协同进化遗传算法理论及应用(巩敦卫,孙晓燕著)思维导图
[课件]智能计算理论PPT
![[课件]智能计算理论PPT](https://img.taocdn.com/s3/m/d0b8c3a5bceb19e8b8f6ba97.png)
陕西师范大学 计算机科学学院 9
陕西师范大学 计算机科学学院 14
2018/12/9
从符号主义到连接主义：行为主义
行为主义(actionism)，又称为进化主义(evolutionism)或 控制论学派(cyberneticsism)，其原理为控制论及感知-动 作型控制系统。 行为主义认为人工智能源于控制论。控制论思想早在20 世纪40~50年代就成为时代思潮的重要部分，影响了早 期的人工智能工作者。维纳(Wiener)和麦克洛克 (McCulloch)等人提出的控制论和自组织系统以及钱学 森等人提出的工程控制论和生物控制论，影响了许多领 域。控制论把神经系统的工作原理与信息理论、控制理 论、逻辑以及计算机联系起来。
陕西师范大学 计算机科学学院 10
2018/12/9
从符号主义到连结主义：符号主义
符号主义者，在1956年首先采用“人工智能”这个术语。 后来又发展了启发式算法->专家系统->知识工程理论与 技术，并在20世纪80年代取得很大发展。符号主义曾长 期一枝独秀，为人工智能的发展作出重要贡献，尤其是 专家系统的成功开发与应用，为人工智能走向工程应用 和实现理论联系实际具有特别重要的意义。在人工智能 的其他学派出现之后，符号主义仍然是人工智能的主流 派别。这个学派的代表人物有纽厄尔(Newell)、西蒙 (Simon)和尼尔逊(Nilsson)等。
进化计算的主要分支
进化计算的主要分支
进化计算是一种模拟自然进化过程的计算方法，它的主要分支包括以下几种：
1. 遗传算法（Genetic Algorithm，GA）：遗传算法是进化计算中最经典和广泛应用的方法之一。
它基于生物进化的遗传原理，通过模拟基因的交叉、变异和选择等操作，来优化问题的解。
2. 进化策略（Evolution Strategies，ES）：进化策略是一种基于种群的搜索方法，它通过个体的变异和选择来更新种群，以找到最优解。
与遗传算法不同，进化策略通常不使用交叉操作。
3. 遗传编程（Genetic Programming，GP）：遗传编程是一种基于树结构的进化计算方法，它用于解决问题的编程任务。
个体在遗传编程中表示为树状结构，通过遗传操作和适应度评估来优化程序的性能。
4. 协同进化（Coevolution）：协同进化是指多个物种或多个智能体在相互作用和共同演化的环境中进行进化。
它可以应用于多目标优化、生态系统建模等领域。
5. 免疫算法（Immunological Algorithm，IA）：免疫算法是一种受生物免疫系统启发的计算方法，它利用免疫机制来实现优化和问题求解。
6. 粒子群优化（Particle Swarm Optimization，PSO）：粒子群优化是一种基于群体智能的优化算法，它模拟鸟群或鱼群的行为，通过个体之间的协作和竞争来寻找最优解。
这些分支在不同的应用领域和问题类型中都有广泛的应用，并且不断有新的分支和改进方法涌现。
进化计算的优点包括全局搜索能力、适应性和鲁棒性等，使其成为解决复杂优化问题的有效工具。
《遗传算法详解》课件
遗传算法具有全局搜索能力、对问题 依赖性小、可扩展性强、鲁棒性高等 特点。
遗传算法的基本思想
初始化
随机生成一组解作为初始种群。
适应度评估
根据问题的目标函数计算每个解 的适应度值。
选择操作
根据适应度值的大小，选择优秀 的解进行遗传操作。
迭代更新
重复以上过程，直到满足终止条 件。
变异操作
对某些基因进行变异，增加解的 多样性。
《遗传算法详解》 ppt课件
• 遗传算法概述 • 遗传算法的基本组成 • 遗传算法的实现流程 • 遗传算法的优化策略 • 遗传算法的改进方向 • 遗传算法的未来展望
目录
Part
01
遗传算法概述
定义与特点
定义
遗传算法是一种模拟生物进化过程的 优化算法，通过模拟基因遗传和变异 的过程来寻找最优解。
Part
05
遗传算法的改进方向
混合遗传算法的研究
混合遗传算法
结合多种优化算法的优点，提高遗传算法的全局搜索能力和收敛速 度。
混合遗传算法的原理
将遗传算法与其他优化算法（如梯度下降法、模拟退火算法等）相 结合，利用各自的优势，弥补各自的不足。
混合遗传算法的应用
