-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathGraphClastering.html
More file actions
3239 lines (2924 loc) · 177 KB
/
GraphClastering.html
File metadata and controls
3239 lines (2924 loc) · 177 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
<!DOCTYPE html>
<html lang="uk">
<head>
<meta charset="UTF-8">
<title>симулятор алгоритмів кластеризації графів</title>
<script src="https://d3js.org/d3.v7.min.js"></script>
<script src="https://cdnjs.cloudflare.com/ajax/libs/mathjs/11.8.0/math.min.js"></script>
<script>
window.MathJax = {
tex: {
inlineMath: [['$', '$'], ['\\(', '\\)']],
displayMath: [['$$', '$$'], ['\\[', '\\]']]
}
};
</script>
<script id="MathJax-script" async src="https://cdn.jsdelivr.net/npm/mathjax@3/es5/tex-mml-chtml.js"></script>
<style>
body {
font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, Oxygen, Ubuntu, Cantarell, 'Open Sans', 'Helvetica Neue', sans-serif;
display: flex;
justify-content: center;
padding: 20px;
background-color: #f4f7f9;
}
#main-container {
width: 100%;
max-width: 1200px;
padding: 20px;
border: 2px solid #ccc;
border-radius: 8px;
background-color: white;
display: flex;
flex-direction: column;
gap: 25px;
}
#algorithm-selector {
display: flex;
gap: 10px;
margin-bottom: 20px;
}
#algorithm-selector button {
padding: 10px 15px;
font-size: 14px;
cursor: pointer;
border: none;
border-radius: 5px;
background-color: #6c757d;
color: white;
transition: background-color 0.2s;
}
#algorithm-selector button.active {
background-color: #007bff;
}
#algorithm-selector button:hover {
background-color: #0056b3;
}
.algorithm-section {
display: none;
}
.algorithm-section.active {
display: block;
}
.graph-container, .supergraph-container, .histogram-container, .dendrogram-container {
border: 2px solid #eee;
border-radius: 8px;
background-color: #fdfdfd;
position: relative;
touch-action: none;
width: 100%;
overflow: hidden;
}
.graph-svg, .supergraph-svg, .histogram-svg, .dendrogram-svg {
display: block;
width: 100%;
}
.graph-svg, .supergraph-svg, .dendrogram-svg { height: 450px; }
.histogram-svg { height: 200px; }
.graph-svg { cursor: default; }
.supergraph-svg, .dendrogram-svg { cursor: move; }
.controls, .presets {
padding: 10px 0;
display: flex;
flex-wrap: wrap;
gap: 15px;
align-items: center;
}
.controls button, .presets button, .restart-supergraph-btn {
padding: 10px 15px;
font-size: 14px;
cursor: pointer;
border: none;
border-radius: 5px;
background-color: #007bff;
color: white;
transition: background-color 0.2s;
}
.walkerButton { background-color: #4CAF50; }
.walkerButton.active { background-color: #f44336; }
.walkerButton:hover:not(.active) { background-color: #45a049; }
.walkerButton:hover.active { background-color: #da190b; }
.restart-supergraph-btn {
font-size: 12px;
padding: 5px 10px;
background-color: #6c757d;
margin-left: auto;
}
.presets button { background-color: #6c757d; }
.controls button:hover:not(:disabled) { background-color: #0056b3; }
.presets button:hover, .restart-supergraph-btn:hover { background-color: #5a6268; }
.controls button:disabled { background-color: #9fa8da; cursor: not-allowed; }
.step {
margin-top: 20px;
opacity: 0.7;
transition: opacity 0.5s;
border-left: 3px solid #eee;
padding-left: 15px;
}
.step.active { opacity: 1; border-left: 3px solid #007bff; }
h2, h3, h4 {
color: #333;
border-bottom: 2px solid #eee;
padding-bottom: 5px;
}
.section-header {
display: flex;
align-items: center;
}
pre {
background-color: #eef2f5;
padding: 10px;
border-radius: 4px;
white-space: pre-wrap;
font-family: 'Courier New', Courier, monospace;
font-size: 13px;
line-height: 1.5;
}
details {
margin-top: 20px;
border: 1px solid #ddd;
border-radius: 5px;
padding: 10px;
}
summary {
font-weight: bold;
cursor: pointer;
color: #007bff;
}
.slider-container { display: flex; align-items: center; gap: 10px; }
.highlighted circle {
stroke: #FFEB3B !important;
stroke-width: 5px !important;
}
.codelength-output, .modularity-output {
font-weight: bold;
color: #333;
background-color: #f0f0f0;
padding: 5px 10px;
border-radius: 4px;
}
#spectral-graph-container {
border: 2px solid #ccc;
border-radius: 8px;
padding: 10px;
background-color: white;
}
#spectral-animation-container {
margin-top: 15px;
border-top: 2px solid #eee;
padding-top: 15px;
}
#spectral-graphCanvas {
cursor: pointer;
background-color: #fdfdfd;
border-radius: 4px;
position: relative;
}
.center-of-mass {
position: absolute;
width: 20px;
height: 20px;
border-radius: 3px;
opacity: 0.6;
transform: translate(-50%, -50%);
}
#spectral-controls, #spectral-presets, #spectral-settings, #spectral-animation-controls {
padding: 5px 0;
display: flex;
flex-wrap: wrap;
gap: 10px;
align-items: center;
}
#spectral-presets button, #spectral-controls button, .kMeansControls button {
padding: 10px 15px;
font-size: 14px;
cursor: pointer;
border: none;
border-radius: 5px;
background-color: #007bff;
color: white;
transition: background-color 0.2s;
}
.kMeansControls button { background-color: #28a745; }
#spectral-presets button { background-color: #6c757d; }
#spectral-presets button:hover { background-color: #5a6268; }
#spectral-controls button:disabled, .kMeansControls button:disabled { background-color: #a0a0a0; cursor: not-allowed; }
#spectral-controls button:hover:not(:disabled) { background-color: #0056b3; }
.kMeansControls button:hover:not(:disabled) { background-color: #218838; }
#spectral-explanation-container {
flex-grow: 1;
padding: 20px;
border: 2px solid #ccc;
border-radius: 8px;
background-color: white;
}
#equalizer-container {
display: flex;
gap: 15px;
margin-top: 10px;
align-items: center;
}
.slider-group {
display: flex;
flex-direction: column;
align-items: center;
font-size: 12px;
}
#spectral-force-sliders {
