Θεματολόγιο Πνευμονολογίας

Τα δίκτυα ελεύθερης κλίμακας διακρίνονται από τον βαθμό διανομής τους που ακολουθεί ένα δυναμικό νόμο· δηλαδή, οι κόμβοι του δεν έχουν όλοι τον ίδιο αριθμό ενώσεων με παρακείμενους ή απομακρυσμένους κόμβους. Χαρακτηρίζονται, επομένως, από ανισότιμους κόμβους, οι πολυπλοκότεροι των οποίων ονομάζονται κύριοι κόμβοι.

Οι κύριοι κόμβοι συνδέονται με τους ομοειδείς ή τους τους κοινούς κόμβους με γραμμές ή ενώσεις.. Ο βαθμός degrees σύνδεσής τους με άλλους κόμβους παρίσταται με την παράσταση Κ^(-y) με κυμαινόμενη το μέτρο της y. Ο δυναμικός νόμος της διανομής χαρακτηρίζεται από το γεγονός ότι μικρός αριθμός κόμβων συνδέεται με μεγάλο αριθμό ενώσεων, ενώ οι πλείστοι των κόμων φέρουν μικρό αριθμό  ενώσεων. Έτσι, η διανομή σ΄ένα δίκτυο ελεύθερης κλίμακας χαρακτηρίζεται από μεγάλη λοξότητα (skewness) με πολλούς κόμβους εμφανιζόμενους με χαμηλή συνδεσιμότητα και λίγους κόμβους με περισσότερους.  

Τα  ελεύθερα κλίμακας δίκτυα ή δίκτυα χωρίς κλίμακα ΔΧΚ,, συναντώνται συχνά στην πραγματική ζωή. όπως το διαδίκτυο και τα βιολογικά δίκτυα. Πιστεύετειι ότι είναι αρκετά σταθερά, έναντι ανεπαρκειών και προσβολών καθώς η υψηλή συνδεσιμότητα των λίγων κόμβων μπορει να αντιρροπήσει την απώλεια των συνδέσεων με κοινούς κόμβους. Αλλά τα ΧΚΔ είναι επίσης περισσότερο ευάλλωτα σε διάφοους τύπους προσβολων, επίσης, καθώς η στοχευμένες βλάβες ασκούν δυσανάλογη επίδραση στο όλο δίκτυο. Αντανακλούν την υποκείμενη δομή πολύπλοκων συστημάτων, στα οποία μερικοί π0αράγοντες-κλειδιά παίζουν δυσανάλογο ρόλο στη διαμόρφωση της συμπεριφοράς τους.

Τα συστήματα αυτά μπορεί να είναι ανθεκτικά σε μεταβολές ή διασπάσεις καθώς οι κύριοι κόμβοι δρουν ρυθμιστικά (buffers) που απορροφούν τις επιδράσεις από τα συμβάντα που τα προκαλούν. 

Υπάρχει μεγάλη ποικιλία εφαρμογών των ελεύθερης κλίμακας δικτύων, στην οποία περιλαμβάνονται:

1. η κατανόηση και ο δειγματισμός πολύπλοκων συστημάτων. ΤΑ ελέυθερα κλίμακας δίκτυα μπορούν να βοηθήσουν τους ερευνητές και αναλυτές να κατανοήσουν τη διάοση των νοσημάτων στην κοινότητα.
2. Η βελτίωση της ανθεκτικότητας του δικτύου: Τα δίκτυα χωρίς κλίμακα είναι συχνά πιο ανθεκτικά σε αστοχίες ή επιθέσεις επειδή έχουν πολλές περιττές συνδέσεις και δεν εξαρτώνται από κανέναν μεμονωμένο κόμβο. Αυτό τα καθιστά χρήσιμα για το σχεδιασμό δικτύων που πρέπει να είναι ισχυρά, όπως δίκτυα επικοινωνίας ή δίκτυα ισχύος.
3. Η βελτιστοποίηση της απόδοσης του δικτύου: Με την κατανόηση των ιδιοτήτων των ΔΧΚ, είναι δυνατό να βελτιστοποιηθεί η απόδοση και η αποδοτικότητα του δικτύου, όπως με τον εντοπισμό των πιο σημαντικών κόμβων ή συνδέσεων στο δίκτυο.
4. Η πρόβλεψη της διάδοσης πληροφοριών ή της επιρροής: Η δομή των ΔΧΚ μπορεί να χρησιμοποιηθεί για να προβλέψει πώς θα εξαπλωθεί η πληροφορία ή η επιρροή μέσω ενός δικτύου.

Στα προτιμησιακά μοντέλα ΔΧΚ, οι κόμβοι με μεγσλύτερο αριθμό συνδέσεων είναι πιο πιθανό να προσελκόυν νέες σνδέσει ώστε χρησιμοποιούνται για να προσσελκύσουννέες συνδέσεις. Τα μοντέλα αυτά χρησιμοποιούνται για να εξηγήσουν την εμφάνιση των κατανομ'ων βαθμού ισχύος σε δίκτυα πραγματικού κόσμου, όπου εάνς μικρός αριθμός κόμβων(που συχνά αναφέρονται ως hub)  έχουν σημαντικά μεγαλύτερο αριθμό συνδέσεων  από τηνη π-λειονότητα των κόμβων. στο δίκτυο.