在许多实际问题中，如函数优化、路径规划、机器学习等领域，混 合遗传算法都取得了良好的效果。
自适应交叉率
交叉率控制着种群中新个体的产生速度。自适应交叉率可以根据种群中个体的适应度差 异进行调整，使得适应度较高的个体有更低的交叉率，而适应度较低的个体有更高的交 叉率。这样可以提高算法的搜索效率。
自适应变异率
变异率决定了种群中新个体的产生速度。自适应变异率可以根据种群中个体的适应度进 行调整，使得适应度较高的个体有更低的变异率，而适应度较低的个体有更高的变异率
六西格玛管理第三版思维导图(1-8章) 很详细
起源和发展
推广：联合信号公司、通用电气GE
新发展：1、六西格玛与精益生产的融合；2、六西格玛设计的成熟化；3、六西格玛在服务业的广泛推行
六西格玛的概念
六西格玛的 概念和作用
统计含义 管理含义
获取竞争优势的战略 持续改进的活动
科学的问题解决方法体系
六西格玛管理文化
问题解决和成本降低。解决困扰公司的重要而复杂的难题，降低不良质量成本。
各自为政——意见不一致，各行其是 不适当、不完整的运用——不能做到学以致用 宿命论——没信心，认为“这不可能成功”
路径依赖——对现有规则的过分遵从或强调
谈判与解决冲突的技巧
激励技巧
马斯洛的需求层次理论：生存→安全→归属感→尊重→成就或自我实现 新的激励因素：目的→积极主动→分享收获→个人发展→专业上的认可
质量概念的演进
主体的演进“什么的质量”
产品→产品和服务→产品、服务和过程→产品、服务、过程和体系
客体的演进“满足什么要求的质量”
符合性→适用性→顾客及相关方综合满意
质量检验
质量管理的发展
统计质量控制SQC
全面质量管理TQC
六西格玛管 理的发展
质量大师的贡献
休哈特：创立SPC理论，PDCA 戴明：使用SQC来识别变异的特殊原因和偶然原因；戴明质量管理14要点
项目监控流程
项目目标→实际测量→找出差距→解决问题
项目跟踪和 监控
工具和方法
项目柔性分析 风险识别
风险管理 计划
风险评估
来源：项目本身的；项目外部的
从三方面进行：后果的严重性，风险发生的概率，及 时发现风险的难易程度
风险管理
主要从三方面考虑制定风险预防计划：预防措施、应 急措施、风险发生的临界定义
GA
7
遗传算法
Holland图式理论 图式理论 ------图式定理 图式定理
f (H ) δ (H ) m( H , t + 1) ≥ m( H , t ) • • (1 − Pc • − O( H ) • Pm ) l −1 f
m(H,t)：t代群体中符合图式H的串数量 代群体中符合图式H
f
f (H )
从初始群体（即问题解的串集）开始搜索。 从初始群体（即问题解的串集）开始搜索。 求解时使用特定问题的信息极少，容易形成通用算法程序。 求解时使用特定问题的信息极少，容易形成通用算法程序。 有很强的容错能力 选择、交换、突变都是随机操作，不是确定的精确规则。 选择、交换、突变都是随机操作，不是确定的精确规则。 具有隐含的并行性
① ② ③ ④
20
遗传算法
旅行商问题
旅行商问题（ 旅行商问题（Traveling Salesman Problem，TSP）又 ， ） 译为旅行推销员问题、货郎担问题，简称为TSP问题，是 问题， 译为旅行推销员问题、货郎担问题，简称为 问题 最基本的路线问题， 最基本的路线问题，该问题是在寻求单一旅行者由起点出 通过所有给定的需求点之后， 发，通过所有给定的需求点之后，最后再回到原点的最小 路径成本。 路径成本。
19
遗传算法
结束语
遗传算法对于组合优化中的NP问题非常有效。 遗传算法对于组合优化中的 问题非常有效。例如遗传算法已经 问题非常有效 在求解旅行商问题、 背包问题、装箱问题、 在求解旅行商问题、 背包问题、装箱问题、图形划分问题等方面得 到成功的应用。 此外， 也在生产调度问题 自动控制、机器人学、 也在生产调度问题、 到成功的应用。 此外，GA也在生产调度问题、自动控制、机器人学、 图象处理、人工生命、遗传编码和机器等方面获得了广泛的运用。 图象处理、人工生命、遗传编码和机器等方面获得了广泛的运用。 但是遗传算法还有大量的问题待研究。 但是遗传算法还有大量的问题待研究。 在变量多、取值范围大或无给定范围时， 在变量多、取值范围大或无给定范围时，收敛速度下降 在最有解附近徘徊， 在最有解附近徘徊，无法定位最优解位置 参数选择尚未有定量方法 如何有效配合使用交叉和变异操作
《遗传算法原理及应用》课程教学大纲