display: none;
grid-template-columns: auto 1fr 50px;
gap: 8px 15px;
align-items: center;
margin-top: 15px;
padding: 10px;
border: 1px solid #ddd;
border-radius: 5px;
background-color: #f9f9f9;
}
#louvain-controls button {
background-color: #3f51b5;
}
#louvain-controls button:hover:not(:disabled) {
background-color: #303f9f;
}
#infomap-controls button {
background-color: #D65F49;
}
#infomap-controls button:hover:not(:disabled) {
background-color: #B54A36;
}
#edge-controls button {
background-color: #007bff;
}
#slider-container {
width: 100%;
display: flex;
align-items: center;
gap: 15px;
margin-top: 10px;
padding: 10px 0;
}
#graph-options {
padding: 5px 0;
}
.theory-content {
line-height: 1.6;
}
.theory-content ul {
padding-left: 20px;
}
</style>
</head>
<body>
<div id="main-container">
<h2>Cимулятор алгоритмів кластеризації графів</h2>
<div id="algorithm-selector">
<button id="select-infomap" class="active">Infomap</button>
<button id="select-spectral">Спектральна</button>
<button id="select-edge">Кластеризація ребер</button>
<button id="select-louvain">Louvain</button>
</div>
<!-- Infomap Section -->
<div id="infomap-section" class="algorithm-section active">
<h2> Алгоритм Infomap</h2>
<div class="graph-container">
<svg id="infomap-graph-svg" class="graph-svg"></svg>
</div>
<div class="presets">
<span>Пресети:</span>
<button id="infomap-preset-complex" title="Цікавий тест: три кліки (4, 6 та 5 вершин) зі змішаними зв'язками між ними.">Три кліки з мостами</button>
<button id="infomap-preset-karate" title="Класичний набір даних, що відображає соціальні зв'язки в карате-клубі.">Карате-клуб</button>
<button id="infomap-preset-ba" title="Генерує зв'язний граф з 'хабами' за моделлю Барабаші-Альберт.">Граф з хабами (BA)</button>
<button id="infomap-preset-random" title="Генерує випадковий зв'язний граф.">Випадковий</button>
</div>
<div id="infomap-controls" class="controls">
<button id="infomap-startButton">Запустити/Оновити</button>
<button id="infomap-walkerButton" class="walkerButton">Запустити мандрівника</button>
<button id="infomap-resetButton">Скинути</button>
<div>
<input type="checkbox" id="infomap-directed-checkbox" />
<label for="infomap-directed-checkbox">Орієнтований граф</label>
</div>
<div class="slider-container">
<label for="infomap-teleport-slider">P(Телепортації):</label>
<input type="range" id="infomap-teleport-slider" min="0" max="1" step="0.01" value="0.15">
<span id="infomap-teleport-value">0.15</span>
</div>
<div class="slider-container">
<label for="infomap-speed-slider">Швидкість:</label>
<input type="range" id="infomap-speed-slider" min="1" max="50" step="1" value="10">
<span id="infomap-speed-value">10x</span>
</div>
<span id="infomap-codelength-output" class="codelength-output"></span>
</div>
<details>
<summary>Інструменти та гарячі клавіші</summary>
<ul>
<li><b>Додати вершину:</b> Двічі клікніть на вільному місці.</li>
<li><b>З'єднати вершини:</b> Клікніть на першу вершину, потім на другу.</li>
<li><b>Видалити ребро/дугу:</b> Двічі клікніть по ньому/ній.</li>
<li><b>Видалити вершину:</b> Виділіть її кліком і натисніть <b>Delete</b>.</li>
<li><b>Виділити кілька вершин:</b> Утримуйте <b>Shift</b> і клікайте на вершини.</li>
<li><b>Створити кліку:</b> Виділіть кілька вершин і натисніть клавішу <b>C</b>.</li>
<li><b>Перемістити вершину:</b> Перетягніть її мишею.</li>
</ul>
</details>
<div id="infomap-histogram-container" class="step">
<h4>Гістограма переходів мандрівника</h4>
<svg id="infomap-histogram-svg" class="histogram-svg"></svg>
</div>
<div id="infomap-supergraph-container" class="step">
<div class="section-header">
<h4>Карта спільнот (Супер-граф)</h4>
<button id="infomap-restart-supergraph-btn" class="restart-supergraph-btn">Перезапустити розкладку</button>
</div>
<svg id="infomap-supergraph-svg" class="supergraph-svg"></svg>
</div>
<details class="step" id="infomap-results-spoiler">
<summary>Результати розрахунків</summary>
<pre id="infomap-node-communities-output"></pre>
</details>
<details class="step active" id="infomap-theory-section">
<summary>Теоретична довідка</summary>
<div style="line-height: 1.8; margin-top: 15px;">
<p>
Алгоритм Infomap призначений для виявлення спільнот у складних мережах шляхом мінімізації інформаційної довжини опису випадкових блукань по графу. В основі методу лежить ідея, що оптимальним є таке розбиття на модулі (спільноти), яке дозволяє максимально стиснути опис траєкторії випадкового мандрівника.
</p>
<h4>Крок 1: Моделювання потоку інформації та стаціонарний розподіл</h4>
<p>
Першим кроком є моделювання динаміки потоку в мережі. Це досягається за допомогою випадкових блукань, де мандрівник переміщується від вершини до вершини через існуючі зв'язки. Для будь-якого графа (включаючи орієнтовані та незв'язні) можна розрахувати стаціонарний розподіл відвідувань вершин, відомий як PageRank. Цей розподіл, позначимо його як $\vec{\pi}$, являє собою вектор, де кожен елемент $\pi_i$ відповідає довгостроковій ймовірності знаходження мандрівника у вершині $i$.
</p>
<p>
Для боротьби з "тупиками" (вершинами без вихідних зв'язків) та "пастками" (ізольованими циклами) вводиться параметр демпфінгу $\alpha$ (ймовірність телепортації). З імовірністю $1-\alpha$ мандрівник слідує за зв'язком, а з імовірністю $\alpha$ — "телепортується" до випадкової вершини графа. Це гарантує ергодичність процесу та існування унікального стаціонарного розподілу.
</p>
<h4>Крок 2: Картографічне рівняння (The Map Equation)</h4>
<p>
Картографічне рівняння є цільовою функцією, яку Infomap прагне мінімізувати. Воно вимірює середню довжину кодового слова, необхідного для опису одного кроку випадкового мандрівника, для заданого розбиття мережі $M$ на $m$ модулів.
