main.py

import pandas as pd
import numpy as np
import random
from tqdm import tqdm
import tkinter as tk
from tkinter import ttk, messagebox
import seaborn as sns
import networkx as nx
import json
import os
import time
import torch
import torch.nn as nn
import threading
import logging
import sqlite3
import dask.dataframe as dd
from difflib import get_close_matches

# Konfiguration des Loggers
logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

# Globale Variable zur Überprüfung der Initialisierung
initialized = False
category_nodes = []
questions = []
model_saved = False  # Schutzvariable

# Überprüfen, ob der Ordner existiert
output_dir = "plots"
if not os.path.exists(output_dir):
    os.makedirs(output_dir)

def split_csv(filename, chunk_size=1000, output_dir="data"):
    """

    Teilt eine CSV-Datei in kleinere Chunks auf und speichert diese in einem angegebenen Verzeichnis.



    Args:

        filename (str): Der Pfad zur CSV-Datei.

        chunk_size (int): Die Anzahl der Zeilen pro Chunk.

        output_dir (str): Das Verzeichnis, in dem die Chunks gespeichert werden sollen.

    """
    if not os.path.exists(output_dir):
        os.makedirs(output_dir)

    chunk_iter = pd.read_csv(filename, chunksize=chunk_size)
    for i, chunk in enumerate(chunk_iter):
        chunk.to_csv(os.path.join(output_dir, f"data_part_{i}.csv"), index=False)
        logging.info(f"Chunk {i} mit {len(chunk)} Zeilen gespeichert.")

def strengthen_question_connection(category_nodes, question, category):
    """

    Verstärkt die Verbindung zwischen einer Frage und einer Kategorie im Netzwerk.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        question (str): Die Frage, deren Verbindung verstärkt werden soll.

        category (str): Die Kategorie, zu der die Frage gehört.

    """
    category_node = next((node for node in category_nodes if node.label == category), None)
    if category_node:
        for conn in category_node.connections:
            if conn.target_node.label == question:
                old_weight = conn.weight
                conn.weight += 0.1  # Verstärkung der Verbindung
                conn.weight = np.clip(conn.weight, 0, 1.0)
                logging.info(f"Verstärkte Verbindung für Frage '{question}' in Kategorie '{category}': {old_weight:.4f} -> {conn.weight:.4f}")

def enhanced_hebbian_learning(node, target_node, learning_rate=0.2, decay_factor=0.01):
    """

    Wendet eine erweiterte Hebb'sche Lernregel an, um die Verbindung zwischen zwei Knoten zu verstärken.



    Args:

        node (Node): Der Ursprungsknoten.

        target_node (Node): Der Zielknoten.

        learning_rate (float): Die Lernrate.

        decay_factor (float): Der Verfallsfaktor.

    """
    old_weight = None
    for conn in node.connections:
        if conn.target_node == target_node:
            old_weight = conn.weight
            conn.weight += learning_rate * node.activation * target_node.activation
            conn.weight = np.clip(conn.weight - decay_factor * conn.weight, 0, 1.0)
            break

    if old_weight is not None:
        logging.info(f"Hebb'sches Lernen angewendet: Gewicht {old_weight:.4f} -> {conn.weight:.4f}")

def simulate_question_answering(category_nodes, question, questions):
    """

    Simuliert die Beantwortung einer Frage im Netzwerk.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        question (str): Die Frage, die beantwortet werden soll.

        questions (list): Liste aller Fragen.



    Returns:

        float: Die Aktivierung des Kategorie-Knotens.

    """
    category = next((q['category'] for q in questions if q['question'] == question), None)
    if not category:
        logging.warning(f"Frage '{question}' nicht gefunden!")
        return None

    category_node = next((node for node in category_nodes if node.label == category), None)
    if category_node:
        propagate_signal(category_node, input_signal=0.9, emotion_weights={}, emotional_state=1.0)
        activation = category_node.activation
        if activation is None or activation <= 0:
            logging.warning(f"Kategorie '{category}' hat eine ungültige Aktivierung: {activation}")
            return 0.0  # Rückgabe von 0, falls die Aktivierung fehlschlägt
        logging.info(f"Verarbeite Frage: '{question}' → Kategorie: '{category}' mit Aktivierung {activation:.4f}")
        return activation  # Entfernte doppelte Logging-Ausgabe
    else:
        logging.warning(f"Kategorie '{category}' nicht im Netzwerk gefunden. Die Kategorie wird neu hinzugefügt!")
        return 0.0

def find_question_by_keyword(questions, keyword):
    """

    Findet Fragen, die ein bestimmtes Schlüsselwort enthalten.



    Args:

        questions (list): Liste aller Fragen.

        keyword (str): Das Schlüsselwort, nach dem gesucht werden soll.



    Returns:

        list: Liste der gefundenen Fragen.

    """
    matching_questions = [q for q in questions if keyword.lower() in q['question'].lower()]
    return matching_questions if matching_questions else None

def find_similar_question(questions, query):
    """

    Findet die ähnlichste Frage basierend auf einfachen Ähnlichkeitsmetriken.



    Args:

        questions (list): Liste aller Fragen.

        query (str): Die Abfrage, nach der gesucht werden soll.



    Returns:

        dict: Die ähnlichste Frage.

    """
    question_texts = [q['question'] for q in questions]
    closest_matches = get_close_matches(query, question_texts, n=1, cutoff=0.6)

    if closest_matches:
        matched_question = next((q for q in questions if q['question'] == closest_matches[0]), None)
        return matched_question
    else:
        return {"question": "Keine passende Frage gefunden", "category": "Unbekannt"}

def find_similar_answer(answers, query):
    """

    Findet die ähnlichste Antwort basierend auf einfachen Ähnlichkeitsmetriken.



    Args:

        answers (list): Liste aller Antworten.

        query (str): Die Abfrage, nach der gesucht werden soll.



    Returns:

        dict: Die ähnlichste Antwort.

    """
    answer_texts = [a['answer'] for a in answers]
    closest_matches = get_close_matches(query, answer_texts, n=1, cutoff=0.6)

    if closest_matches:
        matched_answer = next((a for a in answers if a['answer'] == closest_matches[0]), None)
        return matched_answer
    else:
        return {"answer": "Keine passende Antwort gefunden", "category": "Unbekannt"}

def find_answer_by_keyword(answers, keyword):
    """

    Findet Antworten, die ein bestimmtes Schlüsselwort enthalten.



    Args:

        answers (list): Liste aller Antworten.

        keyword (str): Das Schlüsselwort, nach dem gesucht werden soll.



    Returns:

        list: Liste der gefundenen Antworten.

    """
    matching_answers = [a for a in answers if keyword.lower() in a['answer'].lower()]
    return matching_answers if matching_answers else None

def test_model(category_nodes, questions, query):
    """

    Testet das Modell mit einer Abfrage und gibt die gefundene Frage und die ähnlichste Frage aus.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        questions (list): Liste aller Fragen.

        query (str): Die Abfrage, nach der gesucht werden soll.

    """
    matched_question = find_question_by_keyword(questions, query)
    if matched_question:
        logging.info(f"Gefundene Frage: {matched_question[0]['question']} -> Kategorie: {matched_question[0]['category']}")
        simulate_question_answering(category_nodes, matched_question[0]['question'], questions)
    else:
        logging.warning("Keine passende Frage gefunden.")

    similarity_question = find_similar_question(questions, query)
    logging.info(f"Ähnlichste Frage: {similarity_question['question']} -> Kategorie: {similarity_question['category']}")

    # Finden und Verarbeiten der Antworten
    answers = [{"answer": q['answer'], "category": q['category']} for q in questions]
    matched_answer = find_answer_by_keyword(answers, query)
    if matched_answer:
        logging.info(f"Gefundene Antwort: {matched_answer[0]['answer']} -> Kategorie: {matched_answer[0]['category']}")
        simulate_question_answering(category_nodes, matched_answer[0]['answer'], questions)
    else:
        logging.warning("Keine passende Antwort gefunden.")

    similarity_answer = find_similar_answer(answers, query)
    logging.info(f"Ähnlichste Antwort: {similarity_answer['answer']} -> Kategorie: {similarity_answer['category']}")

def build_causal_graph(category_nodes):
    """

    Erstellt einen kausalen Graphen aus den Kategorie-Knoten.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.



