Wizualnie przekonująca, fizycznie umotywowana heurystyka TSP w idiomatycznej Julii — trasa „bańki mydlanej" zaciska się wokół 1000 punktów w czasie rzeczywistym i daje krótszą trasę niż naiwny baseline nearest-neighbor.
- Julia ≥ 1.10 (zalecane: 1.11 lub 1.12)
- System: Linux / macOS / Windows
- GPU z OpenGL 3.3+ (dla okna GLMakie — patrz uwagi headless poniżej)
W REPL Julii, w katalogu repo:
using Pkg
Pkg.activate(".")
Pkg.instantiate()Manifest.toml jest commitowany (to aplikacja, nie biblioteka) — instantiate przypina dokładne wersje.
Trzy fragmenty pokazujące pełen pipeline:
(a) Generowanie 1000 punktów (deterministyczne dla danego seeda):
using JuliaCity
punkty = generuj_punkty(1000; seed=42)
@assert length(punkty) == 1000(b) Live demo (otwiera okno GLMakie):
using JuliaCity, Random
punkty = generuj_punkty(1000; seed=42)
stan = StanSymulacji(punkty; rng=Xoshiro(42))
inicjuj_nn!(stan)
alg = SimAnnealing(stan)
stan.temperatura = alg.T_zero
params = Parametry(liczba_krokow=50_000)
wizualizuj(stan, params, alg; liczba_krokow=50_000, fps=30, kroki_na_klatke=50)Lub po prostu:
julia --project=. --threads=auto examples/podstawowy.jl(c) Eksport do GIF/MP4:
wizualizuj(stan, params, alg; liczba_krokow=15_000, kroki_na_klatke=50, fps=30, eksport="moje_demo.gif")Rozszerzenie .gif lub .mp4 jest wykrywane automatycznie. Szablon w examples/eksport_mp4.jl.
Symulowane wyżarzanie z ruchami 2-opt i metropolis acceptance, startujące od trasy nearest-neighbor (NN), z geometrycznym chłodzeniem (α = 0,9999) i auto-kalibrowaną temperaturą początkową T₀ = 2σ(Δ-energii) (próbkowanie 1000 ruchów pogarszających przed startem).
Metafora błony mydlanej: krawędzie trasy zachowują się jak elastyczne membrany pod napięciem powierzchniowym — w każdej iteracji algorytm „zaciska" jedną z par krawędzi (ruch 2-opt) i akceptuje nową trasę z prawdopodobieństwem exp(−Δ/T). W trakcie chłodzenia (T → 0) akceptowane są tylko ulepszenia, więc trasa zbiega do minimum lokalnego 2-opt.
Architektura jest rozszerzalna — abstract type Algorytm + Holy-traits dispatch pozwala dodać warianty ForceDirected i Hybryda w v2 bez zmiany API.
Pełne wyniki (czas, alokacje, jakość trasy): bench/wyniki.md.
Headline: SA znajduje trasę średnio ~4% krótszą niż NN baseline (5 seedów × N=1000 × 50 000 kroków).
Reprodukcja (wrapper — załatwia BenchmarkTools w [targets].test, patrz bench/uruchom.{sh,ps1}):
bash bench/uruchom.sh # POSIX (Linux/macOS/WSL)
pwsh bench/uruchom.ps1 # PowerShell (Windows)Suite zawiera:
bench/bench_energia.jl— czas + alokacjeoblicz_energie(3-arg, threaded)bench/bench_krok.jl— czas + alokacjesymuluj_krok!(jeden krok SA-2-opt + Metropolis)bench/bench_jakosc.jl— ratioSA / NNna 5 seedach (D-08 lock)
Pliki bench/historyczne/ zawierają empiryczną diagnostykę z Phase 2 — patrz bench/historyczne/README.md.
JuliaCity/
├── src/ # Kod źródłowy: typy, energia, SA, baselines, wizualizacja
│ ├── JuliaCity.jl # Moduł główny + eksport publicznego API
│ ├── typy.jl # Punkt2D, StanSymulacji, Algorytm, Parametry
│ ├── punkty.jl # generuj_punkty (deterministyczny RNG)
│ ├── energia.jl # oblicz_energie + delta_energii + kalibruj_T0
│ ├── baselines.jl # NN init (trasa_nn, inicjuj_nn!)
│ ├── algorytmy/ # Warianty <:Algorytm (Holy-traits)
│ │ └── simulowane_wyzarzanie.jl
│ └── wizualizacja.jl # GLMakie + Makie.record (jedyny plik z `using GLMakie`)
├── test/ # Test suite (230+ testów: encoding, type stability, zero-alloc, NN-beat)
├── examples/ # Skrypty demo: live + eksport GIF
├── bench/ # Benchmarki: energia, krok, jakość + run_all orchestrator
├── assets/ # Demo GIF (commitowany)
├── .planning/ # Pamięć projektu (GSD workflow — STATE/ROADMAP/REQUIREMENTS)
├── Project.toml # Deps + compat
├── Manifest.toml # Pinned versions (commitowany — to aplikacja)
├── CONTRIBUTING.md # Konwencje (encoding, ASCII, polski/angielski split, typografia)
└── LICENSE # MIT
MIT — patrz LICENSE.