Kohalike teede uurimine.md 710 KB
Jah, mul on teema. Räägi sellest! Uurimise objekt on kohalike teede isoleeritud võrgud, milledel on n-arv väljapääs. Luua uurimiseks teedevõrgustikud. Igale teelõigule (servale kanda peale maksimaalne liikumiste arv selle serva kaudu). Väljapääsupunktidele lisada kaalud nende olulisuse järele. Läbi väljapääsu punktide kaalude ja kauguste väljapääsu punktideni, arvutada liikumiste arv väljapääsu punktides. Hilisem eesmärk:
- muuta väljapääsu punktide kaalusid, mis siis juhtub.
- sulgeda teelõike, mis siis juhtub. Ehitada mudel ja siduda see matemaatilise lähenemisega.
Su uurimisteema on väga huvitav ja mitmetahuline — see ühendab graafiteooria, võrgustike modelleerimise, optimeerimise ja tundlikkuse analüüsi. Teeme selle selgeks samm-sammult ja paneme paika ka võimaliku mudeli struktuuri ja matemaatilise lähenemise.
🧠 Teema kokkuvõte
Uurimisobjekt:
- Isoleeritud kohalike teede võrgustikud, millel on n arv väljapääsupunkte.
- Iga teelõik (serv) saab maksimaalse liikumiste arvu (kaal).
- Väljapääsupunktid saavad kaalu vastavalt nende olulisusele.
- Eesmärk on arvutada liikumiste arv väljapääsudes, võttes arvesse:
- kaugusi
- väljapääsude kaale
📐 Matemaatiline mudel
1. Graafi definitsioon
- Graaf $G = (V, E)$, kus:
- $V$ on tippude hulk (teepunktid)
- $E$ on servade hulk (teelõigud)
- Iga serv $e \in E$ saab kaalu $w_e$: maksimaalne liikumiste arv
- Iga väljapääsupunkt $v \in V_{exit} \subset V$ saab kaalu $\omega_v$: väljapääsu olulisus
2. Liikumiste jaotus
- Liikumised jaotuvad graafis, püüdes jõuda väljapääsudeni.
- Võimalik kasutada lühima tee algoritme (nt Dijkstra), et määrata kaugused väljapääsudeni.
- Liikumiste arv väljapääsudes sõltub:
- kaugusest
- väljapääsu kaalust
- servade läbilaskevõimest
3. Analüüsid
- Tundlikkuse analüüs:
- Muuda väljapääsude kaale → vaata, kuidas muutub liikumiste jaotus
- Sulge servad → vaata, kuidas muutub liikumiste suund ja koormus
🧪 Uurimisküsimused ja eesmärgid
- Kuidas väljapääsude kaalud mõjutavad liikumiste jaotust?
- Millised teelõigud on kõige kriitilisemad (nt kui need sulgeda)?
- Kas on võimalik optimeerida väljapääsude kaale, et saavutada tasakaalustatud koormus?
🛠️ Järgmised sammud
Soovitan alustada mudeli loomisega. Kas soovid, et:
- Loome näidisgraafi (nt 10 tippu, 3 väljapääsu)?
- Visualiseerime selle?
- Arvutame liikumiste jaotuse?
Kui annad märku, võin kohe genereerida esimese graafimudeli ja hakata seda analüüsima. Kas soovid alustada väikese näitega?
Siin on loodud näidisgraaf, kus:
- On 10 tippu (teepunkti).
- 3 tippu on tähistatud kui väljapääsupunktid (punased), millel on kaalu väärtused (sulgudes).
- Igal serval (teelõigul) on kaal, mis näitab maksimaalset liikumiste arvu selle kaudu (rohelised numbrid).
📌 Selgitused:
- Punased tipud: väljapääsupunktid, millel on lisaks tippu märgitud ka nende olulisuse kaal.
- Rohelised servade sildid: maksimaalne liikumiste arv (kaal) sellel teelõigul.
- Sinised tipud: tavalised teepunktid.
Kas soovid nüüd:
- Arvutada, kui palju liikumisi jõuab igasse väljapääsupunkti, arvestades kaugusi ja kaale?
- Muuta mõne väljapääsupunkti kaalu ja vaadata, kuidas see mõjutab liikumisi?
- Sulgeda mõne teelõigu ja analüüsida mõju?
Anna teada, millise sammu juurde läheme edasi!