    Returns:

        nx.DiGraph: Der erstellte kausale Graph.

    """
    G = nx.DiGraph()
    for node in category_nodes:
        G.add_node(node.label)
        for conn in node.connections:
            G.add_edge(node.label, conn.target_node.label, weight=conn.weight)
    return G

def analyze_causality_multiple(G, num_pairs=3):
    """

    Analysiert kausale Pfade zwischen zufälligen Knotenpaaren im Graphen.



    Args:

        G (nx.DiGraph): Der kausale Graph.

        num_pairs (int): Die Anzahl der zu analysierenden Knotenpaare.

    """
    if len(G.nodes) < 2:
        logging.warning("Graph enthält nicht genügend Knoten für eine Analyse.")
        return

    for _ in range(num_pairs):
        start_node, target_node = random.sample(G.nodes, 2)
        logging.info(f"Analysiere kausale Pfade von '{start_node}' nach '{target_node}'")

        try:
            paths = list(nx.all_simple_paths(G, source=start_node, target=target_node))
            if paths:
                for path in paths:
                    logging.info(f"Kausaler Pfad: {' -> '.join(path)}")
            else:
                logging.info(f"Kein Pfad gefunden von '{start_node}' nach '{target_node}'")
        except nx.NetworkXNoPath:
            logging.warning(f"Kein direkter Pfad zwischen '{start_node}' und '{target_node}' gefunden.")

def analyze_node_influence(G):
    """

    Analysiert den Einfluss der Knoten im Graphen.



    Args:

        G (nx.DiGraph): Der kausale Graph.

    """
    influence_scores = nx.pagerank(G, alpha=0.85)
    sorted_influences = sorted(influence_scores.items(), key=lambda x: x[1], reverse=True)
    for node, score in sorted_influences:
        logging.info(f"Knoten: {node}, Einfluss: {score:.4f}")

def do_intervention(node, new_value):
    """

    Führt eine Intervention auf einem Knoten durch, indem dessen Aktivierung auf einen neuen Wert gesetzt wird.



    Args:

        node (Node): Der Knoten, auf dem die Intervention durchgeführt werden soll.

        new_value (float): Der neue Aktivierungswert.

    """
    logging.info(f"Intervention: Setze {node.label} auf {new_value}")
    node.activation = new_value
    for conn in node.connections:
        conn.target_node.activation += node.activation * conn.weight

def contextual_causal_analysis(node, context_factors, learning_rate=0.1):
    """

    Verstärkt die kausale Beziehung eines Knotens basierend auf Kontextfaktoren.



    Args:

        node (Node): Der Knoten, dessen kausale Beziehung verstärkt werden soll.

        context_factors (dict): Die Kontextfaktoren.

        learning_rate (float): Die Lernrate.

    """
    context_factor = context_factors.get(node.label, 1.0)
    if node.activation > 0.8 and context_factor > 1.0:
        logging.info(f"Kausale Beziehung verstärkt für {node.label} aufgrund des Kontextes.")
        for conn in node.connections:
            conn.weight += learning_rate * context_factor
            conn.weight = np.clip(conn.weight, 0, 1.0)
            logging.info(f"Gewicht aktualisiert: {node.label} → {conn.target_node.label}, Gewicht: {conn.weight:.4f}")

class CausalInferenceNN(nn.Module):
    """

    Ein PyTorch-Modell für kausale Inferenz.

    """
    def __init__(self):
        super(CausalInferenceNN, self).__init__()
        self.fc1 = nn.Linear(10, 20)
        self.fc2 = nn.Linear(20, 1)

    def forward(self, x):
        x = torch.relu(self.fc1(x))
        return self.fc2(x)

def debug_connections(category_nodes):
    """

    Debuggt die Verbindungen zwischen den Kategorie-Knoten.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

    """
    start_time = time.time()
    for node in category_nodes:
        logging.info(f"Knoten: {node.label}")
        for conn in node.connections:
            logging.info(f" Verbindung zu: {conn.target_node.label}, Gewicht: {conn.weight}")
    end_time = time.time()
    logging.info(f"debug_connections Ausführungszeit: {end_time - start_time:.4f} Sekunden")

def sigmoid(x):
    """

    Berechnet die Sigmoid-Funktion.



    Args:

        x (float): Der Eingabewert.



    Returns:

        float: Der Ausgabewert der Sigmoid-Funktion.

    """
    return 1 / (1 + np.exp(-x))

def add_activation_noise(activation, noise_level=0.1):
    """

    Fügt Rauschen zur Aktivierung hinzu.



    Args:

        activation (float): Die Aktivierung.

        noise_level (float): Das Rausch-Level.



    Returns:

        float: Die Aktivierung mit Rauschen.

    """
    noise = np.random.normal(0, noise_level)
    return np.clip(activation + noise, 0.0, 1.0)

def decay_weights(category_nodes, decay_rate=0.002, forgetting_curve=0.95):
    """

    Verfall der Gewichte der Verbindungen zwischen den Knoten.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        decay_rate (float): Die Verfallsrate.

        forgetting_curve (float): Die Vergessenskurve.

    """
    for node in category_nodes:
        for conn in node.connections:
            conn.weight *= (1 - decay_rate) * forgetting_curve

def reward_connections(category_nodes, target_category, reward_factor=0.1):
    """

    Belohnt die Verbindungen zu einer bestimmten Kategorie.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        target_category (str): Die Zielkategorie.

        reward_factor (float): Der Belohnungsfaktor.

    """
    for node in category_nodes:
        if node.label == target_category:
            for conn in node.connections:
                conn.weight += reward_factor
                conn.weight = np.clip(conn.weight, 0, 1.0)

def apply_emotion_weight(activation, category_label, emotion_weights, emotional_state=1.0):
    """

    Wendet ein emotionales Gewicht auf die Aktivierung an.



    Args:

        activation (float): Die Aktivierung.

        category_label (str): Das Label der Kategorie.

        emotion_weights (dict): Die emotionalen Gewichte.

        emotional_state (float): Der emotionale Zustand.



    Returns:

        float: Die gewichtete Aktivierung.

    """
    emotion_factor = emotion_weights.get(category_label, 1.0) * emotional_state
    return activation * emotion_factor

def generate_simulated_answers(data, personality_distributions):
    """

    Generiert simulierte Antworten basierend auf Persönlichkeitsverteilungen.



    Args:

        data (pd.DataFrame): Die Eingabedaten.

        personality_distributions (dict): Die Persönlichkeitsverteilungen.



    Returns:

        list: Die simulierten Antworten.

    """
    simulated_answers = []
    for _, row in data.iterrows():
        category = row['Kategorie']
        mean = personality_distributions.get(category, 0.5)
        simulated_answer = np.clip(np.random.normal(mean, 0.2), 0.0, 1.0)
        simulated_answers.append(simulated_answer)
    return simulated_answers

def social_influence(category_nodes, social_network, influence_factor=0.1):
    """

    Wendet sozialen Einfluss auf die Verbindungen zwischen den Knoten an.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        social_network (dict): Das soziale Netzwerk.

        influence_factor (float): Der Einflussfaktor.

    """
    for node in category_nodes:
        for conn in node.connections:
            social_impact = sum([social_network.get(conn.target_node.label, 0)]) * influence_factor
            conn.weight += social_impact
            conn.weight = np.clip(conn.weight, 0, 1.0)

def update_emotional_state(emotional_state, emotional_change_rate=0.02):
    """

    Aktualisiert den emotionalen Zustand.



    Args:

        emotional_state (float): Der emotionale Zustand.

        emotional_change_rate (float): Die Änderungsrate des emotionalen Zustands.



    Returns:

        float: Der aktualisierte emotionale Zustand.

    """
    emotional_state += np.random.normal(0, emotional_change_rate)
    return np.clip(emotional_state, 0.7, 1.5)

def apply_contextual_factors(activation, node, context_factors):
    """

    Wendet kontextuelle Faktoren auf die Aktivierung an.



    Args:

        activation (float): Die Aktivierung.

        node (Node): Der Knoten.

        context_factors (dict): Die kontextuellen Faktoren.



