CN103065028B - 一种基于图多阶段任务系统模块分解的可视化布局方法 - Google Patents

Abstract

本发明属于信息可视化领域，涉及可视化、社区显示等技术，公开了一种基于图多阶段任务系统模块分解的可视化布局算法，包括图的分解、局部定位、全局布局、无重叠优化等过程。提出一种能够反映聚类特性、关联紧密度、节点无重叠的布局方法。该方法首先对图进行多阶段任务系统模块分解，生成分解树，找出有规律的三种子图；其次，从下而上对各子图进行局部布局；最后，从上而下对图中节点进行全局布局。为了防止和减少重叠，引入距离调整参数λ对能量函数进行修正，通过调整参数使得布局尽量避免重叠，达到良好布局效果。

Description

一种基于图多阶段任务系统模块分解的可视化布局方法

技术领域

本发明属于计算机应用领域，涉及图形学、离散数学，特别涉及一种基于图多阶段任务系统模块分解的可视化布局方法。

现有技术

可视化布局方法在知识发现、基因工程等领域存在广泛应用，知识可视化可以有效改善人们对知识内部结构的认识，提升认知效率；基因领域、地理信息领域通过可视化可以使研究者和用户直观的观察和获取自己想要的有用信息，便于发现内在规律。目前常用的布局算法主要有受力驱动(Force-directed)布局算法、基于根(Root-Based)的布局算法、ISOM神经网络算法等。受力驱动算法的基本思想为：将网络看成一个能量系统，把结点看成电荷，结点间的连接看成弹簧，当使这个系统的势能达到最小时，也就是说边的张力与结点间斥力达到平衡时就可以得到一个最佳的布局。基于根的布局算法是把网络布局看成一个层次结构，采用逐层布局的办法将拓扑展开，算法从所有的结点中选择几个度数最大的结点作为根结点，首先把根结点按照一定的规则布局(比如布局到一个环，或采用受力驱动布局算法布局等)，然后再对每一个根结点，按照一定的规则布局它的还未曾布局的邻居结点，接着再以刚刚布局过的所有结点为根重复上面的过程，如此递归下去，直到布局完所有的结点。ISOM神经网络布局算法将网络中的每一个结点的所有权值看成n维向量，结点的初始位置是随机赋值，通过竞争学习 不断调整结点的位置，达到最终的布局。这些算法经常会出现重叠，妨碍节点细节的展示，另外对图的聚类特性表现力也不足。

发明内容

本发明的贡献在于：实现了一种有效避免重叠现象发生的可视化布局算法：首先将图分解和表示为树状结构；其次，按照从下到上顺序，调用不同布局算法对树中不同类型的节点进行局部布局；最后，从上到下对节点进行全局布局，并通过带参距离进行优化，最终获得各节点的位置。

本发明采用的技术方案是：一种基于图多阶段任务系统模块分解(Graph ModularDecomposition)的信息可视化布局(Graph Layout)方法，包括图模块分解、图形布局、节点防重叠优化部分，其特征在于：不直接对节点进行布局，而是首先对图的内部结构进行分解与表示，亦即模块分解，然后依据模块分解树进行布局；其次，针对布局中节点重叠问题，对能量函数进行修正，采用带参可调距离计算节点间的引力与张力，使节点尚未重叠时，能量系统便趋于平衡，避免节点过度收拢而重叠。

进一步地，所述的布局过程是：首先，调用多阶段任务系统模块分解算法对图进行分解，生成模块分解树，以树的形式表示图的内在子结构，树中节点按照连接规律划分为Parallel、Serial和Neighbor三种类型；其次，自下而上，按照节点类型对子图进行局部布局，不同类型子图采用不同的布局算法，原则是美观、无重叠以及能反映节点聚类特性；最后，按照画布大小与实际需求，设置树根节点位置，然后自上而下，结合父节点的位置以及子节点相对父节点的位移对树中所有节点进行整体布局，最后获得的叶子节点位置即为布局结果。

本发明所提出的布局方法能有效地解决布局过程中出现的节点重叠现象，并能有效表达图中的聚类特征，实验表明，该方法获得的布局效果理想。

附图说明

附图1是基于图解技术的布局的总体算法。

附图2是Parallel和Serial子图的环状布局算法

附图3是布局算法在Karate数据集上的布局效果

附图4是布局算法在Hitech数据集上的布局效果

下面结合附图对本发明的内容作进一步详细说明。

具体实施方案

一种基于图多阶段任务系统模块分解(Graph Modular Decomposition)的信息可视化布局(Graph Layout)方法，包括图模块分解、图形布局、节点防重叠优化部分，其特征在于：不直接对节点进行布局，而是首先对图的内部结构进行分解与表示，亦即模块分解，然后依据模块分解树进行布局；其次，针对布局中节点重叠问题，对能量函数进行修正，采用带参可调距离计算节点间的引力与张力，使节点尚未重叠时，能量系统便趋于平衡，避免节点过度收拢而重叠。