《遗传算法原理及应用》课程教学大纲课程名称：遗传算法原理及应用课程类别：任意选修课适用专业：电子信息工程考核方式：考查总学时、学分：24学时1.5学分一、课程性质、教学目标遗传算法原理及应用是电子信息工程专业的一门任意选修课。
通过本门课的学习，要求学生理解基本遗传算法的特点、思想及其实现过程，了解GA的发展及其应用，熟悉MATLAB遗传算法工具箱函数及其初步应用，并不断提高分析和解决具体问题的能力。
该课程主要包括基本遗传算法，遗传算法的基本、高级实现技术，并行遗传算法，遗传算法的数学理论及应用等。
本门课程与《数字图像处理》、《人工神经网络》、《机器学习与应用》等专业选修课程内容具有较强的相关性和融合性。
其具体的课程教学目标为：课程教学目标1：了解遗传算法的特点、发展及应用。
课程教学目标2：理解GA的基本实现方法以及一些高级实现技术。
理解模式和模式定理；了解评价遗传算法的一些常用测试函数。
课程教学目标3：了解遗传算法在数值函数优化、多目标优化、装箱、旅行商等问题中的应用。
课程教学目标与毕业要求对应的矩阵关系二、课程教学要求遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。
通过本课程的学习，使学生了解遗传算法的生物学基础、特点、发展及应用；理解SGA、GA的一些基本及高级实现技术；掌握模式的概念和模式定理的含义；了解进行遗传算法评价的常用测试函数，SGA的收敛性分析；了解遗传算法在多领域中的应用。
三、先修课程高等数学、算法与数据结构、计算机基础与应用、计算机仿真（Matlab和Multisim）等。
四、课程教学重、难点教学重点：遗传算法的各种基本编码方法、适应度函数、选择算子、交叉算子、变异算子；教学难点：GA倒位算子及二倍体显性操作算子的基本实现； GA 的运行参数和约束条件的处理方法；变长度染色体遗传算法、小生境遗传算法和混合遗传算法的基本思想。
五、课程教学方法与教学手段本课程以课堂讲授、讨论、交流为主，课下自学为辅。
计算思维和思维导图专题培训课件
发展史
O计算思维的提出 2006年3月，现任美国基金会计
算机和信息科学与工程部主任的周以真
教授，首次提出了计算思维的概念，并为此撰写 了针对大学所有新生的“计算思维”讲义，并以此作 为“怎样像计算机科学家一样思维”课程的主要教材。
O计算思维这一概念提出后，立即得到美国教育界的 广泛支持，也引起了欧洲的极大关注。目前，计算思 维是当前国际计算机界广为关注的一个重要概念，也 是当前计算机教育需要重点研究的课题。
O 这种思维将成为每一个人的技能组合成分，而不仅仅限于科 学家。普适计算之于今天就如计算思维之于明天。普适计算 是已成为今日现实的昨日之梦，而计算思维就是明日现实。
思维导图
概念
O 思维导图又叫心智图，是表达发射性思维的 有效的图形思维工具。是有效的思维模式， 应用于记忆、学习、思考等的思维“地图”， 有利于人脑的扩散思维的展开。
O 当我们必须求解一个特定的问题时，首先会问：解决这个 问题有多么困难？怎样才是最佳的解决方法？计算机科学 根据坚实的理论基础来准确地回答这些问题。表述问题的 难度就是工具的基本能力，必须考虑的因素包括机器的指 令系统、资源约束和操作环境。
O为了有效地求 解一个问题， 我们可能要进 一步问：一个
O 抽象和分解 来迎接庞杂的任务或者 设计巨大复杂的系统。它是关注的分 离（SOC方法）。它是选择合适的方式 去陈述一个问题，或者是选择合适的 方式对一个问题的相关方面建模使其 易于处理。它是利用不变量简明扼要 且表述性地刻画系统的行为。它使我 们在不必理解每一个细节的情况下就 能够安全地使用、调整和影响一个大 型复杂系统的信息。它就是为预期的 未来应用而进行的预取和缓存。
O 2010年7月19日至20日，北京大学等九所知名高 校在西安交通大学举办了“C9高校联盟计算机 基础课程研讨会”。教育部高等学校计算机基 础课程教学指导委员会主任陈国良院士亲临大 会，作了“计算思维能力培养研究”的报告。 大会就增强大学生计算思维能力的培养发表了 “C9高校联盟计算机基础教学发展战略联合声 明”。
遗传算法PPT课件
4.1 基本概念
1. 个体与种群
● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。
● 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。
2.