    Returns:

        float: Die aktualisierte Aktivierung.

    """
    context_factor = context_factors.get(node.label, 1.0)
    return activation * context_factor * random.uniform(0.9, 1.1)

def long_term_memory(category_nodes, long_term_factor=0.01):
    """

    Verstärkt die Gewichte der Verbindungen im Langzeitgedächtnis.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        long_term_factor (float): Der Langzeitfaktor.

    """
    for node in category_nodes:
        for conn in node.connections:
            conn.weight += long_term_factor * conn.weight
            conn.weight = np.clip(conn.weight, 0, 1.0)

def hebbian_learning(node, learning_rate=0.3, weight_limit=1.0, reg_factor=0.005):
    """

    Wendet Hebb'sches Lernen auf die Verbindungen eines Knotens an.



    Args:

        node (Node): Der Knoten.

        learning_rate (float): Die Lernrate.

        weight_limit (float): Die Gewichtsgrenze.

        reg_factor (float): Der Regularisierungsfaktor.

    """
    for connection in node.connections:
        old_weight = connection.weight
        connection.weight += learning_rate * node.activation * connection.target_node.activation
        connection.weight = np.clip(connection.weight, -weight_limit, weight_limit)
        connection.weight -= reg_factor * connection.weight
        node.activation_history.append(node.activation)  # Aktivierung speichern
        connection.target_node.activation_history.append(connection.target_node.activation)
        logging.info(f"Hebb'sches Lernen: Gewicht von {old_weight:.4f} auf {connection.weight:.4f} erhöht")

class Connection:
    """

    Eine Verbindung zwischen zwei Knoten im Netzwerk.

    """
    def __init__(self, target_node, weight=None):
        self.target_node = target_node
        self.weight = weight if weight is not None else random.uniform(0.1, 1.0)

class Node:
    """

    Ein Knoten im Netzwerk.

    """
    def __init__(self, label):
        self.label = label
        self.connections = []
        self.activation = 0.0
        self.activation_history = []

    def add_connection(self, target_node, weight=None):
        """

        Fügt eine Verbindung zu einem Zielknoten hinzu.



        Args:

            target_node (Node): Der Zielknoten.

            weight (float): Das Gewicht der Verbindung.

        """
        self.connections.append(Connection(target_node, weight))

    def save_state(self):
        """

        Speichert den Zustand des Knotens.



        Returns:

            dict: Der gespeicherte Zustand des Knotens.

        """
        return {
            "label": self.label,
            "activation": self.activation,
            "activation_history": self.activation_history,
            "connections": [{"target": conn.target_node.label, "weight": conn.weight} for conn in self.connections]
        }

    @staticmethod
    def load_state(state, nodes_dict):
        """

        Lädt den Zustand eines Knotens.



        Args:

            state (dict): Der gespeicherte Zustand des Knotens.

            nodes_dict (dict): Ein Dictionary der Knoten.



        Returns:

            Node: Der geladene Knoten.

        """
        node = Node(state["label"])
        node.activation = state["activation"]
        node.activation_history = state["activation_history"]
        for conn_state in state["connections"]:
            target_node = nodes_dict[conn_state["target"]]
            connection = Connection(target_node, conn_state["weight"])
            node.connections.append(connection)
        return node

class MemoryNode(Node):
    """

    Ein Gedächtnisknoten im Netzwerk.

    """
    def __init__(self, label, memory_type="short_term"):
        super().__init__(label)
        self.memory_type = memory_type
        self.retention_time = {"short_term": 5, "mid_term": 20, "long_term": 100}[memory_type]
        self.time_in_memory = 0

    def decay(self, decay_rate, context_factors, emotional_state):
        """

        Verfall der Gewichte der Verbindungen basierend auf dem Gedächtnistyp.



        Args:

            decay_rate (float): Die Verfallsrate.

            context_factors (dict): Die kontextuellen Faktoren.

            emotional_state (float): Der emotionale Zustand.

        """
        context_factor = context_factors.get(self.label, 1.0)
        emotional_factor = emotional_state
        for conn in self.connections:
            if self.memory_type == "short_term":
                conn.weight *= (1 - decay_rate * 2 * context_factor * emotional_factor)
            elif self.memory_type == "mid_term":
                conn.weight *= (1 - decay_rate * context_factor * emotional_factor)
            elif self.memory_type == "long_term":
                conn.weight *= (1 - decay_rate * 0.5 * context_factor * emotional_factor)

    def promote(self, activation_threshold=0.7):
        """

        Fördert den Knoten basierend auf der Aktivierungshistorie.



        Args:

            activation_threshold (float): Der Aktivierungsschwellenwert.

        """
        if len(self.activation_history) == 0:
            return
        if self.memory_type == "short_term" and np.mean(self.activation_history[-5:]) > activation_threshold:
            self.memory_type = "mid_term"
            self.retention_time = 20
        elif self.memory_type == "mid_term" and np.mean(self.activation_history[-20:]) > activation_threshold:
            self.memory_type = "long_term"
            self.retention_time = 100

class CortexCreativus(Node):
    """

    Ein Knoten, der neue Ideen generiert.

    """
    def __init__(self, label):
        super().__init__(label)

    def generate_new_ideas(self, category_nodes):
        """

        Generiert neue Ideen basierend auf den Aktivierungen der Kategorie-Knoten.



        Args:

            category_nodes (list): Liste der Kategorie-Knoten.



        Returns:

            list: Die generierten neuen Ideen.

        """
        new_ideas = []
        for node in category_nodes:
            if node.activation > 0.5:
                new_idea = f"New idea based on {node.label} with activation {node.activation}"
                new_ideas.append(new_idea)
        return new_ideas

class SimulatrixNeuralis(Node):
    """

    Ein Knoten, der Szenarien simuliert.

    """
    def __init__(self, label):
        super().__init__(label)

    def simulate_scenarios(self, category_nodes):
        """

        Simuliert Szenarien basierend auf den Aktivierungen der Kategorie-Knoten.



        Args:

            category_nodes (list): Liste der Kategorie-Knoten.



        Returns:

            list: Die simulierten Szenarien.

        """
        scenarios = []
        for node in category_nodes:
            if node.activation > 0.5:
                scenario = f"Simulated scenario based on {node.label} with activation {node.activation}"
                scenarios.append(scenario)
        return scenarios

class CortexCriticus(Node):
    """

    Ein Knoten, der Ideen bewertet.

    """
    def __init__(self, label):
        super().__init__(label)

    def evaluate_ideas(self, ideas):
        """

        Bewertet Ideen.



        Args:

            ideas (list): Die zu bewertenden Ideen.



        Returns:

            list: Die bewerteten Ideen.

        """
        evaluated_ideas = []
        for idea in ideas:
            evaluation_score = random.uniform(0, 1)
            evaluation = f"Evaluated idea: {idea} - Score: {evaluation_score}"
            evaluated_ideas.append(evaluation)
        return evaluated_ideas

class LimbusAffectus(Node):
    """

    Ein Knoten, der emotionale Gewichte auf Ideen anwendet.

    """
    def __init__(self, label):
        super().__init__(label)

    def apply_emotion_weight(self, ideas, emotional_state):
        """

        Wendet emotionale Gewichte auf Ideen an.



        Args:

            ideas (list): Die Ideen.

            emotional_state (float): Der emotionale Zustand.



        Returns:

            list: Die emotional gewichteten Ideen.

        """
        weighted_ideas = []
        for idea in ideas:
            weighted_idea = f"Emotionally weighted idea: {idea} - Weight: {emotional_state}"
            weighted_ideas.append(weighted_idea)
        return weighted_ideas

class MetaCognitio(Node):
    """

    Ein Knoten, der das System optimiert.

    """
    def __init__(self, label):
        super().__init__(label)

    def optimize_system(self, category_nodes):
        """

        Optimiert das System.



        Args:

            category_nodes (list): Liste der Kategorie-Knoten.

        """
        for node in category_nodes:
            node.activation *= random.uniform(0.9, 1.1)

class CortexSocialis(Node):
    """

    Ein Knoten, der soziale Interaktionen simuliert.

    """
    def __init__(self, label):
        super().__init__(label)

    def simulate_social_interactions(self, category_nodes):
        """

        Simuliert soziale Interaktionen basierend auf den Aktivierungen der Kategorie-Knoten.