Υπρχουν πολλές προτιμησιακές εδόσεις μοντέλων προσάρτησης, αλλά όλες περιλαμβάνουν την ακόλουθη βασική διαδικασία.

1. ξεκινάμε με έναν μικρό αριθμόκόμβων και συνδέσμων
2. ζσ κάθε χρονικό βήμα, ένας νέος κόμβος προστίθεται στο δίκτυο.
3. Ο νέος κόμβος συνδέεται με έναν προϋπάρχοντα κόμβο με πιθανότητα ανάλογη με αριθμό των συνδέσεωνπου έχει ήδη ο κόμβος.  

Αυτή η διαδικασία οδηγεί στην κατάσταση κατά την οποία οι πολύ συνδεδεμένοι κόμβοι είναι πιο πιθανό να προσελκύσουν νέες συνδέσεις οδηγώντας σε μια άνιση κατανομή των συνδέσεων εντός του δικτύου. Το δίκτυο που προκύπτει ΄λεχει τυπικά μια κατανομή βαθμού ισχύος – νόμουόπου η παθιαντότητα ένας κόμβος να έχει k συνδέσεις ακολουθεί έναν νόμο ισχύος, της μορφής P(k)~ k^-y  όπου y είναι μια παρπάμετρος που καθορίζει το σχήμα της κατανομής.

Τα προτιμησιακά μοντέλα συνημμένων έχουν χρησιμοποιηθεί για να εξηγήσουν τη δομή μιας μεγάλης ποικιλίας δικτύων στον πραγματικό κόσμο, σμπεριλαμαβμομένων των κοινωνικών  δικτύων,. Των δικτύων παραπομπών, και του διαδικτύου. Συχνά χρησιμοποιούνται ως βασικό μοντέλο με το οποίο μπορούν να συγκριθούν πιο πολύπλοκα μοντέλα. Tα προτιμησιακά μοντέλα χρησιμοποιούνται για καταλάβουμε πώς οι άνθρωποι λαμβάνουν αποφάσεις και για να προεβλέψουμε την προτίμηση των ανθρώπων σε διάφορες επιλογές. Η καμπύλη επιλογής είναι μία καμπύλη που παράγεται από τους παράγοντες που επηρεάζουν την προτίμηση του ανθρώπου, όπως το εισόδημα, την επίπτωση, την εμπειρία και την συμπεριφορά των άλλων ανθρώπων.

Έαν τέτοιοι μοντέλο είναι το μοντέλο καμπύλη επιλογής, το οποίο η προτίμηση του ανθρώπου σε μια επιλογή εκφράζεται ως ένας συνδυασμός των καθημερινών επιδόσεων της επιλογής (πχ., το χρηματικό κέρδος) με την καμπύλη επιλογής του ανθρώπου.

 Ένα άλλο προτιμησιακό μοντέλο που χρησιμοποιείται είναι το μοντέλο ΑΧΟΕ (angl. Analytic Hierarchy Process). Στο μοντέλο αυτό, η προτίμηση για μία επιλογή εκφράζεται ως ένας συνδυασμός των κριτηρίων που έχουν καθοριστεί από τον ανθρώπο και που εφαρμόζονται στις επιλογές. Τα κριτήρια μπορούν να είναι πολλαπλά και να έχουν διάφορα βάρη. Το μοντέλο ΑΧΟΕ χρησιμοποιεί τη μέθοδο ΣΤΕΡΕΩΣ ΙΣΟΡΡΟΠΗΣ ΑΞΙΟΛΟΓΗΣΗΣ για να διαχωρίσει τα βάρη των κριτηρίων και να προβλέψει την προτίμηση του ανθρώπου.

Υπάρχουν και άλλα προτιμησιακά μοντέλα που χρησιμοποιούνται, όπως το μοντέλο επιλογής σύνθετης επιλογής (angl. multiattribute utility model), το μοντέλο προτίμησης κατά σειρά προτίμησης (angl. rank-order model) και το μοντέλο δημ

Ένας άλλος τρόπος για να μελετήσετε την προτίμηση των ανθρώπων είναι μέσω της χρήσης μοντέλων δημόσιας επιλογής (angl. choice models). Τα μοντέλα δημόσιας επιλογής χρησιμοποιούν δεδομένα από έρευνες επιλογής για να προβλέψουν την επιλογή των ανθρώπων σε κάποιο πρόβλημα επιλογής. Μερικά παραδείγματα των μοντέλων δημόσιας επιλογής που χρησιμοποιούνται είναι το μοντέλο επιλογής κανονικής καμπύλης (angl. normal choice model), το μοντέλο επιλογής κανονικής καμπύλης με δυναμική προσαρμογή (angl. adaptive normal choice model) και το μοντέλο επιλογής περίφημης καμπύλης (angl. extreme value choice model).

Συμπερασματικά, τα δίκτυα χωρίς κλίμακα προσφέρουν ένα ισχυρό εργαλείο για την κατανόηση και τη βελτιστοποίηση πολύπλοκων συστημάτων και έχουν πολλές πιθανές εφαρμογές σε τομείς που κυμαίνονται από την επιστήμη των υπολογιστών και τη μηχανική έως τη βιολογία και την κοινωνιολογία.