● 适应度(fitness)就是借鉴生物个体对环境的 适应程度,而对问题中的个体对象所设计的 表征其优劣的一种测度。
根据交叉原则产生的一组新解
பைடு நூலகம்
染色体对应基因段交换的概率（可能性大小） 闭区间[0,1]上的一个值，一般为0.65~0.90
染色体水平上基因变化
编码的某些元素被改变
染色体上基因变化的概率（可能性大小）
开区间(0,1)内的一个值, 一般为 0.001~0.01
个体进行优胜劣汰的进化，一代又一代地优 化
目标函数取到最大值，最优的可行解
选择-复制 通常做法是：对于一个规模为N 的种群S,按每个染色体xi∈S的选择概率P(xi)所决 定的选中机会, 分N次从S中随机选定N个染色体, 并进行复制。
这里的选择概率P(xi)的计算公式为
P(xi )
f (xi )
N
f (xj)
j 1
交叉 就是互换两个染色体某些位上的基因。 例如, 设染色体 s1=01001011, s2=10010101, 交换其后4位基因, 即
第 4 章 基于遗传算法的随机优化搜索
❖ 群体的染色体都将逐渐适应环境，不断进化， 最后收敛到一族最适应环境的类似个体，即 得到问题最优的解．值得注意的一点是，现 在的遗传算法是受生物进化论学说的启发提 出的，这种学说对我们用计算机解决复杂问 题很有用，而它本身是否完全正确并不重要 （目前生物界对此学说尚有争议）．
一种求解TSP问题的协同进化算法
一种求解TSP问题的协同进化算法作者：魏士伟来源：《智能计算机与应用》2019年第05期摘要：传统的遗传算法GA在求解TSP问题时容易出现早熟和陷入局部最优等现象。
为此本文提出了一种基于协同进化的遗传算法（CEGA）用于解决GA算法的缺陷。
该算法通过定义个体的适应度值和个体间的差异度值，将适应度值高和差异度大的个体分别放入2个不同的子群体。
在进化过程中这2个子种群相互协同进化，既保证了种群向最优解的方向移动，又保持了种群的多样性。
实验结果表明，本文所提出的算法在解决TSP问题时，具有收敛速度快、容易跳出局部最优等特点，相较其他GA算法具有更好的性能。
关键词：遗传算法;进化算法;TSP;协同进化;资源调度【Abstract】 The traditional Genetic Algorithm （GA） is more prone to be of premature convergence and fall into local optimums when solving TSP problems. In order to overcome these defects， a new Co-Evolution based Genetic Algorithm （CEGA） is proposed is this paper. By defining the fitness value of individuals and the difference value between individuals， this new algorithm puts individuals with high fitness values into a sub-population and put individuals with large differences into another sub-population. These two sub-populations coevolves with each other during the evolution process， which not only ensures the movement of the whole population towards the optimal value， but also maintains the diversity of the population. The experimental results show that the algorithm proposed in this paper has characteristics of fast convergence and being easy to jump out of local optimums when solving TSP problems. The research demonstrates that the proposed algorithm has better performance than other GA algorithms.【Key words】 ;Genetic Algorithm; evolutionary algorithm; TSP; Co-Evolution; resource scheduling1 概述旅行商問题（Traveling Salesman Problem，TSP）是图论中一个著名的组合优化问题。