        Args:

            category_nodes (list): Liste der Kategorie-Knoten.



        Returns:

            list: Die simulierten sozialen Interaktionen.

        """
        interactions = []
        for node in category_nodes:
            if node.activation > 0.5:
                interaction = f"Simulated social interaction based on {node.label} with activation {node.activation}"
                interactions.append(interaction)
        return interactions

def connect_new_brains_to_network(category_nodes, new_brains):
    """

    Verbindet neue Gehirne mit dem Netzwerk.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        new_brains (list): Liste der neuen Gehirne.

    """
    for brain in new_brains:
        for node in category_nodes:
            brain.add_connection(node)
            node.add_connection(brain)

def initialize_quiz_network(categories):
    """

    Initialisiert das Quiz-Netzwerk mit den gegebenen Kategorien.



    Args:

        categories (list): Liste der Kategorien.



    Returns:

        list: Liste der Kategorie-Knoten.

    """
    try:
        category_nodes = [Node(c) for c in categories]
        for node in category_nodes:
            for target_node in category_nodes:
                if node != target_node:
                    node.add_connection(target_node)
                    logging.debug(f"Verbindung hinzugefügt: {node.label} → {target_node.label}")
        debug_connections(category_nodes)
        for node in category_nodes:
            logging.info(f"Knoten erstellt: {node.label}")
            for conn in node.connections:
                logging.info(f"  → Verbindung zu {conn.target_node.label} mit Gewicht {conn.weight:.4f}")
        return category_nodes
    except Exception as e:
        logging.error(f"Fehler bei der Netzwerk-Initialisierung: {e}")
        return []

def propagate_signal(node, input_signal, emotion_weights, emotional_state=1.0, context_factors=None):
    """

    Propagiert ein Signal durch das Netzwerk.



    Args:

        node (Node): Der Knoten, an dem das Signal beginnt.

        input_signal (float): Das Eingangssignal.

        emotion_weights (dict): Die emotionalen Gewichte.

        emotional_state (float): Der emotionale Zustand.

        context_factors (dict): Die kontextuellen Faktoren.

    """
    node.activation = add_activation_noise(sigmoid(input_signal * random.uniform(0.8, 1.2)))
    node.activation_history.append(node.activation)  # Aktivierung speichern
    node.activation = apply_emotion_weight(node.activation, node.label, emotion_weights, emotional_state)
    if context_factors:
        node.activation = apply_contextual_factors(node.activation, node, context_factors)
    logging.info(f"Signalpropagation für {node.label}: Eingangssignal {input_signal:.4f}")
    for connection in node.connections:
        logging.info(f"  → Signal an {connection.target_node.label} mit Gewicht {connection.weight:.4f}")
        connection.target_node.activation += node.activation * connection.weight

def propagate_signal_with_memory(node, input_signal, category_nodes, memory_nodes, context_factors, emotional_state):
    """

    Propagiert ein Signal durch das Netzwerk mit Gedächtnis.



    Args:

        node (Node): Der Knoten, an dem das Signal beginnt.

        input_signal (float): Das Eingangssignal.

        category_nodes (list): Liste der Kategorie-Knoten.

        memory_nodes (list): Liste der Gedächtnisknoten.

        context_factors (dict): Die kontextuellen Faktoren.

        emotional_state (float): Der emotionale Zustand.

    """
    node.activation = add_activation_noise(sigmoid(input_signal))
    node.activation_history.append(node.activation)
    for connection in node.connections:
        connection.target_node.activation += node.activation * connection.weight
    for memory_node in memory_nodes:
        memory_node.time_in_memory += 1
        memory_node.promote()

def simulate_learning(data, category_nodes, personality_distributions, epochs=10, learning_rate=0.8, reward_interval=5, decay_rate=0.002, emotional_state=1.0, context_factors=None):
    """

    Simuliert das Lernen im Netzwerk.



    Args:

        data (pd.DataFrame): Die Eingabedaten.

        category_nodes (list): Liste der Kategorie-Knoten.

        personality_distributions (dict): Die Persönlichkeitsverteilungen.

        epochs (int): Die Anzahl der Epochen.

        learning_rate (float): Die Lernrate.

        reward_interval (int): Das Belohnungsintervall.

        decay_rate (float): Die Verfallsrate.

        emotional_state (float): Der emotionale Zustand.

        context_factors (dict): Die kontextuellen Faktoren.



    Returns:

        tuple: Die Aktivierungshistorie und die Gewichtshistorie.

    """
    if context_factors is None:
        context_factors = {}

    weights_history = {f"{node.label} → {conn.target_node.label}": [] for node in category_nodes for conn in node.connections}
    activation_history = {node.label: [] for node in category_nodes}
    question_nodes = []

    for idx, row in data.iterrows():
        q_node = Node(row['Frage'])
        question_nodes.append(q_node)
        category_label = row['Kategorie'].strip()
        category_node = next((c for c in category_nodes if c.label == category_label), None)
        if category_node:
            q_node.add_connection(category_node)
            logging.debug(f"Verbindung hinzugefügt: {q_node.label} → {category_node.label}")
        else:
            logging.warning(f"Warnung: Kategorie '{category_label}' nicht gefunden für Frage '{row['Frage']}'.")

        # Füge Antwortknoten hinzu
        a_node = Node(row['Antwort'])
        question_nodes.append(a_node)
        a_node.add_connection(category_node)
        logging.debug(f"Verbindung hinzugefügt: {a_node.label} → {category_node.label}")

    emotion_weights = {category: 1.0 for category in data['Kategorie'].unique()}
    social_network = {category: random.uniform(0.1, 1.0) for category in data['Kategorie'].unique()}

    for epoch in range(epochs):
        logging.info(f"\n--- Epoche {epoch + 1} ---")
        simulated_answers = generate_simulated_answers(data, personality_distributions)

        for node in category_nodes:
            node.activation_sum = 0.0
            node.activation_count = 0

        for node in category_nodes:
            propagate_signal(node, random.uniform(0.1, 0.9), emotion_weights, emotional_state, context_factors)
            node.activation_history.append(node.activation)  # Aktivierung speichern

        for idx, q_node in enumerate(question_nodes):
            if idx >= len(simulated_answers):
                logging.error(f"IndexError: idx={idx} ist größer als die Länge der simulated_answers-Liste ({len(simulated_answers)})")
                continue

            for node in category_nodes + question_nodes:
                node.activation = 0.0
            answer = simulated_answers[idx]
            propagate_signal(q_node, answer, emotion_weights, emotional_state, context_factors)
            q_node.activation_history.append(q_node.activation)  # Aktivierung speichern
            hebbian_learning(q_node, learning_rate)

            for node in category_nodes:
                node.activation_sum += node.activation
                if node.activation > 0:
                    node.activation_count += 1

            for node in category_nodes:
                for conn in node.connections:
                    weights_history[f"{node.label} → {conn.target_node.label}"].append(conn.weight)
                    logging.debug(f"Gewicht aktualisiert: {node.label} → {conn.target_node.label}, Gewicht: {conn.weight}")

            # Kausalitätsverstärkung anwenden
            contextual_causal_analysis(q_node, context_factors, learning_rate)

        for node in category_nodes:
            if node.activation_count > 0:
                mean_activation = node.activation_sum / node.activation_count
                activation_history[node.label].append(mean_activation)
                logging.info(f"Durchschnittliche Aktivierung für Knoten {node.label}: {mean_activation:.4f}")
            else:
                activation_history[node.label].append(0.0)
                logging.info(f"Knoten {node.label} wurde in dieser Epoche nicht aktiviert.")

        if (epoch + 1) % reward_interval == 0:
            target_category = random.choice(data['Kategorie'].unique())
            reward_connections(category_nodes, target_category=target_category)

        decay_weights(category_nodes, decay_rate=decay_rate)
        social_influence(category_nodes, social_network)

    logging.info("Simulation abgeschlossen. Ergebnisse werden analysiert...")
    return activation_history, weights_history

def simulate_multilevel_memory(data, category_nodes, personality_distributions, epochs=10):
    """

    Simuliert das Lernen im Netzwerk mit mehrstufigem Gedächtnis.



