Questa cartella contiene gli esercizi del NSL (Numerical Simulation Laboratory) - A.A. 2019/2020 - Simone Codispoti - matricola 916834.

Alcune note sul lavoro svolto:

• I Jupyter Notebook sono scritti in inglese (con più che probabili errori!) e suddivisi in opportuni paragrafi per indicare la soluzione di una particolare istanza dell'esercizio. Ogni jupyter è nominato "ExerciseNum", con "Num" il numero dell'esercitazione;

• Ogni esercitazione contiene un singolo makefile, che compila "exerciseNum.cpp", il main code della esercitazione, e genera l'eseguibile "exerciseNum.exe"; le esercitazioni 4 - 6 - 7 sfruttano invece il codice già fornito e opportunamente modificato, quindi sono associate a eseguibili di nome diverso. Ogni makefile contiene un metodo "clean" che rimuove i file oggetto, gli output files e il seed.out;

• Gli output di ogni esercitazione sono stati organizzati in opportune sottocartelle, in modo da rendere chiara la struttura del codice (librerie e classi utilizzate). Per la maggior parte delle esercitazioni, compilando il codice ed eseguendo il file.exe si ottengono gli stessi output di quelli presenti nelle sottocartelle citate. Questo non accade per le esercitazioni 4 - 6 - 7, nelle quali si è dovuto cambiare frequentemente i parametri di input ed eseguire più volte il codice: le equilibrazioni sono state svolte "a mano", con una procedura descritta dettagliatamente nei rispettivi jupyter;

• Nelle esercitazioni 8 - 9 - 10 si è scelto di lavorare marcatamente Object Oriented, focalizzando l'attezione sulla creazione delle classi VQMC.h/.cpp e TSP.h/.cpp: il main code di queste esrcitazioni contiene i dati del problema, le configurazioni iniziali e l'algoritmo di ottimizzazione adottato, che possono essere modificati ogni volta, lasciando invece invariate le classi;

• Infine, oltre alle librerie specifiche per ogni esercitazione e alla libreria "random.h", si sono sfruttate ampiamente le librerie "posizione.h", "funzione.h" (l'implementazione delle quali nei rispettivi file .cpp è abbastanza autoesplicativa), e "utilities.h", contenente funzioni template per la stampa di output e, soprattutto, il metodo template <class T> void MC_Mean_Error(const vector <T>& input, vector <T>& average, vector <T>& error, const int n_step, const int n_cell), che implementa il Data-Blocking sul vettore di dati input con n_step MC steps totali e n_cell blocchi, salvando medie e errori progressivi nei vettori average e error.