协同理论
协同理论协同论（synergetics）亦称“协同学”或“协和学”，是20世纪70年代以来在多学科研究基础上逐渐形成和发展起来的一门新兴学科，是系统科学的重要分支理论。
其创立者是联邦德国斯图加特大学教授、著名物理学家哈肯（Hermann Haken）。
1971年他提出协同的概念，1976年系统地论述了协同理论，发表了《协同学导论》，还著有《高等协同学》等等。
简介协同论主要研究远离平衡态的开放系统在与外界有物质或能量交换的情况下，如何通过自己内部协同作用，自发地出现时间、空间和功能上的有序结构。
协同论以现代科学的最新成果——系统论、信息论、控制论、突变论等为基础，吸取了结构耗散理论的大量营养，采用统计学和动力学相结合的方法，通过对不同的领域的分析，提出了多维相空间理论，建立了一整套的数学模型和处理方案，在微观到宏观的过渡上，描述了各种系统和现象中从无序到有序转变的共同规律。
协同理论协同论是研究不同事物共同特征及其协同机理的新兴学科，是近十几年来获得发展并被广泛应用的综合性学科。
它着重探讨各种系统从无序变为有序时的相似性。
协同论的创始人哈肯说过，他把这个学科称为“协同学”，一方面是由于我们所研究的对象是许多子系统的联合作用，以产生宏观尺度上结构和功能；另一方面，它又是由许多不同的学科进行合作，来发现自组织系统的一般原理。
客观世界存在着各种各样的系统；社会的或自然界的，有生命或无生命的，宏观的或微观的系统等等，这些看起来完全不同的系统，却都具有深刻的相似性。
协同论则是在研究事物从旧结构转变为新结构的机理的共同规律上形成和发展的，它的主要特点是通过类比对从无序到有序的现象建立了一整套数学模型和处理方案，并推广到广泛的领域。
它基于“很多子系统的合作受相同原理支配而与子系统特性无关”的原理，设想在跨学科领域内，考察其类似性以探求其规律。
哈肯在阐述协同论时讲道：“我们现在好像在大山脚下从不同的两边挖一条隧道，这个大山至今把不同的学科分隔开，尤其是把‘软’科学和‘硬’科学分隔开。
2023年高考生物二轮复习 变异、育种和进化
真题回顾
1.(2021·广东卷)孔雀鱼雄鱼的鱼身具有艳丽的斑点,斑点数量 多的雄鱼有更多机会繁殖后代,但也容易受到天敌的捕食,关于种 群中雄鱼的平均斑点数量,下列推测错误的是 ( )
A.缺少天敌,斑点数量可能会增多 B.引入天敌,斑点数量可能会减少 C.天敌存在与否决定斑点数量相关基因的变异方向 D.自然环境中,斑点数量增减对雄鱼既有利也有弊
①可遗传的变异:基因重组、基因突变和染色体变异。基因 突变和染色体变异统称为突变。
②基因突变的原因 物理、化学和生物因素等诱发突变。 DNA复制偶尔发生错误等原因自发产生。
③细胞的癌变 癌细胞的特点:无限增殖(适宜条件)、形态结构发生显著变
化、细胞膜上的糖蛋白减少。
癌变的原因 外因:致癌因子。内因:原癌基因和抑癌基因发生突变。
(3)单倍体、二倍体和多倍体 单倍体:由配子直接发育而来的个体,不管含几个染色体组,
都叫单倍体。 二倍体或多倍体:由受精卵发育而来的个体,含几个染色体
组就叫几倍体。
(4)人类遗传病
类型
概念
举例
单基因 遗传病
指受一对等位基因控 制的遗传病
多指、并指、软骨发育不全、 白化病、抗维生素D佝偻病、红 绿色盲等
变式训练二
诱变育种、杂交育种、单倍体育种、多倍体育种都是传统的
育种技术,转基因技术是20世纪90年代发展起来的新技术。下列
叙述错误的是
()
A.杂交育种和单倍体育种过程中通常都涉及基因重组原理
B.采用上述技术的目的是获得具有所需性状的品种
C.上述技术中,仅多倍体育种会育出与原物种存在生殖隔
离的个体
D.与传统育种比较,转基因的优势是能使物种出现新基因
致癌因子:物理、化学、病毒致癌因子。 原癌基因:调节细胞周期,其表达的蛋白质是细胞正常的生 长和增殖所必需的。 抑癌基因:其表达的蛋白质能抑制细胞生长和增殖。 ④基因突变特点:a.普遍性;b.随机性;c.不定向性;d.低频性;e.多 害少利性。 ⑤注意区分易位与交叉互换。 易位:两条非同源染色体间移接。 交叉互换:两条同源染色体上的非姐妹染色单体交叉互换。
遗传算法原理与应最初级ppt课件
变异前：
变异点
000001110000000010000
变异后：
000001110001000010000
运转参数
〔1〕M ： 种群规模 〔2〕T ： 遗传运算的终止进化代数 〔3〕Pc ： 交叉概率 〔4〕Pm ： 变异概率
SGA的框图
产生初始群体
是
输出结果并终了
能否满足停顿准那否么计算个体顺应度值遗传算法来源
遗传算法是由美国的J. Holland教授于 1975年在他的专著<自然界和人工系统的顺 应性>中首先提出的，它是一类自创生物界 自然选择和自然遗传机制的随机化搜索算 法。