    Args:

        data (pd.DataFrame): Die Eingabedaten.

        category_nodes (list): Liste der Kategorie-Knoten.

        personality_distributions (dict): Die Persönlichkeitsverteilungen.

        epochs (int): Die Anzahl der Epochen.



    Returns:

        tuple: Die Kurzzeit-, Mittelzeit- und Langzeitgedächtnisknoten.

    """
    short_term_memory = [MemoryNode(c, "short_term") for c in category_nodes]
    mid_term_memory = []
    long_term_memory = []
    memory_nodes = short_term_memory + mid_term_memory + long_term_memory
    context_factors = {question: random.uniform(0.9, 1.1) for question in data['Frage'].unique()}
    emotional_state = 1.0
    for epoch in range(epochs):
        logging.info(f"\n--- Epoche {epoch + 1} ---")
        for node in short_term_memory:
            input_signal = random.uniform(0.1, 1.0)
            propagate_signal_with_memory(node, input_signal, category_nodes, memory_nodes, context_factors, emotional_state)
        for memory_node in memory_nodes:
            memory_node.decay(decay_rate=0.01, context_factors=context_factors, emotional_state=emotional_state)
        for memory_node in memory_nodes:
            memory_node.promote()
        short_term_memory, mid_term_memory, long_term_memory = update_memory_stages(memory_nodes)
        logging.info(f"Epoche {epoch + 1}: Kurzzeit {len(short_term_memory)}, Mittelzeit {len(mid_term_memory)}, Langzeit {len(long_term_memory)}")
    return short_term_memory, mid_term_memory, long_term_memory

def update_memory_stages(memory_nodes):
    """

    Aktualisiert die Gedächtnisstufen der Gedächtnisknoten.



    Args:

        memory_nodes (list): Liste der Gedächtnisknoten.



    Returns:

        tuple: Die Kurzzeit-, Mittelzeit- und Langzeitgedächtnisknoten.

    """
    short_term_memory = [node for node in memory_nodes if node.memory_type == "short_term"]
    mid_term_memory = [node for node in memory_nodes if node.memory_type == "mid_term"]
    long_term_memory = [node for node in memory_nodes if node.memory_type == "long_term"]
    return short_term_memory, mid_term_memory, long_term_memory

def plot_activation_history(activation_history, filename="activation_history.png"):
    """

    Erstellt einen Plot der Aktivierungshistorie.



    Args:

        activation_history (dict): Die Aktivierungshistorie.

        filename (str): Der Dateiname des Plots.

    """
    if not activation_history:
        logging.warning("No activation history to plot")
        return
    plt.figure(figsize=(12, 8))
    for label, activations in activation_history.items():
        if len(activations) > 0:
            plt.plot(range(1, len(activations) + 1), activations, label=label)
    plt.title("Entwicklung der Aktivierungen während des Lernens")
    plt.xlabel("Epoche")
    plt.ylabel("Aktivierung")
    plt.legend()
    plt.grid(True)
    plt.savefig(os.path.join(output_dir, filename), dpi=300, bbox_inches="tight")
    plt.close()
    logging.info(f"Plot gespeichert unter: {os.path.join(output_dir, filename)}")

def plot_dynamics(activation_history, weights_history, filename="dynamics.png"):
    """

    Erstellt einen Plot der Aktivierungs- und Gewichtsdynamik.



    Args:

        activation_history (dict): Die Aktivierungshistorie.

        weights_history (dict): Die Gewichtshistorie.

        filename (str): Der Dateiname des Plots.

    """
    if not weights_history:
        logging.error("weights_history ist leer.")
        return

    plt.figure(figsize=(16, 12))
    plt.subplot(2, 2, 1)
    for label, activations in activation_history.items():
        if len(activations) > 0:
            plt.plot(range(1, len(activations) + 1), activations, label=label)
    plt.title("Entwicklung der Aktivierungen während des Lernens")
    plt.xlabel("Epoche")
    plt.ylabel("Aktivierung")
    plt.legend()
    plt.grid(True)

    plt.subplot(2, 2, 2)
    for label, weights in weights_history.items():
        if len(weights) > 0:
            plt.plot(range(1, len(weights) + 1), weights, label=label, alpha=0.7)
    plt.title("Entwicklung der Verbindungsgewichte während des Lernens")
    plt.xlabel("Epoche")
    plt.ylabel("Gewicht")
    plt.legend(bbox_to_anchor=(1.05, 1), loc='upper left')
    plt.grid(True)

    plt.savefig(os.path.join(output_dir, filename), dpi=300, bbox_inches="tight")
    plt.close()
    logging.info(f"Plot gespeichert unter: {os.path.join(output_dir, filename)}")

def plot_memory_distribution(short_term_memory, mid_term_memory, long_term_memory, filename="memory_distribution.png"):
    """

    Erstellt einen Plot der Gedächtnisverteilung.



    Args:

        short_term_memory (list): Liste der Kurzzeitgedächtnisknoten.

        mid_term_memory (list): Liste der Mittelzeitgedächtnisknoten.

        long_term_memory (list): Liste der Langzeitgedächtnisknoten.

        filename (str): Der Dateiname des Plots.

    """
    counts = [len(short_term_memory), len(mid_term_memory), len(long_term_memory)]
    labels = ["Kurzfristig", "Mittelfristig", "Langfristig"]
    plt.figure(figsize=(8, 6))
    plt.bar(labels, counts, color=["red", "blue", "green"])
    plt.title("Verteilung der Gedächtnisknoten")
    plt.ylabel("Anzahl der Knoten")
    plt.savefig(os.path.join(output_dir, filename), dpi=300, bbox_inches="tight")
    plt.close()
    logging.info(f"Plot gespeichert unter: {os.path.join(output_dir, filename)}")

def plot_activation_heatmap(activation_history, filename="activation_heatmap.png"):
    """

    Erstellt einen Plot der Aktivierungswerte als Heatmap.



    Args:

        activation_history (dict): Die Aktivierungshistorie.

        filename (str): Der Dateiname des Plots.

    """
    if not activation_history:
        logging.warning("No activation history to plot")
        return

    min_length = min(len(activations) for activations in activation_history.values())
    truncated_activations = {key: values[:min_length] for key, values in activation_history.items()}

    plt.figure(figsize=(12, 8))
    heatmap_data = np.array([activations for activations in truncated_activations.values()])

    if heatmap_data.size == 0:
        logging.error("Heatmap-Daten sind leer. Überprüfen Sie die Aktivierungshistorie.")
        return

    sns.heatmap(heatmap_data, cmap="YlGnBu", xticklabels=truncated_activations.keys(), yticklabels=False)
    plt.title("Heatmap der Aktivierungswerte")
    plt.xlabel("Kategorie")
    plt.ylabel("Epoche")
    plt.savefig(os.path.join(output_dir, filename), dpi=300, bbox_inches="tight")
    plt.close()
    logging.info(f"Plot gespeichert unter: {os.path.join(output_dir, filename)}")

def plot_network_topology(category_nodes, new_brains, filename="network_topology.png"):
    """

    Erstellt einen Plot der Netzwerktopologie.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        new_brains (list): Liste der neuen Gehirne.

        filename (str): Der Dateiname des Plots.

    """
    G = nx.DiGraph()
    for node in category_nodes:
        G.add_node(node.label)
        for conn in node.connections:
            G.add_edge(node.label, conn.target_node.label, weight=conn.weight)
    for brain in new_brains:
        G.add_node(brain.label, color='red')
        for conn in brain.connections:
            G.add_edge(brain.label, conn.target_node.label, weight=conn.weight)

    pos = nx.spring_layout(G)
    edge_labels = {(u, v): d['weight'] for u, v, d in G.edges(data=True)}
    node_colors = [G.nodes[node].get('color', 'skyblue') for node in G.nodes()]

    nx.draw(G, pos, with_labels=True, node_size=3000, node_color=node_colors, font_size=10, font_weight="bold", edge_color="gray")
    nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels)
    plt.title("Netzwerktopologie")
    plt.savefig(os.path.join(output_dir, filename), dpi=300, bbox_inches="tight")
    plt.close()
    logging.info(f"Plot gespeichert unter: {os.path.join(output_dir, filename)}")

def save_model(category_nodes, filename="model.json"):
    """

    Speichert das Modell in einer JSON-Datei.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        filename (str): Der Dateiname der JSON-Datei.

