Дипломная (вкр): Анализ молекулярных машин

5.     
ВЫВОДЫ

В результате исследовательской работы были получены данные топологических характеристик для эластичной сети, полученные на основе молекулярной машины, взятой в качестве объекта исследования. Топологические характеристики сети были получены для моментов динамики, когда отчетливо проявляются одна и две выделенные медленные моды. Данные исследования топологических характеристик показывают, что топологические свойства молекулярной машины хорошо отражают структуру сильносвязанных кликов, которые соединены относительным числом связей. Характеристики данных сетей отличаются от аналогичных характеристик сетей Ердыша-Реньи на всех проведенных сериях экспериментальных исследований.

Эластичная сеть представляет собой структурированный граф с небольшим числом кликов и разряженными связями между ними. Представляет интерес разработать алгоритмы синтеза структур, эластичные сети которых имеют такую структуру.

БИБЛИОГРАФИЯ

1.      Milo R., Itzkovitz S., Alon U. (2004) Superfamilies of Evolved and Designed Networks; 14 July 2003; accepted 23 January 2004

2.      Евин И.А. Сложные сети: Введение в теорию; Институт машиноведения имени А.А.Благонравова РАН.

3.      Newman M. E. J. (2010) Networks An Introduction; Oxford University Press

.        Newman, M.E.J. and Girvan, M. 2004, Finding and evaluating community structure in networks, Phys. Rev. E 69, 026113; cond-mat/0308217.

.        Newman, M.E.J.(2003), The structure and function of complex networks, SIAM Review; cond-mat/0303516

.        Albert, R. and Barabasi, A.-L.(2002), Statistical mechanics of complex networks, Rev. Mod. Phys.; cond-mat/0106096

ПРИЛОЖЕНИЯ

Листинг программы на языке Python

# -*- coding: utf-8 -*-networkx as nxpylab as pltnumpy as np= []open('C:\\Users\\Олег\\Анаконда\\2\\2.txt', encoding='ascii') as fin:line in fin:.append(list(line.rstrip('\n')))

#print(matr)open("C:\\Users\\Олег\\Анаконда\\2\\2SR.txt","w") as out:i in range(128):j in range(128):

#print(matr[i][j], end=' ')matr[i][j]=='1':(i+1,'     ',j+1,file=out)

#print(i+1,'           ',j+1)

#Выбор файла, построение графа

filename='C:\\Users\\Олег\\Анаконда\\7\\7SR.txt'=nx.read_edgelist(filename, nodetype=int)= nx.spring_layout(G).draw_networkx_nodes(G, pos, G.nodes(), node_size = 20).draw_networkx_edges(G,pos, alpha=0.5).savefig('7-граф.png')("\n")

#for random graph models

#G=nx.erdos_renyi_graph(1000,0.1)

#G=nx.random_regular_graph(10,100)

#G=nx.barabasi_albert_graph(1000,40)

#for graph plotting

#pos = nx.spring_layout(G)

#nx.draw_networkx_nodes(G, pos, G.nodes(), node_size = 20)

#nx.draw_networkx_edges(G,pos, alpha=0.5)

#Число узлов в графе("Число узлов в графе", nx.number_of_nodes(G))("\n")

#Количество связей в графе

print("Число связей в графе", nx.number_of_edges(G))

#Распределение степеней=sorted(nx.degree(G).values(),reverse=True).figure().hist(degree,100).xlabel('Степень').ylabel('Число вершин')

plt.title("Распределение вероятностей").savefig('7-распределение.png').show()

#Характеристики сети

#Радиус сети

print("\n")("Радиус: %d" % nx.radius(G))

#Диаметр сети("\n")("Диаметр: %d" % nx.diameter(G))

#Плотность сети("\n")("Плотность: %s" % nx.density(G))

#Число треугольников для каждого узла("\n")("Число треугольников каждого узла:")(nx.triangles(G))

#Коэффициент кластеризации для каждого узла("\n")("Коэффициент кластеризации каждого узла:")(nx.clustering(G))

#Отношение числа треугольников к числу триад

print("\n")

#print("Транзитивность Т=", nx.transitivity(G))

#Центральности

# Betweenness centrality, или посредничество

# Эта мера показывает, насколько узел связывает несколько несвязанных сообществ,

# или занимает позицию "между"_centr = nx.betweenness_centrality(G)("\n")('Betweenness centrality',bet_centr)

# Closeness centrality

# Эта мера показывает, насколько узел близок ко всем остальным узлам в сети

clo_centr = nx.closeness_centrality(G)("\n")('Closeness centrality',clo_centr)

# Eigenvector centrality

# Эта мера показывает, насколько узел связан с узлами,

# которые сами имеют большое количество связей

eig_centr = nx.eigenvector_centrality(G)("\n")('Eigenvector centrality',eig_centr)

Распределение коэффициента кластеризации=sorted(nx.clustering(G).values(),reverse=True).hist(clust,100).xlabel('Коэффициент кластеризации')

plt.ylabel('Число вершин').title("Распределение коэффициента кластеризации").savefig('7-кластеризация.png')

plt.show()(np.linalg.eig(matr))

### for graph communities

#partition = community.best_partition(G)

#print(float(len(set(partition.values()))))

#plt.xscale('log')

#plt.yscale('log')

plt.show()