遗传算法的搜索机制
遗传算法模拟自然选择和自然遗传过程 中发生的繁衍、交叉和基因突变景象，在每 次迭代中都保管一组候选解，并按某种目的 从解群中选取较优的个体，利用遗传算子 (选择、交叉和变异)对这些个体进展组合， 产生新一代的候选解群，反复此过程，直到 满足某种收敛目的为止。
编码
GA是经过某种编码机制把对象 笼统为由特定符号按一定顺序排成的 串。正如研讨生物遗传是从染色体着 手，而染色体那么是由基因排成的串。 SGA运用二进制串进展编码。
函数优化例如
求以下一元函数的最大值：
f(x ) x si1n0 x ( ) 2 .0
x∈[-1,2] ，求解结果准确到6位小数。
2、根本遗传算法
根本遗传算法〔Simple Genetic Algorithms，简称SGA，又称简单遗传算法 或规范遗传算法〕，是由Goldberg总结出 的一种最根本的遗传算法，其遗传进化操 作过程简单，容易了解，是其它一些遗传 算法的雏形和根底。
根本遗传算法的组成
〔1〕编码〔产生初始种群〕 〔2〕顺应度函数 〔3〕遗传算子〔选择、交叉、变异〕 〔4〕运转参数
知识网络构建在生物化学教学中的应用与实践
知识网络构建在生物化学教学中的应用与实践作者：王卫芳王宏英孙聪周晓晶郭艳霞窦瑶阎慧郭寰宇来源：《高教学刊》2020年第06期摘; 要：知识网络构建对于中医药院校医学生非常重要，可以帮助学生对分散的、碎片化式的知识点进行整合，从整体上把握知识的主线和主要内容以及知识点间的相互联系。
而思维导图具有发散性思维的特征，能够将复杂的东西简单化，抽象的东西具体化，有助于教学。
同时学会思维导图的方法可以培养学生良好的学习习惯，提高创新性思维和综合分析问题解决问题的能力。
因此在生物化学理论教学和实验教学中尝试利用思维导图训练，促进师生间的沟通交流，提高学生的学习兴趣，加强学生对生物化学内容的把握、进行章节复习以及培养学生核心素养的提高等方面都有一定的作用。
关键词：知识网络构建;思维导图;生物化学教学;实践中图分类号：G642 文献标志码：A; ; ; ; ;文章编号：2096-000X（2020）06-0056-04Abstract： Knowledge network construction in universities of Chinese medicine is very important to medical students， it can help the students to integrate the scattered and fragments of knowledge on the whole， so they can grasp the main line and the interrelation between the knowledge points. Mind mapping has the characteristics of divergent thinking， it can turn the complex thing to simplification， contribute significantly to teaching. At the same time， learn to mind mapping method can cultivate students good study habits， improve the innovative thinking，comprehensive analysis and solve problem ability. Therefore， in biological chemistry theory teaching and experimental teaching tried to use a mind map training， promote the communication between teachers and students， and improve the students' interest in learning， enhance students' mastery of content of biochemistry， chapter to review and to cultivate students core accomplishment， etc.Keywords： knowledge network construction; mind mapping; biological chemistry teaching; practice《國家中长期教育改革和发展规划纲要（2010-2020 年）》中提出培养创新型中医药人才。