    """
    model_data = {
        "nodes": [node.save_state() for node in category_nodes]
    }
    with open(filename, "w") as file:
        json.dump(model_data, file, indent=4)
    logging.info(f"Modell gespeichert in {filename}")

def save_model_with_questions_and_answers(category_nodes, questions, filename="model_with_qa.json"):
    """

    Speichert das Modell mit Fragen und Antworten in einer JSON-Datei.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        questions (list): Liste der Fragen.

        filename (str): Der Dateiname der JSON-Datei.

    """
    global model_saved
    logging.info("Starte Speichern des Modells...")

    # Überprüfen, ob Änderungen vorgenommen wurden
    current_model_data = {
        "nodes": [node.save_state() for node in category_nodes],
        "questions": questions
    }

    if os.path.exists(filename):
        try:
            with open(filename, "r", encoding="utf-8") as file:
                existing_model_data = json.load(file)
                if existing_model_data == current_model_data:
                    logging.info("Keine Änderungen erkannt, erneutes Speichern übersprungen.")
                    return
        except Exception as e:
            logging.warning(f"Fehler beim Überprüfen des vorhandenen Modells: {e}")

    # Speichern des aktualisierten Modells
    try:
        with open(filename, "w", encoding="utf-8") as file:
            json.dump(current_model_data, file, indent=4)
        logging.info(f"Modell erfolgreich gespeichert unter {filename}.")
        model_saved = True  # Setze auf True nach erfolgreichem Speichern
    except Exception as e:
        logging.error(f"Fehler beim Speichern des Modells: {e}")

def load_model_with_questions_and_answers(filename="model_with_qa.json"):
    """

    Lädt das Modell mit Fragen und Antworten aus einer JSON-Datei.



    Args:

        filename (str): Der Dateiname der JSON-Datei.



    Returns:

        tuple: Die Liste der Kategorie-Knoten und die Liste der Fragen.

    """
    global initialized
    if initialized:
        logging.info("Modell bereits initialisiert.")
        return None, None

    if not os.path.exists(filename):
        logging.warning(f"Datei {filename} nicht gefunden. Netzwerk wird initialisiert.")
        return None, None

    try:
        with open(filename, "r", encoding="utf-8") as file:
            model_data = json.load(file)

        nodes_dict = {node_data["label"]: Node(node_data["label"]) for node_data in model_data["nodes"]}

        for node_data in model_data["nodes"]:
            node = nodes_dict[node_data["label"]]
            node.activation = node_data.get("activation", 0.0)
            for conn_state in node_data["connections"]:
                target_node = nodes_dict.get(conn_state["target"])
                if target_node:
                    node.add_connection(target_node, conn_state["weight"])

        questions = model_data.get("questions", [])
        logging.info(f"Modell geladen mit {len(nodes_dict)} Knoten und {len(questions)} Fragen")
        initialized = True
        return list(nodes_dict.values()), questions

    except json.JSONDecodeError as e:
        logging.error(f"Fehler beim Parsen der JSON-Datei: {e}")
        return None, None

def update_questions_with_answers(filename="model_with_qa.json"):
    """

    Aktualisiert die Fragen mit Antworten in der JSON-Datei.



    Args:

        filename (str): Der Dateiname der JSON-Datei.

    """
    with open(filename, "r") as file:
        model_data = json.load(file)

    for question in model_data["questions"]:
        if "answer" not in question:
            question["answer"] = input(f"Gib die Antwort für: '{question['question']}': ")

    with open(filename, "w") as file:
        json.dump(model_data, file, indent=4)
    logging.info(f"Fragen wurden mit Antworten aktualisiert und gespeichert in {filename}")

def find_best_answer(category_nodes, questions, query):
    """

    Findet die beste Antwort auf eine Abfrage.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        questions (list): Liste der Fragen.

        query (str): Die Abfrage.



    Returns:

        str: Die beste Antwort.

    """
    matched_question = find_similar_question(questions, query)
    if matched_question:
        logging.info(f"Gefundene Frage: {matched_question['question']} -> Kategorie: {matched_question['category']}")
        answer = matched_question.get("answer", "Keine Antwort verfügbar")
        logging.info(f"Antwort: {answer}")
        return answer
    else:
        logging.warning("Keine passende Frage gefunden.")
        return None

def create_dashboard(category_nodes, activation_history, short_term_memory, mid_term_memory, long_term_memory):
    """

    Erstellt ein Dashboard zur Anzeige der Aktivierungshistorie, Gedächtnisverteilung und Netzwerktopologie.



    Args:

        category_nodes (list): Liste der Kategorie-Knoten.

        activation_history (dict): Die Aktivierungshistorie.

        short_term_memory (list): Liste der Kurzzeitgedächtnisknoten.

        mid_term_memory (list): Liste der Mittelzeitgedächtnisknoten.

        long_term_memory (list): Liste der Langzeitgedächtnisknoten.

    """
    root = tk.Tk()
    root.title("Psyco Dashboard")

    # Anzeige der Aktivierungshistorie
    activation_frame = ttk.Frame(root, padding="10")
    activation_frame.pack(fill=tk.BOTH, expand=True)
    activation_label = ttk.Label(activation_frame, text="Aktivierungshistorie")
    activation_label.pack()
    if activation_history:
        for label, activations in activation_history.items():
            fig, ax = plt.subplots()
            ax.plot(range(1, len(activations) + 1), activations)
            ax.set_title(label)
            canvas = FigureCanvasTkAgg(fig, master=activation_frame)
            canvas.draw()
            canvas.get_tk_widget().pack()
    else:
        no_data_label = ttk.Label(activation_frame, text="Keine Aktivierungshistorie verfügbar.")
        no_data_label.pack()

    # Anzeige der Gedächtnisverteilung
    memory_frame = ttk.Frame(root, padding="10")
    memory_frame.pack(fill=tk.BOTH, expand=True)
    memory_label = ttk.Label(memory_frame, text="Gedächtnisverteilung")
    memory_label.pack()
    memory_counts = [len(short_term_memory), len(mid_term_memory), len(long_term_memory)]
    labels = ["Kurzfristig", "Mittelfristig", "Langfristig"]
    fig, ax = plt.subplots()
    ax.bar(labels, memory_counts, color=["red", "blue", "green"])
    ax.set_title("Verteilung der Gedächtnisknoten")
    ax.set_ylabel("Anzahl der Knoten")
    canvas = FigureCanvasTkAgg(fig, master=memory_frame)
    canvas.draw()
    canvas.get_tk_widget().pack()

    # Anzeige der Netzwerktopologie
    topology_frame = ttk.Frame(root, padding="10")
    topology_frame.pack(fill=tk.BOTH, expand=True)
    topology_label = ttk.Label(topology_frame, text="Netzwerktopologie")
    topology_label.pack()
    G = nx.DiGraph()
    for node in category_nodes:
        G.add_node(node.label)
        for conn in node.connections:
            G.add_edge(node.label, conn.target_node.label, weight=conn.weight)
    pos = nx.spring_layout(G)
    edge_labels = {(u, v): d['weight'] for u, v, d in G.edges(data=True)}
    node_colors = ['skyblue' for _ in G.nodes()]
    fig, ax = plt.subplots()
    nx.draw(G, pos, with_labels=True, node_size=3000, node_color=node_colors, font_size=10, font_weight="bold", edge_color="gray", ax=ax)
    nx.draw_networkx_edge_labels(G, pos, edge_labels=edge_labels, ax=ax)
    ax.set_title("Netzwerktopologie")
    canvas = FigureCanvasTkAgg(fig, master=topology_frame)
    canvas.draw()
    canvas.get_tk_widget().pack()

    # Anzeige der Heatmap der Aktivierungswerte
    heatmap_frame = ttk.Frame(root, padding="10")
    heatmap_frame.pack(fill=tk.BOTH, expand=True)
    heatmap_label = ttk.Label(heatmap_frame, text="Heatmap der Aktivierungswerte")
    heatmap_label.pack()
    if activation_history:
        min_length = min(len(activations) for activations in activation_history.values())
        truncated_activations = {key: values[:min_length] for key, values in activation_history.items()}
        heatmap_data = np.array([activations for activations in truncated_activations.values()])
        if heatmap_data.size > 0:
            fig, ax = plt.subplots()
            sns.heatmap(heatmap_data, cmap="YlGnBu", xticklabels=truncated_activations.keys(), yticklabels=False, ax=ax)
            ax.set_title("Heatmap der Aktivierungswerte")
            ax.set_xlabel("Kategorie")
            ax.set_ylabel("Epoche")
            canvas = FigureCanvasTkAgg(fig, master=heatmap_frame)
            canvas.draw()
            canvas.get_tk_widget().pack()
        else:
            no_data_label = ttk.Label(heatmap_frame, text="Heatmap-Daten sind leer. Überprüfen Sie die Aktivierungshistorie.")
            no_data_label.pack()
    else:
        no_data_label = ttk.Label(heatmap_frame, text="Keine Aktivierungshistorie verfügbar.")
        no_data_label.pack()

    root.mainloop()

def process_csv_in_chunks(filename, chunk_size=10000):
    """

    Verarbeitet eine CSV-Datei in Chunks.