</p>
$$L(M) = q_{\curvearrowright} H(\mathcal{Q}) + \sum_{i=1}^{m} p_{\circlearrowright}^{i} H(\mathcal{P}^i)$$
<p>де:</p>
<ul>
<li>$L(M)$ — середня довжина опису для розбиття $M$.</li>
<li>$q_{\curvearrowright}$ — ймовірність того, що мандрівник покине будь-яку спільноту. Це сума ймовірностей переходу між усіма парами спільнот.</li>
<li>$H(\mathcal{Q})$ — ентропія рухів <b>між</b> спільнотами. Вона вимірює невизначеність вибору наступної спільноти, коли мандрівник покинув поточну.</li>
<li>$p_{\circlearrowright}^{i}$ — ймовірність того, що мандрівник здійснить крок, який починається <b>всередині</b> спільноти $i$ (включаючи як внутрішні переходи, так і виходи з неї).</li>
<li>$H(\mathcal{P}^i)$ — ентропія рухів, що починаються всередині спільноти $i$.</li>
</ul>
<p>
Ентропія $H$ розраховується за формулою Шеннона: $H = -\sum_k p_k \log_2 p_k$. Перший доданок рівняння, $q_{\curvearrowright} H(\mathcal{Q})$, кодує переміщення на "макрорівні" (між містами на карті), а другий, $\sum p_{\circlearrowright}^{i} H(\mathcal{P}^i)$, — на "мікрорівні" (всередині міст).
</p>
<h4>Крок 3: Процедура оптимізації</h4>
<p>
Мінімізація $L(M)$ є NP-складною задачею, тому використовується евристичний підхід, що складається з двох фаз:
</p>
<ol>
<li><b>Локальне переміщення вершин</b>:
<br>а. На початку кожна вершина є окремою спільнотою.
<br>б. Вершини по черзі розглядаються для переміщення до спільнот їхніх сусідів.
<br>в. Для кожної потенційної спільноти розраховується зміна (дельта) в значенні $L(M)$.
<br>г. Вершина переміщується до тієї спільноти, яка забезпечує найбільше зменшення $L(M)$.
<br>д. Цей процес повторюється для всіх вершин і триває доти, доки жодне переміщення не призводить до зменшення $L(M)$.
</li>
<li style="margin-top:10px;"><b>Агрегація мережі</b>:
<br>а. Спільноти, знайдені на першому етапі, "стискаються" в нові, "супер-вершини".
<br>б. Створюється новий, агрегований граф, де ваги ребер між супер-вершинами дорівнюють сумарній ймовірності переходу між відповідними спільнотами.
<br>в. Процес локального переміщення (Крок 3.1) повторюється для цього нового графа.
</li>
</ol>
<p>
Ці дві фази повторюються ітеративно. Алгоритм зупиняється, коли жодні подальші зміни (ні переміщення вершин, ні агрегація) не можуть зменшити загальне значення $L(M)$.
</p>
</div>
</details>
</div>
<!-- Spectral Clustering Section -->
<div id="spectral-section" class="algorithm-section">
<h2> Спектральна Кластеризація</h2>
<div id="spectral-graph-container">
<div id="spectral-settings">
<label for="spectral-vertexCountSelect">Кількіть вершин:</label>
<select id="spectral-vertexCountSelect">
<option value="6">6</option><option value="7">7</option><option value="8">8</option><option value="10">10</option><option value="20" selected>20</option>
</select>
<label for="spectral-clusterCountSelect">Кількість кластерів:</label>
<select id="spectral-clusterCountSelect">
<option value="2">2</option><option value="3" selected>3</option>
</select>
<input type="checkbox" id="spectral-useEdgeWeightsCheckbox" >
<label for="spectral-useEdgeWeightsCheckbox">Враховувати вагу ребер</label>
</div>
<div id="spectral-presets">
<span>Пресети:</span>
<button id="spectral-preset-bipartite">"Карате-клуб"</button>
<button id="spectral-preset-bridge">Міст</button>
<button id="spectral-preset-3-clusters">3 Кластери (3-3-4)</button>
<button id="spectral-preset-random">Випадковий (Барабаши)</button>
</div>
<p id="spectral-instruction">Клікніть на полотні, щоб поставити 10 вершин.</p>
<div style="position: relative;">
<canvas id="spectral-graphCanvas" width="800" height="400"></canvas>
<div id="spectral-centerOfMassContainer"></div>
</div>
<div id="spectral-controls">
<button id="spectral-startButton" disabled>Запуск кластеризації</button>
<button id="spectral-spreadClustersButton" disabled>Розсунути кластери</button>
<button id="spectral-resetButton">Скинути</button>
</div>
<div id="spectral-force-sliders">
<label for="spectral-attraction-slider">Жорсткість всередині кластера:</label>
<input type="range" id="spectral-attraction-slider" min="0" max="1000" value="500" step="50">
<span id="spectral-attraction-value">0.50</span>
<label for="spectral-repulsion-slider">Відштовхування між кластерами:</label>
<input type="range" id="spectral-repulsion-slider" min="0" max="100" value="50" step="1">
<span id="spectral-repulsion-value">5.0</span>
<label for="spectral-intra-cluster-repulsion-slider">Відштовхування всередині кластера:</label>
<input type="range" id="spectral-intra-cluster-repulsion-slider" min="0" max="10000" value="1000" step="20">
<span id="spectral-intra-cluster-repulsion-value">20.0</span>
</div>
<details>
<summary>Підказки та гарячі клавіші</summary>
<div>
<ul>
<li><b>Додати вершину:</b> Клікніть на вільному місці (в режимі розміщення).</li>
<li><b>З'єднати вершини:</b> Клікніть на першу вершину (вона виділиться), потім на другу.</li>
<li><b>Видалити ребро:</b> Двічі клікніть по ребру.</li>
<li><b>Перемістити вершину:</b> Затисніть <b>Ctrl</b> і перетягніть вершину мишею.</li>
<li><b>Створити повний підграф (кліку):</b> Затисніть <b>Shift</b>, клікніть по кількох вершинах, щоб їх обрати, а потім відпустіть <b>Shift</b>. Усі обрані вершини з'єднаються між собою.</li>
<li><b>Скасувати виділення:</b> Клікніть на вільному місці.</li>
</ul>
</div>
</details>
<div id="spectral-animation-container" style="display: none;">
<h4>Анімація: Модель "Ребра-пружини"</h4>
<div id="spectral-animation-controls">
<label for="spectral-animationModeSelect">Мод коливань:</label>
<select id="spectral-animationModeSelect">
<option value="-1">Вимкнено</option>
