Разработать модель Общественные отношения

Задача: разработать модель Общественные отношения в контексте информатики для 9 класса с целью понятного освоения материала. Кратко о подходе: - Будем моделировать общественные отношения как граф: узлы — люди, ребра — типы отношений между ними (дружба, родство, коллеги по работе и т. д.). - Ребра могут иметь вес (сила связи) и тип, а также быть ориентированными или неориентированными в зависимости от реальности отношений. - В рамках 9 класса это достаточно: понятие графа, adjacency list/matrix, базовые операции и простые алгоритмы (поиск пути, вычисление степеней вершин, плотности графа). 1) Что такая модель собой представляет - Узлы V: люди в обществе (один человек — один узел). - Ребра E: существующие между двумя людьми отношения. Тип ребра задаёт вид связи: дружба, родственники, коллеги по проекту и т. д. - Вес ребра w: сила или близость отношения (например, как часто вы общаетесь или насколько тесна связь). - Направленность: многие отношения двусторонние (дружба), но некоторые могут быть однонаправленными (например, «учитель–ученик», «коллега по команде» в контексте проекта, если один считает человека наставником, а тот не обязательно поддерживает обратное чувство). 2) Формальное оформление - Граф G = (V, E), где V – множество людей, E – множество связей. - Для упрощения чаще берут неориентированный граф (E состоит из пар {u, v}) и ставят w как вес на ребро. - В некоторых случаях полезно хранить помимо типа отношения дополнительную метку edge_type(u, v) (например, "дружба", "родство", "коллеги") и вес w(u, v). 3) Способы представления данных (простые для 9 класса) - Список смежности ( adjacency list ): для каждого узла хранится список соседей и характеристики ребра: graph[u] = { v1: { type: "дружба", weight: 0.8 }, v2: { type: "коллеги", weight: 0.5 }, ... } - Матрица смежности ( adjacency matrix ): матрица A, где A[u][v] = вес ребра или 0 / null, если ребра нет. Хорошо подходит для малых графов и простых задач. 4) Пример набора данных (упрощённый) Предположим, у нас 5 человек: Анна (A), Борис (B), Валерия (V), Гриша (G), Елена (E). Ребра (тип, вес): - A — B: дружба, вес 0.9 - A — E: дружба, вес 0.6 - B — V: коллеги, вес 0.7 - V — G: родственники, вес 0.8 - G — E: дружба, вес 0.4 - B — E: знакомые, вес 0.5 Формально можно записать как: - V = {A, B, V, G, E} - E = { (A,B, {type:"дружба", weight:0.9}), (A,E, {type:"дружба", weight:0.6}), (B,V, {type:"коллеги", weight:0.7}), (V,G, {type:"родство", weight:0.8}), (G,E, {type:"дружба", weight:0.4}), (B,E, {type:"знакомые", weight:0.5}) } - Граф может быть неориентированным (если отношения двусторонние) или ориентированным (если важно направление). 5) Основные операции над моделью (пошагово) - Добавить человека: добавить узел в V без ребер. - Добавить отношение: добавить ребро между двумя узлами u и v с указанным типом и весом. - Удалить отношение/человека: удалить соответствующее ребро или узел вместе со всеми связанными ребрами. - Поиск пути между двумя людьми: найти путь через соседей (например, в контексте дружбы/контактов). Используют BFS/DFS для неориентированного графа или ориентированный обход для направленного графа. - Поиск самой влиятельной фигуры (упрощённо): для каждого узла посчитать совокупную силу связей (сумма весов соседних ребер) или взвешенную степень (weighted degree). Узёл с наибольшей суммой веса можно считать более влиятельным в рамках данной модели. - Плотность графа: dens = 2|E| / (|V|(|V|-1)) для неориентированного графа без учёта самих связей. Показывает, насколько плотно люди связаны друг с другом. - Фильтрация по типу отношения: можно рассматривать подграф, содержащий только ребра определённого типа (например, только дружба или только коллеги). 6) Пояснение по примерам решений (на основе набора данных выше) - Пример 1: Найти путь между Анной (A) и Еленой (E). Возможный путь: A — E напрямую, путь длиной 1. Также можно увидеть A — B — E через B, если учитывать ребро (B,E). - Пример 2: Найти «самого влиятельного» по сумме весов соседей. Считаем для каждого узла сумму весов его соседей: - A: соседние ребра к B (0.9) и к E (0.6) → сумма 1.5 - B: к A (0.9) и к V (0.7) и к E (0.5) → сумма 2.1 - V: к B (0.7) и к G (0.8) → 1.5 - G: к V (0.8) и к E (0.4) → 1.2 - E: к A (0.6), к G (0.4), к B (0.5) → 1.5 Итог: Борис имеет наибольшую суммарную связь (2.1) — условно самый влиятельный в рамках этой небольшой сети. - Пример 3:-density графа |V| = 5, |E| = 6 (если считать каждый ребро как единственное не ресолвено поведение).dens ≈ 2*6 / (5*4) = 12 / 20 = 0.6. Значение 0.6 говорит о относительно плотной связи в этой маленькой группе. 7) Небольшой фрагмент псевдокода (для 9 класса) - Здесь приведён упрощённый псевдокод на Python-подобном синтаксисе. Класс Граф: class Graph: def __init__(self): self.adj = {} # словарь: узел -> { сосед: edge_attr } def add_person(self, name): if name not in self.adj: self.adj[name] = {} def add_relation(self, a, b, rel_type="знакомые", weight=1.0, directed=False): if a not in self.adj: self.add_person(a) if b not in self.adj: self.add_person(b) self.adj[a][b] = {"type": rel_type, "weight": weight} if not directed: self.adj[b][a] = {"type": rel_type, "weight": weight} def neighbors(self, a): return self.adj.get(a, {}) def path_exists(self, start, end): # простой BFS для неориентированного графа from collections import deque visited = set([start]) q = deque([start]) while q: u = q.popleft() if u == end: return True for v in self.adj.get(u, {}): if v not in visited: visited.add(v) q.append(v) return False 8) Рекомендации по учебному применению - Это удобная модель для понимания сети взаимоотношений в обществе, а также для практики структуры данных (графы) и простых алгоритмов. - Для домашнего задания можно предложить ученику: - Добавить в граф ещё нескольких персонажей и определить типы их отношений. - Найти кратчайший путь между двумя учениками через дружбу или знакомых. - Посчитать плотность графа для полученной сети. - Построить подграф только дружбы и сравнить показатели. 9) Итог - Модель общественных отношений через граф — понятная и наглядная для 9 класса тема информатики. - Позволяет изучать структуру связей между людьми и решать простые задачи: поиск путей, оценка влияния, анализ плотности связей. - Можно начать с простого неориентированного графа с несколькими типами отношений и постепенно переходить к более сложным аспектам (ориентированные рёбра, веса, алгоритмы на графах). Если хочешь, могу привести конкретный набор данных под домашнее задание и пошагово показать, как построить граф, записать его в виде adjacency list и решить несколько задач (поиск пути, вычисление степени и плотности). Также могу адаптировать материал под конкретную задачу из учебника или дать готовый вариант решения в виде конспекта.