🌐 Netzwerkwissenschaft

Für jedes der N(N−1)/2 möglichen Knotenpaare wird unabhängig mit Wahrscheinlichkeit p eine Kante hinzugefügt. Die Gradverteilung ist binomial und nähert sich für große N einer Poisson-Verteilung an. Eine größte zusammenhängende Komponente entsteht abrupt nahe der kritischen Wahrscheinlichkeit p_c = 1/N, weshalb kleine Änderungen von p einen fragmentierten Graphen in einen einzigen zusammenhängenden Cluster verwandeln können.

Das Netzwerk wächst einen Knoten nach dem anderen, und jeder neue Knoten verbindet sich mit m bestehenden Knoten mit einer zu ihrem aktuellen Grad proportionalen Wahrscheinlichkeit — „die Reichen werden reicher". Diese präferenzielle Anlagerung erzeugt eine Potenzgesetz-Gradverteilung, P(k) ∝ k⁻³, das heißt, wenige stark vernetzte Hubs existieren neben vielen spärlich vernetzten Knoten. Die Knotengröße auf der Zeichenfläche skaliert mit dem Grad, sodass Hubs deutlich hervorstechen.

Ausgehend von einem Ringgitter, bei dem jeder Knoten mit seinen k nächsten Nachbarn verbunden ist, wird jede Kante mit Wahrscheinlichkeit β zu einem zufälligen Ziel neu verdrahtet. Bei niedrigem β behält das Netzwerk hohes lokales Clustering; schon wenige Fernverbindungen verkürzen die durchschnittliche Pfadlänge drastisch, während das Clustering hoch bleibt. Diese Kombination — kurze Pfade plus hohes Clustering — ist die definierende Kleine-Welt-Eigenschaft.

Das Panel zeigt die Anzahl der Knoten und Kanten, den durchschnittlichen Grad (2E/N), den durchschnittlichen Clustering-Koeffizienten C, die Größe der größten (zusammenhängenden) Komponente und den maximalen Grad. Der Clustering-Koeffizient misst, wie oft die Nachbarn eines Knotens auch untereinander verbunden sind, gemittelt über alle Knoten, und liefert eine einzige Zahl für den lokalen Zusammenhalt.

Ein kräftebasierter Algorithmus behandelt Knoten wie geladene Teilchen, die sich gegenseitig abstoßen, während Kanten wie Federn wirken, die verbundene Knoten zu einer Ruhelänge von etwa 60 Pixeln zusammenziehen. Eine schwache zentrale Schwerkraft hält alles im Bild, und Geschwindigkeiten werden in jedem Frame zur Stabilität gedämpft. Du kannst jeden Knoten ziehen, und das Pausieren des Layouts stoppt diese Kräfte.

Die Generatoren folgen den Lehrbuchdefinitionen jedes Modells, sodass das emergente Verhalten — der Erdős–Rényi-Phasenübergang, die Barabási–Albert-Hubs und das Watts–Strogatz-Kleine-Welt-Regime — getreu reproduziert wird. Mit nur bis zu 120 Knoten schwanken die Statistiken von Durchlauf zu Durchlauf, und das Layout ist eine visuelle Hilfe statt einer exakten Einbettung — betrachte die Zahlen also als illustrativ für die zugrunde liegende Mathematik statt als präzise Messungen.

Skalenfreie Strukturen beschreiben das World Wide Web, Zitations- und Protein-Interaktionsnetzwerke; Kleine-Welt-Strukturen erscheinen in sozialen Netzwerken, neuronaler Verdrahtung und Stromnetzen; Zufallsgraphen dienen als Vergleichsbasis. Zu verstehen, welchem Modell ein reales System ähnelt, hilft, seine Widerstandsfähigkeit gegenüber Ausfällen, seine Anfälligkeit für gezielte Angriffe auf Hubs und die Geschwindigkeit vorherzusagen, mit der sich Informationen oder Krankheiten darin verbreiten können.