<option value="0">Мод 1 (λ₁ ≈ 0, рух цілого)</option>
<option value="1">Мод 2 (λ₂, поділ по X)</option>
<option value="2">Мод 3 (λ₃, поділ по Y)</option>
<option value="3">Комбінація (λ₁ + λ₂ + λ₃)</option>
</select>
<button id="spectral-toggleAnimationButton" disabled>Запустити анімацію</button>
</div>
<div id="spectral-equalizer-container" style="display: none;">
<div class="slider-group">
<label for="spectral-amp-slider-0">Амплітуда λ₁</label>
<input type="range" min="0" max="100" value="50" id="spectral-amp-slider-0">
</div>
<div class="slider-group">
<label for="spectral-amp-slider-1">Амплітуда λ₂</label>
<input type="range" min="0" max="100" value="75" id="spectral-amp-slider-1">
</div>
<div class="slider-group">
<label for="spectral-amp-slider-2">Амплітуда λ₃</label>
<input type="range" min="0" max="100" value="75" id="spectral-amp-slider-2">
</div>
</div>
</div>
<details>
<summary>Теоретичні відомості</summary>
<div>
<h4>Що таке спектральна кластеризація?</h4>
<p>Це метод, який дозволяє розділяти дані (вершини графа) на групи (кластери) на основі їх зв'язності. На відміну від k-means, який шукає компактні сферичні кластери, спектральний метод може знаходити кластери складної форми. Він використовує "спектр" (власні значення) матриці графа для перетворення вершин у простір меншої розмірності, де їх легче розділити.</p>
<h4>1. Матриця Кірхгофа (Лапласіан)</h4>
<p>В основі методу лежить лапласіан графа $L$, який обчислюється за формулою: $$L = D - W$$ Де: <ul><li>$W$ — <b>матриця суміжності</b>. Якщо вага ребер не враховується, $W_{ij} = 1$, якщо між вершинами $i$ та $j$ є ребро. Якщо вага враховується, $W_{ij}$ — це міра схожості (напр., обернена до відстані).</li><li>$D$ — <b>діагональна матриця степенів</b>. $D_{ii}$ дорівнює сумі ваг усіх ребер, що виходять з вершини $i$.</li></ul></p>
<h4>2. Спектральний розклад</h4>
<p>Наступний крок — знаходження власних значень $\lambda$ та власних векторів $v$ для матриці $L$, що задовольняють рівняння: $$Lv = \lambda v$$ Власні значення, відсортовані по зростанню ($\lambda_1 \le \lambda_2 \le ...$), та відповідні їм вектори утворюють спектр графа.</p>
<h4>3. Вектор Фідлера та ембединг</h4>
<p>Ключову роль відіграє другий найменший власний вектор $v_2$, відомий як <b>вектор Фідлера</b>. Компоненти цього вектора "розтягують" вершини графа вздовж осі таким чином, що тісно пов'язані вершини опиняються поруч. <ul><li><b>Для 2 кластерів:</b> кожній вершині $i$ ставиться у відповідність координата $v_2(i)$. Виходить 1D-простір.</li><li><b>Для 3 кластерів:</b> використовуються два вектори, $v_2$ та $v_3$. Вершина $i$ отримує координати $(v_2(i), v_3(i))$ на 2D-площині.</li></ul></p>
<h4>4. Застосування K-Means</h4>
<p>Після перетворення вершин у новий простір (1D або 2D), до цих нових координат застосовується стандартний алгоритм k-means для фінального розділення на кластери. Для підвищення надійності використовується <b>багаторазовий запуск</b>: алгоритм запускається кілька разів з різними випадковими початковими центрами, і обирається результат з найменшою сумою квадратів відстані до центрів кластерів.</p>
</div>
</details>
</div>
<div id="spectral-explanation-container">
<h2>Кроки Алгоритму</h2>
<div id="spectral-step1" class="step">
<h4>Крок 1: Побудова матриць</h4>
<p>На основі графа будуємо матрицю суміжності <b>W</b> (з урахуванням ваги ребер, якщо опція активна), діагональну матрицю степенів <b>D</b> та обчислюємо кінцеву матрицю.</p>
<b>Матриця Кірхгофа (Лапласіан Графа, L = D - W):</b><pre id="spectral-laplacianMatrix"></pre>
</div>
<div id="spectral-step2" class="step">
<h4>Крок 2: Спектральний розклад</h4>
<p>Знаходимо власні значення та вектори матриці Кірхгофа. Для кластеризації на <b>k</b> груп використовуються вектори $v_2 ... v_{k+1}$.</p>
<b>Власні значення (λ) та вектори (v):</b><pre id="spectral-eigenData"></pre>
</div>
<div id="spectral-step3" class="step">
<h4>Крок 3: Кластеризація методом K-means</h4>
<p id="spectral-kmeans-explanation"></p>
<div id="spectral-kMeansContainer" style="display: none;">
<canvas id="spectral-kMeansCanvas" width="500" height="300"></canvas>
<div class="kMeansControls" style="display: flex; gap: 10px; margin-top: 5px;">
<button id="spectral-kMeansStepButton">Крок</button>
<button id="spectral-kMeansRunOptimizedButton">Запустити Оптимізацію (x20)</button>
<button id="spectral-kMeansManualCentroidsButton">Задати центроїди вручну</button>
</div><p id="spectral-kMeansStatus"></p>
</div>
</div>
</div>
</div>
<!-- Edge Clustering Section -->
<div id="edge-section" class="algorithm-section">
<h2>Кластеризація ребер Louvain для спільнот, що перекриваються</h2>
<div class="graph-container">
<svg id="edge-graph-svg" class="graph-svg"></svg>
</div>
<div id="slider-container">
<label for="edge-threshold-slider">Поріг схожості:</label>
<input type="range" id="edge-threshold-slider" min="0" max="1" step="0.01" value="0.2">
<span id="edge-threshold-value">0.20</span>
</div>
<div id="graph-options">
<input type="checkbox" id="edge-show-edge-labels-checkbox">
<label for="edge-show-edge-labels-checkbox">Показувати номери ребер</label>
</div>
<div class="presets">
<span>Пресети:</span>
<button id="edge-preset-karate" title="Класичний набір даних, що відображає соціальні зв'язки в карате-клубі. Конфлікт між адміністратором та інструктором призвів до розколу клубу на дві фракції. Алгоритм намагається передбачити цей розкол. Детальніше: https://en.wikipedia.org/wiki/Zachary%27s_karate_club">Karate Club</button>
<button id="edge-preset-bridge">Граф з hubs (BA)</button>
<button id="edge-preset-overlap">Явне перекриття</button>
