PL 
EnglishDomyślny
Українська🌐 Nauka o sieciach
Poznaj losowe grafy Erdősa-Rényiego, sieci bezskalowe Barabásiego-Alberta i modele małego świata Wattsa-Strogatza. Układ siłowy, histogram rozkładu stopni i statystyki klasteryzacji aktualizowane w czasie rzeczywistym.
O naukach o sieciach
Ta symulacja generuje i wizualizuje trzy fundamentalne modele sieci złożonych: losowy graf Erdősa-Rényiego G(N,p), model bezskalowy Barabásiego-Alberta oraz model małego świata Wattsa-Strogatza. Układ skierowany siłami rozmieszcza wierzchołki, wykorzystując odpychanie między każdą parą, sprężynowe przyciąganie wzdłuż każdej krawędzi oraz łagodne przyciąganie do środka, podczas gdy przeszukiwanie wszerz identyfikuje spójne składowe, a dla każdego wierzchołka obliczany jest współczynnik klastrowania.
Suwaki ustawiają liczbę wierzchołków N (10–120) oraz parametr specyficzny dla modelu: prawdopodobieństwo krawędzi p dla Erdősa-Rényiego, liczbę krawędzi dołączania m dla Barabásiego-Alberta oraz stopień sieci k wraz z prawdopodobieństwem przełączenia β dla Wattsa-Strogatza. Prawy panel przedstawia rozkład stopni w postaci histogramu. Te modele leżą u podstaw badania rzeczywistych systemów, takich jak sieci społeczne, sieć WWW, sieci energetyczne oraz rozprzestrzenianie się epidemii, gdzie struktura kształtuje odporność i zasięg.
Najczęściej zadawane pytania
Czym są nauki o sieciach?
Nauki o sieciach badają systemy przedstawione jako wierzchołki połączone krawędziami — od więzi społecznych po połączenia neuronowe. Szukają uniwersalnych wzorców strukturalnych — hubów, klastrowania, krótkich długości ścieżek — które rządzą zachowaniem sieci. Ta strona pozwala zbudować i porównać trzy klasyczne modele generatywne, ujmujące różne struktury rzeczywistego świata.
Co robią trzy przyciski modeli?
Każdy przycisk przełącza generator i odsłania parametry istotne dla danego modelu. Erdős–Rényi łączy każdą parę wierzchołków niezależnie z prawdopodobieństwem p; Barabási–Albert rozwija sieć przez dołączanie preferencyjne; Watts–Strogatz zaczyna od sieci pierścieniowej i losowo przełącza krawędzie. Statystyki i histogram aktualizują się, dzięki czemu można bezpośrednio porównać wyniki.
Co zmieniają elementy sterujące i suwaki?
Suwak Wierzchołki N ustawia rozmiar sieci od 10 do 120. Suwak specyficzny dla modelu ustawia kluczowy parametr: prawdopodobieństwo p (0,01–0,4) dla Erdősa-Rényiego, liczbę krawędzi m (1–6) dla Barabásiego-Alberta lub stopień sieci k (2–10) i przełączenie β (0–1) dla Wattsa-Strogatza. Nowy graf generuje sieć z nową losowością, a Pauza układu zatrzymuje fizykę, by można było odczytać strukturę.
Jak działa model Erdősa-Rényiego G(N,p)?
Dla każdej z N(N−1)/2 możliwych par wierzchołków krawędź jest dodawana niezależnie z prawdopodobieństwem p. Rozkład stopni jest dwumianowy i zbliża się do rozkładu Poissona dla dużych N. Składowa olbrzymia pojawia się nagle w pobliżu krytycznego prawdopodobieństwa p_c = 1/N, dlatego niewielkie zmiany p mogą przekształcić rozczłonkowany graf w jedno spójne skupisko.
Co sprawia, że model Barabásiego-Alberta jest bezskalowy?
Sieć rośnie po jednym wierzchołku naraz, a każdy nowy wierzchołek dołącza do m istniejących wierzchołków z prawdopodobieństwem proporcjonalnym do ich bieżącego stopnia — „bogaci stają się bogatsi”. To dołączanie preferencyjne generuje rozkład stopni typu prawa potęgowego, P(k) ∝ k⁻³, co oznacza, że nieliczne, silnie połączone huby współistnieją z wieloma słabo połączonymi wierzchołkami. Rozmiar wierzchołka na płótnie skaluje się ze stopniem, więc huby wyraźnie się wyróżniają.
Czym jest efekt małego świata w modelu Wattsa-Strogatza?
Zaczynając od sieci pierścieniowej, w której każdy wierzchołek łączy się ze swoimi k najbliższymi sąsiadami, każda krawędź jest przełączana do losowego celu z prawdopodobieństwem β. Przy niskim β sieć zachowuje wysokie lokalne klastrowanie; wprowadzenie zaledwie kilku dalekosiężnych skrótów gwałtownie zmniejsza średnią długość ścieżki, podczas gdy klastrowanie pozostaje wysokie. To połączenie — krótkie ścieżki plus wysokie klastrowanie — jest definiującą właściwością małego świata.
Co oznaczają pola statystyk?
Panel podaje liczbę wierzchołków i krawędzi, średni stopień (2E/N), średni współczynnik klastrowania C, rozmiar składowej olbrzymiej (największej spójnej) oraz maksymalny stopień. Współczynnik klastrowania mierzy, jak często sąsiedzi wierzchołka są też połączeni ze sobą nawzajem, uśredniony po wszystkich wierzchołkach, dając jedną liczbę opisującą lokalną spójność.
Jak wyznaczane jest rozmieszczenie na ekranie?
Algorytm skierowany siłami traktuje wierzchołki jak naładowane cząstki, które się odpychają, a krawędzie działają jak sprężyny ściągające połączone wierzchołki do długości spoczynkowej około 60 pikseli. Słaba grawitacja centralna utrzymuje wszystko na ekranie, a prędkości są tłumione w każdej klatce dla stabilności. Możesz przeciągnąć dowolny wierzchołek, a zatrzymanie układu wstrzymuje te siły.
Czy symulacja jest fizycznie i matematycznie dokładna?
Generatory podążają za podręcznikowymi definicjami każdego modelu, więc wyłaniające się zachowanie — przejście fazowe Erdősa-Rényiego, huby Barabásiego-Alberta i reżim małego świata Wattsa-Strogatza — jest wiernie odtwarzane. Przy maksymalnie 120 wierzchołkach statystyki wahają się między uruchomieniami, a układ jest pomocą wizualną, a nie dokładnym osadzeniem, więc traktuj liczby jako ilustrację matematyki, a nie precyzyjne pomiary.
Gdzie te modele mają zastosowanie w świecie rzeczywistym?
Struktury bezskalowe opisują sieć WWW, sieci cytowań i interakcji białek; struktury małego świata pojawiają się w sieciach społecznych, okablowaniu neuronowym i sieciach energetycznych; grafy losowe służą jako punkt odniesienia do porównań. Zrozumienie, który model przypomina dany rzeczywisty system, pomaga przewidzieć jego odporność na awarie, podatność na ataki celowane w huby oraz szybkość, z jaką informacja lub choroba może się w nim rozprzestrzeniać.