    Args:

        filename (str): Der Pfad zur CSV-Datei.

        chunk_size (int): Die Anzahl der Zeilen pro Chunk.



    Returns:

        pd.DataFrame: Die verarbeiteten Daten.

    """
    global category_nodes, questions
    logging.info(f"Beginne Verarbeitung der Datei: {filename}")

    try:
        # Test, ob die Datei existiert
        if not os.path.exists(filename):
            logging.error(f"Datei {filename} nicht gefunden.")
            return None

        all_chunks = []
        for chunk in pd.read_csv(filename, chunksize=chunk_size, encoding="utf-8", on_bad_lines='skip'):
            logging.info(f"Chunk mit {len(chunk)} Zeilen gelesen.")
            if 'Frage' not in chunk.columns or 'Kategorie' not in chunk.columns or 'Antwort' not in chunk.columns:
                logging.error("CSV-Datei enthält nicht die erwarteten Spalten: 'Frage', 'Kategorie', 'Antwort'")
                return None

            all_chunks.append(chunk)

        data = pd.concat(all_chunks, ignore_index=True)
        logging.info(f"Alle Chunks erfolgreich verarbeitet. Gesamtzeilen: {len(data)}")

        return data

    except pd.errors.EmptyDataError:
        logging.error("CSV-Datei ist leer.")
    except pd.errors.ParserError as e:
        logging.error(f"Parsing-Fehler in CSV-Datei: {e}")
    except Exception as e:
        logging.error(f"Unerwarteter Fehler beim Verarbeiten der Datei: {e}")

    return None

def process_single_entry(question, category, answer):
    """

    Verarbeitet einen einzelnen Eintrag und fügt ihn dem Netzwerk hinzu.



    Args:

        question (str): Die Frage.

        category (str): Die Kategorie.

        answer (str): Die Antwort.

    """
    global category_nodes, questions

    # Sicherstellen, dass die globalen Variablen initialisiert sind
    if category_nodes is None:
        category_nodes = []
        logging.warning("Kategorie-Knotenliste war None, wurde nun initialisiert.")

    if questions is None:
        questions = []
        logging.warning("Fragenliste war None, wurde nun initialisiert.")

    # Überprüfen, ob die Kategorie bereits vorhanden ist
    if not any(node.label == category for node in category_nodes):
        category_nodes.append(Node(category))
        logging.info(f"Neue Kategorie '{category}' dem Netzwerk hinzugefügt.")

    # Frage, Kategorie und Antwort zur Liste hinzufügen
    questions.append({"question": question, "category": category, "answer": answer})
    logging.info(f"Neue Frage hinzugefügt: '{question}' -> Kategorie: '{category}'")

def process_csv_with_dask(filename, chunk_size=10000):
    """

    Verarbeitet eine CSV-Datei mit Dask.



    Args:

        filename (str): Der Pfad zur CSV-Datei.

        chunk_size (int): Die Anzahl der Zeilen pro Chunk.

    """
    try:
        ddf = dd.read_csv(filename, blocksize=chunk_size)
        ddf = ddf.astype({'Kategorie': 'category'})

        for row in ddf.itertuples(index=False, name=None):
            process_single_entry(row[0], row[1], row[2])

        logging.info("Alle Chunks erfolgreich mit Dask verarbeitet.")
    except Exception as e:
        logging.error(f"Fehler beim Verarbeiten der Datei mit Dask: {e}")

def save_to_sqlite(filename, db_name="dataset.db"):
    """

    Speichert die CSV-Daten in einer SQLite-Datenbank.



    Args:

        filename (str): Der Pfad zur CSV-Datei.

        db_name (str): Der Name der SQLite-Datenbank.

    """
    conn = sqlite3.connect(db_name)
    chunk_iter = pd.read_csv(filename, chunksize=10000)
    for chunk in chunk_iter:
        chunk.to_sql("qa_data", conn, if_exists="append", index=False)
        logging.info(f"Chunk mit {len(chunk)} Zeilen gespeichert.")
    conn.close()
    logging.info("CSV-Daten wurden erfolgreich in SQLite gespeichert.")

def load_from_sqlite(db_name="dataset.db"):
    """

    Lädt die Daten aus einer SQLite-Datenbank.



    Args:

        db_name (str): Der Name der SQLite-Datenbank.



    Returns:

        pd.DataFrame: Die geladenen Daten.

    """
    conn = sqlite3.connect(db_name)
    query = "SELECT Frage, Kategorie, Antwort FROM qa_data"
    data = pd.read_sql_query(query, conn)
    conn.close()
    return data

def save_partial_model(filename="partial_model.json"):
    """

    Speichert ein Teilmodell in einer JSON-Datei.



    Args:

        filename (str): Der Dateiname der JSON-Datei.

    """
    model_data = {
        "nodes": [node.save_state() for node in category_nodes],
        "questions": questions
    }
    with open(filename, "w") as file:
        json.dump(model_data, file, indent=4)
    logging.info("Teilmodell gespeichert.")

def lazy_load_csv(filename, chunk_size=10000):
    """

    Lädt eine CSV-Datei faul in Chunks.



    Args:

        filename (str): Der Pfad zur CSV-Datei.

        chunk_size (int): Die Anzahl der Zeilen pro Chunk.



    Yields:

        tuple: Die Frage, Kategorie und Antwort.

    """
    for chunk in pd.read_csv(filename, chunksize=chunk_size):
        for _, row in chunk.iterrows():
            yield row['Frage'], row['Kategorie'], row['Antwort']

def main():
    """

    Hauptfunktion zum Ausführen der Simulation.

    """
    start_time = time.time()
    category_nodes, questions = load_model_with_questions_and_answers("model_with_qa.json")

    if category_nodes is None:
        csv_file = "data.csv"
        data = process_csv_in_chunks(csv_file)
        if data is None:
            logging.error("Fehler beim Laden der CSV-Datei.")
            return

        if len(data) > 1000:
            logging.info("Datei hat mehr als 1000 Zeilen. Aufteilen in kleinere Dateien...")
            split_csv(csv_file)

            # Verarbeite jede aufgeteilte Datei
            data_dir = "data"
            for filename in os.listdir(data_dir):
                if filename.endswith(".csv"):
                    file_path = os.path.join(data_dir, filename)
                    logging.info(f"Verarbeite Datei: {file_path}")

                    data = process_csv_in_chunks(file_path)
                    if data is None:
                        logging.error("Fehler beim Laden der CSV-Datei.")
                        return

                    categories = data['Kategorie'].unique()
                    category_nodes = initialize_quiz_network(categories)
                    questions = [{"question": row['Frage'], "category": row['Kategorie'], "answer": row['Antwort']} for _, row in data.iterrows()]

                    personality_distributions = {category: random.uniform(0.5, 0.8) for category in [node.label for node in category_nodes]}
                    activation_history, weights_history = simulate_learning(data, category_nodes, personality_distributions)

                    save_model_with_questions_and_answers(category_nodes, questions)
        else:
            logging.info("Datei hat weniger als 1000 Zeilen. Keine Aufteilung erforderlich.")
            categories = data['Kategorie'].unique()
            category_nodes = initialize_quiz_network(categories)
            questions = [{"question": row['Frage'], "category": row['Kategorie'], "answer": row['Antwort']} for _, row in data.iterrows()]

            personality_distributions = {category: random.uniform(0.5, 0.8) for category in [node.label for node in category_nodes]}
            activation_history, weights_history = simulate_learning(data, category_nodes, personality_distributions)

            save_model_with_questions_and_answers(category_nodes, questions)

    end_time = time.time()
    logging.info(f"Simulation abgeschlossen. Gesamtdauer: {end_time - start_time:.2f} Sekunden")

def run_simulation_from_gui(learning_rate, decay_rate, reward_interval, epochs):
    """

    Führt die Simulation aus der GUI aus.