Siin on arvutatud liikumiste jaotus väljapääsupunktidesse, võttes arvesse:
- Teelõikude kaale (liikumisvõime)
- Väljapääsupunktide kaale (olulisus)
- Lühima tee kaugusi igast punktist väljapääsudeni
📊 Tulemus:
| Väljapääsupunkt | Kaal (olulisus) | Liikumiste arv |
|---|---|---|
| 2 | 3.0 | 0.00 |
| 5 | 2.0 | 0.00 |
| 9 | 1.0 | 0.00 |
🧩 Miks on liikumiste arv 0?
Tulemused näitavad, et ühtegi liikumist ei jõudnud väljapääsupunktideni. Selle põhjuseks võib olla:
- Väljapääsupunktid ei ole ligipääsetavad teistest tippudest (graaf on suunatud ja võib-olla ei ole teed väljapääsudeni).
- Kõik väljapääsupunktid on allikad, mitte sihtpunktid (st nad ei ole tee lõpus, vaid alguses).
✅ Järgmine samm
Soovitan:
- Pöörata graafi suund, et liikumised liiguksid väljapääsude suunas.
- Või muuta väljapääsupunktide asukohti, et need oleksid ligipääsetavad.
Kas soovid, et:
- Pöörame graafi suuna ümber ja arvutame uuesti?
- Valime uued väljapääsupunktid, mis on paremini ühendatud?
Anna teada, kumba varianti eelistad!
Pärast väljapääsupunktide kaalude muutmist ja liikumiste uuesti arvutamist saime järgmised tulemused:
📊 Liikumiste jaotus väljapääsudesse (pärast kaalu muutmist)
| Väljapääs | Uus kaal | Liikumiste osakaal |
|---|---|---|
| 2 | 1.0 | 13.57% |
| 5 | 3.0 | 27.01% |
| 9 | 5.0 | 59.42% |
📌 Tõlgendus
- Väljapääs 9, millele anti suurim kaal (5.0), sai ka kõige rohkem liikumisi.
- Väljapääs 2, mille kaal vähendati 1.0 peale, sai oluliselt vähem liikumisi.
- See näitab, et väljapääsude kaalud mõjutavad tugevalt liikumiste jaotust, eriti kui kaugused on sarnased.
🗺️ Visualiseering
Punase tekstiga on märgitud väljapääsupunktid ja nende uued kaalud.
Kas soovid nüüd:
- Sulgeda mõne teelõigu ja vaadata, kuidas see mõjutab liikumisi?
- Optimeerida väljapääsude kaale, et saavutada tasakaalustatud jaotus?
- Siduda see matemaatilise mudeliga teadusartikli jaoks?
Anna teada, kuhu edasi liigume!
Pärast teelõigu 5 → 9 sulgemist ja liikumiste uuesti arvutamist saime järgmised tulemused:
📊 Liikumiste jaotus väljapääsudesse (pärast serva sulgemist)
| Väljapääs | Kaal | Liikumiste osakaal |
|---|---|---|
| 2 | 1.0 | 6.88% |
| 5 | 3.0 | 31.63% |
| 9 | 5.0 | 61.49% |
🔍 Tõlgendus
- Väljapääs 9 kaotas ühe olulise ühenduse (5 → 9), kuid jäi siiski kõige populaarsemaks väljapääsuks.
- Väljapääs 5 sai rohkem liikumisi, kuna osa liikumistest, mis varem läksid 9 suunas, suunati nüüd ümber.
- Väljapääs 2 jäi kõige vähem kasutatuks, kuna selle kaal on madal ja kaugus suurem.
🗺️ Visualiseering
Punased tipud on väljapääsupunktid. Sulgemine mõjutas liikumiste suunda, kuid mitte drastiliselt, kuna graafis leidus alternatiivseid teid.
Kas soovid nüüd:
- Sulgeda veel mõne teelõigu ja vaadata mõju?
- Kirjutada teadusartikli osa, mis selgitab seda mudelit ja tulemusi?
- Optimeerida väljapääsude kaale, et saavutada tasakaalustatud liikumine?
Valik on sinu!
Siin on uuendatud visualiseering, kus:
- Kõik algupärased teelõigud on säilitatud.
- Suletud serv (5 → 9) on märgitud punasega, et näidata selle mitteaktiivsust.
- Väljapääsupunktid on tähistatud punaste tippudena.
See kujutis aitab hästi illustreerida, kuidas võrgu struktuur muutub, kui üks oluline ühendus katkeb, kuid kogu graafi kuju jääb arusaadavaks ja võrreldavaks.
Kas soovid nüüd:
- Sulgeda veel mõne serva?
- Kirjutada selle põhjal teadusartikli osa (nt metoodika või tulemuste analüüs)?
- Või teha tundlikkuse analüüsi väljapääsupunktide kaalude muutmise osas?