<button id="edge-preset-random">Випадковий</button>
</div>
<div id="edge-controls" class="controls">
<button id="edge-startButton">Запустити алгоритм</button>
<button id="edge-resetButton">Скинути</button>
</div>
<details>
<summary>Підказки та гарячі клавіші</summary>
<ul>
<li><b>Додати вершину:</b> Двічі клікніть на вільному місці.</li>
<li><b>З'єднати вершини:</b> Клікніть на першу вершину (вона виділиться), потім на другу.</li>
<li><b>Видалити ребро:</b> Двічі клікніть по ребру.</li>
<li><b>Видалити вершину:</b> Виділіть її кліком і натисніть <b>Delete</b>.</li>
<li><b>Створити повний підграф (кліку):</b> Затисніть <b>Shift</b> і клікайте по вершинах, або робіть <b>довгий тап</b> на сенсорному екрані. Коли виділено кілька вершин, відпустіть <b>Shift</b>.</li>
<li><b>Перемістити вершину:</b> Перетягніть її мишею.</li>
</ul>
</details>
<div id="edge-dendrogram-container" class="step">
<h4>Ієрархія спільнот (дендрограма)</h4>
<svg id="edge-dendrogram-svg" class="dendrogram-svg"></svg>
</div>
<div id="edge-supergraph-container" class="step">
<div class="section-header">
<h4>Супер-граф спільнот</h4>
<button id="edge-restart-supergraph-btn" class="restart-supergraph-btn">Перезапустити розкладку</button>
</div>
<svg id="edge-supergraph-svg" class="supergraph-svg"></svg>
</div>
<details class="step" id="edge-results-spoiler">
<summary>Результати розрахунків</summary>
<pre id="edge-edge-communities-output"></pre>
<pre id="edge-node-communities-output"></pre>
</details>
<div class="step active" id="edge-theory-section">
<div class="theory-content">
<h3>Теоретична довідка</h3>
<h4>Ієрархічна кластеризація мереж на основі зв'язків</h4>
<p>Виявлення спільнот — одна з ключових задач аналізу мереж. Спільнота (або кластер) — це група вершин, які щільно пов'язані між собою, але мають слабкі зв'язки з рештою мережі. Класичні алгоритми часто змушують кожну вершину належати лише до однієї спільноти, що нереалістично для багатьох систем. Наприклад, людина в соціальній мережі може одночасно бути частиною родини, робочого колективу та спортивної команди.</p>
<h4>Підхід: Ієрархічна кластеризація ребер</h4>
<p>Цей симулятор демонструє метод, що дозволяє знаходити <b>спільноти, які перекриваються</b>. Основна ідея полягає в тому, щоб кластеризувати не вершини, а <b>ребра</b> (зв'язки). Спільнота розглядається як набір щільно пов'язаних ребер. Такий підхід природно дозволяє вершинам, що з'єднують ці ребра, належати до кількох спільнот одночасно.</p>
<h4>Процес кластеризації</h4>
<ol>
<li>
<b>Схожість ребер (Індекс Жаккара):</b>
<p>Щоб згрупувати ребра, нам потрібна міра їхньої схожості. Для будь-якої пари ребер $(e_1, e_2)$, що мають спільну вершину, ми обчислюємо схожість їхніх "крайніх" вершин $u$ та $v$ за формулою індексу Жаккара:</p>
<p>$J(e_1, e_2) = \frac{|(N(u) \cup \{u\}) \cap (N(v) \cup \{v\})|}{|(N(u) \cup \{u\}) \cup (N(v) \cup \{v\})|}$</p>
<ul>
<li>$u$ та $v$ — це вершини ребер $e_1$ та $e_2$, що не є спільними.</li>
<li>$N(x)$ — множина всіх сусідів вершини $x$.</li>
<li>Формула, по суті, відповідає на питання: "Наскільки сильно перетинаються оточення вершин $u$ та $v$?" Високе значення (близько 1) означає, що ребра $e_1$ та $e_2$ є частиною однієї щільної структури.</li>
</ul>
</li>
<li>
<b>Ієрархічна кластеризація:</b>
<p>Маючи матрицю схожості всіх ребер, ми будуємо ієрархію. Процес починається з того, що кожне ребро є окремою мікро-спільнотою. Далі на кожному кроці дві найближчі (найбільш схожі) спільноти об'єднуються в одну більшу. Цей процес триває, доки всі ребра не опиняться в одній глобальній спільноті. Весь цей ієрархічний процес візуалізується за допомогою <b>дендрограми</b>.</p>
</li>
<li>
<b>Виділення спільнот:</b>
<p>Повзунок "Поріг схожості" дозволяє "зрізати" дендрограму на певному рівні. Усі гілки, що були об'єднані при схожості, вищій за цей поріг, вважаються однією спільнотою. Це дозволяє досліджувати структуру спільнот на різних рівнях деталізації.</p>
</li>
<li>
<b>Від ребер до вершин:</b>
<p>Фінальний крок — визначення приналежності вершин. Правило просте: вершина належить до всіх спільнот, до яких належать її ребра. Саме це і створює ефект перекриття.</p>
</li>
</ol>
<h4>Переваги та порівняння з іншими методами</h4>
<ul>
<li><b>Класичний Louvain (для вершин):</b> Дуже швидкий та популярний метод, але він знаходить лише спільноти, що не перекриваються, оптимізуючи метрику "модулярності".</li>
<li><b>Спектральна кластеризація:</b> Добре працює для графів з чітко вираженими кластерами, але також не знаходить перекриття і є обчислювально складною.</li>
</ul>
<p><b>Ключові переваги методу кластеризації ребер:</b></p>
<ul>
<li>✅ <b>Знаходить спільноти, що перекриваються</b>, що є більш реалістичною моделлю для багатьох мереж.</li>
<li>🌳 <b>Надає ієрархічну структуру</b>, дозволяючи бачити, як спільноти вкладені одна в одну.</li>
<li>🔢 <b>Не вимагає знати кількість спільнот наперед</b> — вона визначається автоматично на основі даних та обраного порогу.</li>
</ul>
<p>Метод був запропонований у статті: Ahn, Y. Y., Bagrow, J. P., & Lehmann, S. (2010). <a href="https://www.nature.com/articles/nature09182" target="_blank">Link communities reveal multiscale complexity in networks</a>. <i>Nature</i>, 466(7307), 761-764.</p>
</div>
</div>
</div>
<!-- Louvain Section -->
<div id="louvain-section" class="algorithm-section">
<h2> Алгоритм Louvain</h2>
<div class="graph-container">
<svg id="louvain-graph-svg" class="graph-svg"></svg>
</div>
<div class="presets">
<span>Пресети:</span>
<button id="louvain-preset-complex" title="Цікавий тест: три кліки (4, 6 та 5 вершин) зі змішаними зв'язками між ними.">Три кліки з мостами</button>