    Args:

        learning_rate (float): Die Lernrate.

        decay_rate (float): Die Verfallsrate.

        reward_interval (int): Das Belohnungsintervall.

        epochs (int): Die Anzahl der Epochen.

    """
    global model_saved
    model_saved = False  # Erzwinge das Speichern nach dem Training

    start_time = time.time()
    csv_file = "data.csv"

    category_nodes, questions = load_model_with_questions_and_answers("model_with_qa.json")

    if category_nodes is None:
        data = process_csv_in_chunks(csv_file)
        if not isinstance(data, pd.DataFrame):
            logging.error("Fehler beim Laden der CSV-Datei. Erwarteter DataFrame wurde nicht zurückgegeben.")
            return

        if len(data) > 1000:
            logging.info("Datei hat mehr als 1000 Zeilen. Aufteilen in kleinere Dateien...")
            split_csv(csv_file)

            # Verarbeite jede aufgeteilte Datei
            data_dir = "data"
            for filename in os.listdir(data_dir):
                if filename.endswith(".csv"):
                    file_path = os.path.join(data_dir, filename)
                    logging.info(f"Verarbeite Datei: {file_path}")

                    data = process_csv_in_chunks(file_path)
                    if not isinstance(data, pd.DataFrame):
                        logging.error("Fehler beim Laden der CSV-Datei. Erwarteter DataFrame wurde nicht zurückgegeben.")
                        return

                    categories = data['Kategorie'].unique()
                    category_nodes = initialize_quiz_network(categories)
                    questions = [{"question": row['Frage'], "category": row['Kategorie'], "answer": row['Antwort']} for _, row in data.iterrows()]

                    personality_distributions = {category: random.uniform(0.5, 0.8) for category in [node.label for node in category_nodes]}
                    activation_history, weights_history = simulate_learning(
                        data, category_nodes, personality_distributions,
                        epochs=int(epochs),
                        learning_rate=float(learning_rate),
                        reward_interval=int(reward_interval),
                        decay_rate=float(decay_rate)
                    )

                    save_model_with_questions_and_answers(category_nodes, questions)
        else:
            logging.info("Datei hat weniger als 1000 Zeilen. Keine Aufteilung erforderlich.")
            categories = data['Kategorie'].unique()
            category_nodes = initialize_quiz_network(categories)
            questions = [{"question": row['Frage'], "category": row['Kategorie'], "answer": row['Antwort']} for _, row in data.iterrows()]

            personality_distributions = {category: random.uniform(0.5, 0.8) for category in [node.label for node in category_nodes]}
            activation_history, weights_history = simulate_learning(
                data, category_nodes, personality_distributions,
                epochs=int(epochs),
                learning_rate=float(learning_rate),
                reward_interval=int(reward_interval),
                decay_rate=float(decay_rate)
            )

            save_model_with_questions_and_answers(category_nodes, questions)
    else:
        data = process_csv_in_chunks(csv_file)
        if not isinstance(data, pd.DataFrame):
            logging.error("Fehler beim Laden der CSV-Datei. Erwarteter DataFrame wurde nicht zurückgegeben.")
            return

        logging.info(f"Anzahl der Zeilen in der geladenen CSV: {len(data)}")

        personality_distributions = {category: random.uniform(0.5, 0.8) for category in [node.label for node in category_nodes]}

        activation_history, weights_history = simulate_learning(
            data, category_nodes, personality_distributions,
            epochs=int(epochs),
            learning_rate=float(learning_rate),
            reward_interval=int(reward_interval),
            decay_rate=float(decay_rate)
        )

        save_model_with_questions_and_answers(category_nodes, questions)

    end_time = time.time()
    logging.info(f"Simulation abgeschlossen. Gesamtdauer: {end_time - start_time:.2f} Sekunden")
    messagebox.showinfo("Ergebnis", f"Simulation abgeschlossen! Dauer: {end_time - start_time:.2f} Sekunden")

def async_initialize_network():
    """

    Initialisiert das Netzwerk asynchron.

    """
    global category_nodes, questions, model_saved
    logging.info("Starte Initialisierung des Netzwerks...")

    category_nodes, questions = load_model_with_questions_and_answers("model_with_qa.json")

    if category_nodes is None:
        category_nodes = []
        logging.warning("Keine gespeicherten Kategorien gefunden. Neues Netzwerk wird erstellt.")
        model_saved = False  # Zurücksetzen der Speicher-Flagge

    if questions is None:
        questions = []
        logging.warning("Keine gespeicherten Fragen gefunden. Neues Fragen-Array wird erstellt.")
        model_saved = False  # Zurücksetzen der Speicher-Flagge

    if not category_nodes:
        csv_file = "data.csv"
        data = process_csv_in_chunks(csv_file)
        if isinstance(data, pd.DataFrame):
            if len(data) > 1000:
                logging.info("Datei hat mehr als 1000 Zeilen. Aufteilen in kleinere Dateien...")
                split_csv(csv_file)

                # Verarbeite jede aufgeteilte Datei
                data_dir = "data"
                for filename in os.listdir(data_dir):
                    if filename.endswith(".csv"):
                        file_path = os.path.join(data_dir, filename)
                        logging.info(f"Verarbeite Datei: {file_path}")

                        data = process_csv_in_chunks(file_path)
                        if isinstance(data, pd.DataFrame):
                            categories = data['Kategorie'].unique()
                            category_nodes = initialize_quiz_network(categories)
                            questions = [{"question": row['Frage'], "category": row['Kategorie'], "answer": row['Antwort']} for _, row in data.iterrows()]
                            logging.info("Netzwerk aus CSV-Daten erfolgreich erstellt.")
                            model_saved = False  # Zurücksetzen der Speicher-Flagge
            else:
                logging.info("Datei hat weniger als 1000 Zeilen. Keine Aufteilung erforderlich.")
                categories = data['Kategorie'].unique()
                category_nodes = initialize_quiz_network(categories)
                questions = [{"question": row['Frage'], "category": row['Kategorie'], "answer": row['Antwort']} for _, row in data.iterrows()]
                logging.info("Netzwerk aus CSV-Daten erfolgreich erstellt.")
                model_saved = False  # Zurücksetzen der Speicher-Flagge
        else:
            logging.error("Fehler beim Laden der CSV-Daten. Netzwerk konnte nicht initialisiert werden.")
            return

    save_model_with_questions_and_answers(category_nodes, questions)
    logging.info("Netzwerk erfolgreich initialisiert.")

def start_gui():
    """

    Startet die GUI.

    """
    def start_simulation():
        try:
            threading.Thread(target=run_simulation_from_gui, args=(0.8, 0.002, 5, 10), daemon=True).start()
            messagebox.showinfo("Info", "Simulation gestartet!")
            logging.info("Simulation gestartet")
        except Exception as e:
            logging.error(f"Fehler beim Start der Simulation: {e}")
            messagebox.showerror("Fehler", f"Fehler: {e}")

    root = tk.Tk()
    root.title("DRLCogNet GUI")
    root.geometry("400x300")

    header_label = tk.Label(root, text="Simulationseinstellungen", font=("Helvetica", 16))
    header_label.pack(pady=10)

    start_button = tk.Button(root, text="Simulation starten", command=start_simulation)
    start_button.pack(pady=20)

    root.mainloop()

if __name__ == "__main__":
    # Starte die Initialisierung in einem Thread
    threading.Thread(target=async_initialize_network, daemon=True).start()
    start_gui()