所述的布局过程是：首先，调用多阶段任务系统模块分解算法对图进行分解，生成模块分解树，以树的形式表示图的内在子结构，树中节点按照连接规律划分为Parallel、Serial和Neighbor三种类型；其次，自下而上，按照节点类型对子图进行局部布局，不同类型子图采用不同的布局算法，原则是美观、无重叠以及能反映节点聚类特性；最后，按照画布大小与实际需求，设置树根节点位置，然后自上而下，结合父节点的位置以及子节点相对父节 点的位移对树中所有节点进行整体布局，最后获得的叶子节点位置即为布局结果。

设数据集G为包含m个顶点、n条边的无向图，记为G＝{V，E|V＝{v₁，v₂，...，v_m}，E＝{e₁，e₂，...，e_n}}。布局问题等价于：将图的顶点映射在二维空间的合适位置，并满足1)节点无重叠；2)关联紧密的节点聚类呈现；3)边的粗细反映节点间的关联紧密度。具体的实施步骤(图1所示)为：

Step1：模块分解，采用Marc Tedder提出的Recursive FactorizingPermutations图分解算法对图G进行分解，获得分解树T。T由三向链表(双亲指针、长子指针以及兄弟指针)存储，树中节点被划分为三类：无边子图(Parallel)、完全图(Serial)以及素图(Prime)

Step2：初始化，节点位置随机赋值，而节点大小等需结合具体问题进行初始化。

Step3：局部布局，自下向上对树中每层节点进行布局：对Parallel和Serial节点，采用环形布局方法Circle-layout(图2所示)；而对于Prime节点，采用距离带参可调的λ-Linlog算法(图3所示)进行布局，λ-Linlog算法可以刻画出图的聚类特性。

Circle-layout算法将节点均匀布局在圆环上：首先，根据节点数目计算扇形的角度α；其次，按照各节点的权重(半径)对节点进行排序，并按照一定的次将节点映射到圆环上；再次，根据“以大为准”的原则计算获得节点至圆环中心的半径；最后，计算节点相对于中心的位移。

λ-Linlog算法的工作过程为：首先，采用随机方式将对进行节点随机布局；其次，构建距离可调的能量函数

该能量函数包含了a、e和λ三个可调参数，该能量函数是Fruchterman Reingold、Vertex-Repulsion Linlog、Edge-Repulsion Linlog和Weighted Edge-Repulsion Linlog四种模型的统一表示，可以根据实际应用进行调整参数a和e选择合适的模型，对应关系如下表所示：

能量模型	参数a	参数e
			Fruchterman Reingold	3	0
Vertex-Repulsion Linlog	1	0
			Edge-Repulsion Linlog	1	1
Weighted Edge-Repulsion Linlog	1	1

参数λ通常大于1，考虑节点半径对节点距离的影响，通过λ的调整，使节点能在重叠前达到稳定状态。

Step4：根据屏幕或画布大小等实际应用需求，设置全图的中心位置，然后自上而下，根据各节点相对中心的偏移计算节点的实际位置坐标，最后便可采用绘画函数进行绘制。

为了验证算法的有效性，选择公开数据集Karate与Hitech进行实验，Karate描述的一个空手道俱乐部会员之间的多重联系(例如大学同学关系、参与同台比赛等)，数据集包括34个会员，156条关系数据。Hitech数据描述了Hitech公司内部雇员之间好友关系，数据集包括147条关系数据，33个用户。布局效果如图3、图4所示，可以看出该算法能够对节点进行无重叠布局，并对图中聚类特性采用不同的颜色进行标识，表现出很好的布局效果。

Claims (2)

1.一种基于图多阶段任务系统模块分解(Graph Modular Decomposition)的信息可视化布局(Graph Layout)方法，包括图模块分解、图形布局、节点防重叠优化部分，其特征在于：不直接对节点进行布局，而是首先对图的内部结构进行分解与表示，亦即模块分解，然后依据模块分解树进行布局；其次，针对布局中节点重叠问题，对能量函数进行修正，采用带参可调距离计算节点间的引力与张力，使节点尚未重叠时，能量系统便趋于平衡，避免节点过度收拢而重叠。

2.根据权利要求1所述的基于图多阶段任务系统模块分解(Graph ModularDecomposition)的信息可视化布局(Graph Layout)方法，其特征在于，所述的布局过程是：首先，调用多阶段任务系统模块分解算法对图进行分解，生成模块分解树，以树的形式表示图的内在子结构，树中节点按照连接规律划分为Parallel、Serial和Neighbor三种类型；其次，自下而上，按照节点类型对子图进行局部布局，不同类型子图采用不同的布局算法，原则是美观、无重叠以及能反映节点聚类特性；最后，按照画布大小与实际需求，设置树根节点位置，然后自上而下，结合父节点的位置以及子节点相对父节点的位移对树中所有节点进行整体布局，最后获得的叶子节点位置即为布局结果。