<button id="louvain-preset-karate" title="Класичний набір даних, що відображає соціальні зв'язки в карате-клубі.">Карате-клуб</button>
<button id="louvain-preset-ba" title="Генерує зв'язний граф з 'хабами' за моделлю Барабаші-Альберт.">Граф з хабами (BA)</button>
<button id="louvain-preset-random" title="Генерує випадковий зв'язний граф.">Випадковий</button>
</div>
<div id="louvain-controls" class="controls">
<button id="louvain-startButton">Почати з початку</button>
<button id="louvain-nextButton" disabled>Наступний прохід</button>
<button id="louvain-resetButton">Скинути</button>
<span id="louvain-modularity-output" class="modularity-output"></span>
</div>
<details>
<summary>Інструменти та гарячі клавіші</summary>
<ul>
<li><b>Додати вершину:</b> Двічі клікніть на вільному місці.</li>
<li><b>З'єднати вершини:</b> Клікніть на першу вершину, потім на другу.</li>
<li><b>Видалити ребро:</b> Двічі клікніть по ньому.</li>
<li><b>Видалити вершину:</b> Виділіть її кліком і натисніть <b>Delete</b>.</li>
<li><b>Перемістити вершину:</b> Перетягніть її мишею.</li>
</ul>
</details>
<div id="louvain-supergraph-container" class="step">
<div class="section-header">
<h4>Карта спільнот (Супер-граф)</h4>
<button id="louvain-restart-supergraph-btn" class="restart-supergraph-btn">Перезапустити розкладку</button>
</div>
<svg id="louvain-supergraph-svg" class="supergraph-svg"></svg>
</div>
<details class="step" id="louvain-results-spoiler">
<summary>Результати розрахунків</summary>
<pre id="louvain-node-communities-output"></pre>
</details>
<details class="step active" id="louvain-theory-section">
<summary>Теоретична довідка</summary>
<div style="line-height: 1.8; margin-top: 15px;">
<p>
<b>Метод Louvain</b> — це ієрархічний агломеративний алгоритм для виявлення спільнот у великих мережах. Його основна ідея полягає в жадібній оптимізації метрики, що називається **модулярністю**.
</p>
<h4>Ключова метрика: Модулярність (Q)</h4>
<p>
Модулярність вимірює якість розбиття графа на спільноти. Високе значення модулярності вказує на те, що всередині спільнот зв'язків значно більше, ніж можна було б очікувати випадково.
</p>
$$Q = \frac{1}{2m} \sum_{i,j} \left[ A_{ij} - \frac{k_i k_j}{2m} \right] \delta(c_i, c_j)$$
<p>де $m$ — к-сть ребер, $A_{ij}$ — матриця суміжності, $k_i$ — степінь вершини $i$, $c_i$ — спільнота вершини $i$, а $\delta$ — функція-індикатор.</p>
<h4>Процедура оптимізації</h4>
<p>
Алгоритм працює ітеративно ("проходами"), кожен з яких складається з двох фаз.
</p>
<ol>
<li><b>Фаза 1: Оптимізація модулярності</b>
<br>Для кожної вершини алгоритм оцінює приріст модулярності ($\Delta Q$) від її переміщення до спільноти кожного з її сусідів. Вершина переміщується туди, де приріст максимальний. Цей процес повторюється для всіх вершин доти, доки жодне переміщення не збільшує $Q$.
</li>
<li style="margin-top:10px;"><b>Фаза 2: Агрегація мережі</b>
<br>Спільноти, знайдені на першому етапі, "стискаються" в нові, "супер-вершини". Створюється новий граф, де ці супер-вершини є вузлами.
</li>
</ol>
<p>
Після цього алгоритм повертається до Фази 1, але вже на новому, агрегованому графі. Кожне натискання кнопки "Наступний прохід" запускає цей двофазний цикл.
</p>
</div>
</details>
</div>
</div>
<script>
// ================================================
// ALGORITHM SELECTION
// ================================================
document.getElementById('select-infomap').addEventListener('click', () => switchAlgorithm('infomap'));
document.getElementById('select-spectral').addEventListener('click', () => switchAlgorithm('spectral'));
document.getElementById('select-edge').addEventListener('click', () => switchAlgorithm('edge'));
document.getElementById('select-louvain').addEventListener('click', () => switchAlgorithm('louvain'));
function switchAlgorithm(algorithm) {
// Update active button
document.querySelectorAll('#algorithm-selector button').forEach(btn => btn.classList.remove('active'));
document.getElementById(`select-${algorithm}`).classList.add('active');
// Show active section
document.querySelectorAll('.algorithm-section').forEach(section => section.classList.remove('active'));
document.getElementById(`${algorithm}-section`).classList.add('active');
}
// ================================================
// INFOMAP ALGORITHM IMPLEMENTATION
// ================================================
// --- CORE DATA STRUCTURES AND STATE ---
let infomap_nodes = [], infomap_links = [];
let infomap_selectedNodes = new Set();
let infomap_nodeCommunities = new Map();
let infomap_isDirected = false;
let infomap_teleportProb = 0.15;
let infomap_walkerSpeedMultiplier = 10;
const infomap_customColors = ["#4E79A7","#F28E2C","#E15759","#76B7B2","#59A14F","#EDC949","#AF7AA1","#FF9DA7","#9C755F","#BAB0AB"];
const infomap_colors = d3.scaleOrdinal(infomap_customColors);
let infomap_simulation, infomap_svg, infomap_linkGroup, infomap_nodeGroup, infomap_walkerLayer, infomap_linkHitAreaGroup;
let infomap_svgWidth, infomap_svgHeight;
let infomap_superSim;
let infomap_walkerActive = false;
let infomap_walkerTimeout;
let infomap_walkerElement = null;
let infomap_walkerCurrentNodeId = null;
let infomap_transitionCounts = {};
// --- D3 SETUP AND DRAWING ---
function infomap_setupSVG() {
infomap_svg = d3.select("#infomap-graph-svg");
const containerWidth = infomap_svg.node().getBoundingClientRect().width;
infomap_svgHeight = 450;
infomap_svgWidth = containerWidth;
infomap_svg.attr("viewBox", `0 0 ${infomap_svgWidth} ${infomap_svgHeight}`);
infomap_svg.append('defs').append('marker')
.attr('id', 'infomap-arrowhead')