Olen valmis aitama!
Siin on kolm järjestikust visualiseeringut, kus graafi kuju on säilitatud ja servade sulgemised on selgelt esile toodud:
1️⃣ Algne graaf – kõik teed avatud
- Kõik servad on aktiivsed.
- Väljapääsupunktid on tähistatud punaste tippudena.
2️⃣ Graaf, kus serv (5 → 9) on suletud
- Serv (5 → 9) on punane, tähistades selle sulgemist.
- Kõik muud servad on aktiivsed.
3️⃣ Graaf, kus servad (5 → 9) ja (3 → 5) on suletud
- Kaks serva on punased, tähistades nende sulgemist.
- See muudab oluliselt liikumiste võimalusi võrgu sees.
Need kolm graafi sobivad suurepäraselt esitluseks või teadusartikli illustratsiooniks, kuna need võimaldavad visuaalselt võrrelda, kuidas teelõikude sulgemine mõjutab võrgu struktuuri ja potentsiaalseid liikumiste suundi.
Kas soovid nüüd:
- Arvutada liikumiste jaotuse pärast kahe serva sulgemist?
- Alustada teadusartikli kirjutamist (nt metoodika või tulemuste osa)?
- Või lisada veel sulgemisi ja analüüse?
Olen valmis aitama!
Pärast kahe teelõigu sulgemist — (5 → 9) ja (3 → 5) — arvutati liikumiste jaotus väljapääsupunktidesse uuesti. Tulemus:
📊 Liikumiste jaotus pärast kahe serva sulgemist
| Väljapääs | Kaal | Liikumiste osakaal |
|---|---|---|
| 2 | 1.0 | 8.76% |
| 5 | 3.0 | 32.84% |
| 9 | 5.0 | 58.40% |
🔍 Tõlgendus
- Väljapääs 9 jäi endiselt kõige populaarsemaks, kuigi kaotas ühe otsese ühenduse.
- Väljapääs 5 sai rohkem liikumisi, kuna serv (3 → 5) sulgemine muutis liikumiste suuna.
- Väljapääs 2 jäi kõige vähem kasutatuks, nagu varemgi.
🗺️ Visualiseering
- Punased servad: suletud teelõigud.
- Punased tipud: väljapääsupunktid.
Kas soovid nüüd:
- Kirjutada teadusartikli osa, mis selgitab neid tulemusi?
- Teha veel tundlikkuse analüüse?
- Või koostada esitluse jaoks graafide võrdluse?
Olen valmis aitama!
Kahjuks tekkis viga soojuskaardi (heatmap) loomisel, kuna värviskaala ei saanud õigesti lisatud. Selle parandamiseks loon nüüd uuesti:
- Sõlmede olulisuse soojuskaardi (keskmine liikumiste osakaal)
- Väljapääsupunktide liikumiste võrdleva tulpdiagrammi kõigis kolmes stsenaariumis
Kohe tegelen sellega.
Siin on kaks täiendavat visualiseeringut, mis rikastavad sinu teadusartiklit:
🔥 Sõlmede olulisuse soojuskaart
Keskmine liikumiste osakaal kõigis stsenaariumides:
- Punakamad sõlmed on olulisemad liikumiste mõttes.
- Näitab, millised punktid on süsteemi seisukohalt kõige kriitilisemad.
📊 Liikumiste jaotus väljapääsudes erinevates stsenaariumides
- Võrdleb liikumiste osakaalu väljapääsudes (2, 5, 9) kolmes stsenaariumis.
- Näitab, kuidas muutused teedevõrgus mõjutavad liikumiste suunda.
Kas soovid need graafikud lisada ka olemasolevasse PDF-artiklisse või koostada neist eraldi esitluse slaidid?
Siin on kaks uut andmevisualiseeringut, mis täiendavad sinu artiklit:
📈 Liikumiste muutus stsenaariumide lõikes
- Näitab, kuidas iga väljapääsupunkti liikumiste osakaal muutub kolmes stsenaariumis.
- Aitab tuvastada, millised väljapääsud on tundlikud võrgu muutustele.
🥧 Lõplik liikumiste jaotus (kõige piiratum stsenaarium)
- Põhineb stsenaariumil, kus servad (5 → 9) ja (3 → 5) on suletud.
- Näitab, et väljapääs 9 jääb endiselt domineerivaks, kuid väljapääs 5 saab samuti märkimisväärse osa liikumistest.
Kas soovid need graafikud lisada ka olemasolevasse PDF-artiklisse või koostada neist eraldi visuaalse lisadokumendi või esitluse slaidid?