B15 2 A14 7 D13H 1 B16 2 A15 7 D14H 1 B17 2 A16 7 D15H 2 B18 1 A17 3 D16H 2 B19 1 A18 3 D17H 2 B20 1 A19 3 D18H 2 B21 1 A20 3 D19H 3 B22 1 A21 2 D20H 3 B23 1 A22 2 D21H 3 B24 1 A23 2 D22H 3 B25 1 A24 2 D23H 1 B26 2 A25 7 D24H 2 B27 1 A26 9 D25B14 2.990841B15 2.990841B16 2.985833B17 2.985833B18 3.009872B19 3.009872B20 2.998051B21 2.998051B22 3.015712B23 3.015712B24 3.002042B25 3.002042B26 3.489189B27 3.477113A13 161.290094A14 146.871331A15 108.517371A16 96.114237A17 106.549047A18 100.057030A19 155.415250A20 145.871488A21 163.425916A22 138.991013A23 105.076579A24 99.387878A25 66.120736A26 65.475681D12 64.540783D13 -53.098055D14 -163.347541D15 152.573174D16 152.164746D17 -162.671553D18 -56.766147D19 42.781046D20 46.122424D21 -46.534404D22 150.210575D23 -164.670929D24 -78.866142D25 109.837455你如果要这么做的话，必须加opt＝Z-matrix,这样的话它就只优化后面的H，前面的直角坐标就不会优化了。