.attr('viewBox', '-0 -4 8 8').attr('refX', 19).attr('refY', 0)
.attr('orient', 'auto').attr('markerWidth', 5).attr('markerHeight', 5)
.append('svg:path').attr('d', 'M0,-4L8,0L0,4').attr('fill', '#999');
infomap_linkGroup = infomap_svg.append("g").attr("class", "links");
infomap_linkHitAreaGroup = infomap_svg.append("g").attr("class", "link-hit-areas");
infomap_nodeGroup = infomap_svg.append("g").attr("class", "nodes");
infomap_walkerLayer = infomap_svg.append("g").attr("class", "walker-layer");
infomap_simulation = d3.forceSimulation(infomap_nodes)
.force("link", d3.forceLink(infomap_links).id(d => d.id).distance(100))
.force("charge", d3.forceManyBody().strength(-100))
.force("center", d3.forceCenter(infomap_svgWidth / 2, infomap_svgHeight / 2).strength(0.2))
.force("cluster", infomap_clusterForce)
.on("tick", infomap_ticked);
infomap_svg.on("click", (event) => { if (event.target.tagName === 'svg') { infomap_clearSelection(); infomap_update(); } })
.on("dblclick", (event) => { if (event.target.tagName === 'svg') { infomap_addNode(d3.pointer(event)[0], d3.pointer(event)[1]); } });
d3.select("body").on("keydown", infomap_handleKeyDown);
d3.select("#infomap-directed-checkbox").on("change", function() { infomap_isDirected = this.checked; infomap_resetGraph(); });
d3.select("#infomap-teleport-slider").on("input", function() {
infomap_teleportProb = +this.value;
d3.select("#infomap-teleport-value").text(infomap_teleportProb.toFixed(2));
if (infomap_nodeCommunities.size > 0 || infomap_nodes.length > 0) infomap_runInfomap();
});
d3.select("#infomap-speed-slider").on("input", function() {
infomap_walkerSpeedMultiplier = +this.value;
d3.select("#infomap-speed-value").text(`${infomap_walkerSpeedMultiplier}x`);
});
}
function infomap_update() {
const linkData = infomap_links;
const linkElements = infomap_linkGroup.selectAll("path.link").data(linkData, d => `${d.source.id}-${d.target.id}`);
linkElements.exit().remove();
linkElements.enter().append("path")
.attr("class", "link").attr("stroke-width", 3).attr("stroke", "#999").attr("fill", "none");
infomap_linkGroup.selectAll("path.link").attr('marker-end', infomap_isDirected ? 'url(#infomap-arrowhead)' : null);
const hitAreaElements = infomap_linkHitAreaGroup.selectAll("path.hit-area").data(linkData, d => `${d.source.id}-${d.target.id}`);
hitAreaElements.exit().remove();
hitAreaElements.enter().append("path")
.attr("class", "hit-area").attr("stroke-width", 20).attr("stroke", "transparent").attr("fill", "none")
.on("dblclick", (event, d) => { event.preventDefault(); event.stopPropagation(); infomap_removeLink(d); });
const nodeElements = infomap_nodeGroup.selectAll("g.node-group").data(infomap_nodes, d => d.id);
nodeElements.exit().remove();
const nodeEnter = nodeElements.enter().append("g")
.attr("class", "node-group")
.call(d3.drag().on("start", infomap_dragstarted).on("drag", infomap_dragged).on("end", infomap_dragended))
.on("click", infomap_nodeClicked);
nodeEnter.append("circle").attr("r", 15);
nodeEnter.append("text").attr("dy", ".35em").attr("text-anchor", "middle").style("fill", "white").style("font-size", "12px").text(d => d.id);
const currentCommunityIds = [...new Set(infomap_nodeCommunities.values())].sort((a, b) => a - b);
infomap_colors.domain(currentCommunityIds);
infomap_nodeGroup.selectAll("g.node-group").select("circle")
.attr("stroke", d => infomap_selectedNodes.has(d.id) ? "#ff7f0e" : "#333")
.attr("stroke-width", d => infomap_selectedNodes.has(d.id) ? 4 : 1.5)
.style("fill", d => infomap_nodeCommunities.has(d.id) ? infomap_colors(infomap_nodeCommunities.get(d.id)) : "#6c757d");
infomap_simulation.nodes(infomap_nodes);
infomap_simulation.force("link").links(infomap_links);
infomap_simulation.alpha(1).restart();
}
function infomap_ticked() {
const radius = 15;
infomap_nodes.forEach(node => {
node.x = Math.max(radius, Math.min(infomap_svgWidth - radius, node.x));
node.y = Math.max(radius, Math.min(infomap_svgHeight - radius, node.y));
});
const pathGenerator = d => {
const dx = d.target.x - d.source.x; const dy = d.target.y - d.source.y;
const dr = infomap_isDirected && infomap_links.some(l => l.source.id === d.target.id && l.target.id === d.source.id) ? Math.sqrt(dx * dx + dy * dy) : 0;
return `M${d.source.x},${d.source.y}A${dr},${dr} 0 0,1 ${d.target.x},${d.target.y}`;
};
infomap_linkGroup.selectAll("path.link").attr("d", pathGenerator);
infomap_linkHitAreaGroup.selectAll("path.hit-area").attr("d", pathGenerator);
infomap_nodeGroup.selectAll("g.node-group").attr("transform", d => `translate(${d.x},${d.y})`);
}
// --- INTERACTION HANDLERS ---
function infomap_addNode(x, y) { infomap_stopWalker(); const newNodeId = infomap_nodes.length ? Math.max(...infomap_nodes.map(n => n.id)) + 1 : 0; infomap_nodes.push({ id: newNodeId, x, y, fx: null, fy: null }); infomap_clearCommunities(); infomap_update(); }
function infomap_removeNode(id) { infomap_stopWalker(); infomap_nodes = infomap_nodes.filter(n => n.id !== id); infomap_links = infomap_links.filter(l => l.source.id !== id && l.target.id !== id); infomap_selectedNodes.delete(id); infomap_clearCommunities(); infomap_update(); }
function infomap_addLink(sourceId, targetId) {
if (sourceId === targetId) return;
const exists = infomap_links.some(l => l.source.id === sourceId && l.target.id === targetId);
if (!exists) { infomap_stopWalker(); infomap_links.push({ source: sourceId, target: targetId }); if (!infomap_isDirected) infomap_links.push({ source: targetId, target: sourceId }); infomap_clearCommunities(); infomap_update(); }
}
function infomap_removeLink(link) { infomap_stopWalker(); infomap_links = infomap_links.filter(l => !(l.source.id === link.source.id && l.target.id === link.target.id)); if (!infomap_isDirected) infomap_links = infomap_links.filter(l => !(l.source.id === link.target.id && l.target.id === link.source.id)); infomap_clearCommunities(); infomap_update(); }
function infomap_nodeClicked(event, d) {
event.stopPropagation();
if (event.shiftKey) {
if (infomap_selectedNodes.has(d.id)) infomap_selectedNodes.delete(d.id);
else infomap_selectedNodes.add(d.id);
} else {
if (infomap_selectedNodes.size === 1 && infomap_selectedNodes.has(d.id)) {
infomap_selectedNodes.clear();
} else if (infomap_selectedNodes.size === 1 && !infomap_selectedNodes.has(d.id)) {
const sourceId = infomap_selectedNodes.values().next().value;
infomap_addLink(sourceId, d.id);
infomap_clearSelection();
} else {
infomap_selectedNodes.clear();
infomap_selectedNodes.add(d.id);
}
}
infomap_update();
}
function infomap_clearSelection() { infomap_selectedNodes.clear(); }
function infomap_handleKeyDown(event) {
if (event.key === "Delete" || event.key === "Backspace") {
infomap_selectedNodes.forEach(id => infomap_removeNode(id));
infomap_clearSelection();
infomap_update();
}
if (event.key.toLowerCase() === "c" && infomap_selectedNodes.size > 1) {
const nodesToConnect = [...infomap_selectedNodes];
for (let i = 0; i < nodesToConnect.length; i++) {
for (let j = i + 1; j < nodesToConnect.length; j++) {
infomap_addLink(nodesToConnect[i], nodesToConnect[j]);
}
}
infomap_clearSelection();
infomap_update();
}
}
function infomap_dragstarted(event, d) { infomap_stopWalker(); if (!event.active) infomap_simulation.alphaTarget(0.3).restart(); d.fx = d.x; d.fy = d.y; }
function infomap_dragged(event, d) { d.fx = event.x; d.fy = event.y; }
function infomap_dragended(event, d) { if (!event.active) infomap_simulation.alphaTarget(0); d.fx = null; d.fy = null; }
// --- WALKER LOGIC & HISTOGRAM ---
function infomap_toggleWalker() { if (infomap_walkerActive) infomap_stopWalker(); else infomap_startWalker(); }
function infomap_startWalker() {
if (infomap_nodeCommunities.size === 0) { alert("Спочатку запустіть алгоритм, щоб визначити спільноти."); return; }
infomap_walkerActive = true;
d3.select("#infomap-walkerButton").text("Зупинити мандрівника").classed("active", true);
d3.select("#infomap-histogram-container").classed('active', true);
infomap_transitionCounts = { 'Між кластерами': 0 };
[...new Set(infomap_nodeCommunities.values())].forEach(id => infomap_transitionCounts[id] = 0);
if (!infomap_walkerElement) {
infomap_walkerElement = infomap_walkerLayer.append("circle").attr("r", 8).attr("fill", "#FFEB3B").attr("stroke", "black").attr("stroke-width", 2);
}
if (infomap_walkerCurrentNodeId === null || !infomap_nodes.some(n => n.id === infomap_walkerCurrentNodeId)) {
infomap_walkerCurrentNodeId = infomap_nodes[Math.floor(Math.random() * infomap_nodes.length)].id;
}
const startNode = infomap_nodes.find(n => n.id === infomap_walkerCurrentNodeId);
infomap_walkerElement.attr("cx", startNode.x).attr("cy", startNode.y);
infomap_moveWalker();
}
function infomap_stopWalker() {
infomap_walkerActive = false;
d3.select("#infomap-walkerButton").text("Запустити мандрівника").classed("active", false);
clearTimeout(infomap_walkerTimeout);
if(infomap_walkerElement) infomap_walkerElement.remove();
infomap_walkerElement = null;
infomap_nodeGroup.selectAll("g.node-group").classed("highlighted", false);
}
function infomap_moveWalker() {
if (!infomap_walkerActive) return;
const oldCommId = infomap_nodeCommunities.get(infomap_walkerCurrentNodeId);
infomap_nodeGroup.selectAll("g.node-group").classed("highlighted", d => infomap_nodeCommunities.get(d.id) === oldCommId);
let nextNodeId;
const neighbors = infomap_links.filter(l => l.source.id === infomap_walkerCurrentNodeId).map(l => l.target.id);
if (Math.random() < infomap_teleportProb || neighbors.length === 0) {
nextNodeId = infomap_nodes[Math.floor(Math.random() * infomap_nodes.length)].id;
} else {
nextNodeId = neighbors[Math.floor(Math.random() * neighbors.length)];
}
const newCommId = infomap_nodeCommunities.get(nextNodeId);
if (oldCommId === newCommId) infomap_transitionCounts[oldCommId]++;
else infomap_transitionCounts['Між кластерами']++;
infomap_drawHistogram();
const nextNode = infomap_nodes.find(n => n.id === nextNodeId);
infomap_walkerCurrentNodeId = nextNodeId;
const transitionDuration = 1200 / infomap_walkerSpeedMultiplier;
const pauseDuration = 300 / infomap_walkerSpeedMultiplier;
infomap_walkerElement.transition().duration(transitionDuration).attr("cx", nextNode.x).attr("cy", nextNode.y)
.on("end", () => { infomap_walkerTimeout = setTimeout(infomap_moveWalker, pauseDuration); });
}
function infomap_drawHistogram() {
const histSvg = d3.select("#infomap-histogram-svg");
histSvg.selectAll("*").remove();
const margin = { top: 20, right: 20, bottom: 30, left: 40 };
const width = histSvg.node().getBoundingClientRect().width - margin.left - margin.right;
const height = 200 - margin.top - margin.bottom;
const g = histSvg.append("g").attr("transform", `translate(${margin.left},${margin.top})`);
const data = Object.entries(infomap_transitionCounts)
.map(([key, value]) => ({ key, value }))
.sort((a, b) => a.key === 'Між кластерами' ? 1 : b.key === 'Між кластерами' ? -1 : Number(a.key) - Number(b.key));
const x = d3.scaleBand().range([0, width]).padding(0.1).domain(data.map(d => d.key));
const yMax = d3.max(data, d => d.value);
const y = d3.scaleLinear().range([height, 0]).domain([0, yMax > 0 ? yMax : 1]);
g.append("g").attr("transform", `translate(0,${height})`).call(d3.axisBottom(x));