ai

diploma_nikola_petrov.typ

@@ -205,7 +205,7 @@ V nadaljevanju bomo predstavili osnovne koncepte za generiranje in evolucijo fra
 #pagebreak()
 
 = OPIS APLIKACIJE
-Treender je aplikacija, ki nam omogoča, da izbiramo in ocenjujemo fraktalna drevesa, ki se na podlagi naših ocen razvijajo in prilagajajo našim okusom. V desnem zgornjem kotu nam prikaže všečnost, na dnu nam pa prikaže generacijo evolucije in kateri vzorec se prikazuje (@aplikacija-slika-def). Če povlečemo po zaslonu levo se nam v zgornjem levem kotu prikaže napis "DISLIKE" (@aplikacija-slika-dislike), v desno pa se nam prikaže napis "LIKE" (@aplikacija-slika-like).
+Treender je aplikacija, ki nam omogoča, da izbiramo in ocenjujemo fraktalna drevesa, ki se na podlagi naših ocen razvijajo in prilagajajo našim okusom. V desnem zgornjem kotu prikazuje odstotek, ki pove, kako zelo so si prikazana drevesa med seboj podobna, torej kako zelo se je izbira zožila; v vmesniku je označen kot všečnost, kar je natančneje pojasnjeno v @poglavje_podobnost. Na dnu prikazuje generacijo evolucije in zaporedno številko prikazanega vzorca (@aplikacija-slika-def). Če povlečemo po zaslonu levo se nam v zgornjem levem kotu prikaže napis "DISLIKE" (@aplikacija-slika-dislike), v desno pa se nam prikaže napis "LIKE" (@aplikacija-slika-like).
 
 #grid(
   columns: 3,
@@ -230,169 +230,83 @@ Treender je aplikacija, ki nam omogoča, da izbiramo in ocenjujemo fraktalna dre
   ],
 )
 
-Ko vzorec ocenimo, si aplikacija zapomni, in ko ocenimo vse vzorce, se nam prikaže črna slika z napisom "new generation". V tem trenutku se glede na ocenitve ustvari nova generacija in izračuna všečnost.
+Ko vzorec ocenimo, si aplikacija oceno zapomni, in ko ocenimo vse vzorce, se prikaže črna slika z napisom "new generation". V tem trenutku se glede na ocene ustvari nova generacija in izračuna podobnost med novimi drevesi.
+
+== Potek seje <potek_seje>
+Uporabnik od aplikacije ne dobi nobenih drsnikov ali številčnih nastavitev; edino, kar počne, je, da vsako prikazano drevo s potegom levo ali desno oceni z "ne" ali "da". Ena poteza je torej ena binarna ocena, ne vnos podatkov. Prav v tem je namen aplikacije: uporabniku ni treba znati opisati, kaj mu je všeč, dovolj je, da med prikazanimi drevesi prepozna tisto, kar mu je bližje.
+
+Generacija obsega 16 dreves, zato uporabnik z 16 potezami zaključi eno generacijo in vidi učinek svojih ocen. Število generacij ni omejeno, seja traja toliko časa, kolikor uporabnik želi. Seje, ki jih analiziramo v @poglavje_podobnost, so bile prekinjene po dvanajsti generaciji, kar pomeni 13 generacij in 208 potez na sejo.
+
+@gen0_slika prikazuje vseh 16 dreves začetne, naključne generacije, @gen12_slika pa vseh 16 dreves dvanajste generacije iste seje. Razlika med njima je hkrati odgovor na vprašanje, kaj je rezultat postopka: uporabnik na koncu ne dobi enega drevesa, ampak generacijo dreves z enotnim značajem, iz katere si izbere posamezno sliko. Slike vseh vmesnih generacij so v prilogi.
+
+#grid(
+  columns: 2,
+  gutter: 10pt,
+  [
+    #figure(
+      image("assets/full_generation/1761153347_0.webp"),
+      caption: [Generacija 0: naključna začetna populacija],
+    )<gen0_slika>
+  ],
+  [
+    #figure(
+      image("assets/full_generation/1761153347_12.webp"),
+      caption: [Generacija 12 iste seje],
+    )<gen12_slika>
+  ],
+)
+
+== Raznolikost izhodnega prostora <raznolikost>
+Ker uporabnik na videz drevesa vpliva samo z izbiranjem, je smiselno vprašanje, kako širok je nabor slik, med katerimi izbira. Videz slike v celoti določa 180-bajtni genom (@dna_objekt), ki ga sestavljajo:
+
+- 16 genov za vsako od 8 globin drevesa, ki določajo barvo veje in njeno spreminjanje po dolžini, debelino, dolžino, število otrok in razpon kota med njimi;
+- tri naključna semena za obliko gora, razporeditev zvezd in variacije vej;
+- štirje geni za položaj in velikost sonca oziroma lune ter za barvno shemo ozadja.
+
+Ker vsaka veja glede na gen `branchCount` požene dve ali tri veje, ima drevo pri osmih globinah med $2^8 = 256$ in $3^8 = 6561$ končnih vej, barva pa se lahko med globinami spreminja neodvisno, kar daje razpon od enobarvnih do izrazito pisanih dreves. Ozadje ima 13 barvnih shem (tri dnevne palete v štirih odtenkih ter nočna) in znotraj vsake zvezno spremenljivo obliko gorovja, položaj ter velikost sonca oziroma lune.
+
+Kolikšna raznolikost je s tem dejansko dosegljiva, je najbolje razvidno iz @gen0_slika: 16 naključnih genomov da drevesa od redkih in temnih do gostih in svetlih, z dnevnim, večernim in nočnim ozadjem. Prav tako pa je iz slike razvidna omejitev, ki je genom ne odpravi: motiv ozadja je vedno isti, torej nebo, sonce ali luna in tri plasti gora, spreminjata se le barvna shema in oblika gora. Aplikacija tako pokriva širok razpon dreves znotraj enega samega slikarskega motiva.
 
 
 #pagebreak()
 
 = UPORABLJENE TEHNOLOGIJE
+V tem poglavju na kratko predstavimo tehnologije, ki smo jih uporabili, in razloge za njihovo izbiro.
 
 == C++
-C++ je visokonivojni programski jezik, ki je nastal kot razširitev jezika C. Razvil ga je Bjarne Stroustrup v zgodnjih 1980. letih z namenom, da združi moč in učinkovitost jezika C z objektno usmerjenimi koncepti, ki podpirajo boljšo organizacijo in ponovno uporabo kode @wiki_cpp.
+C++ je programski jezik, ki je nastal kot razširitev jezika C in ga je v zgodnjih osemdesetih letih razvil Bjarne Stroustrup. Združuje učinkovitost in nizkonivojni dostop do pomnilnika z objektno usmerjenimi koncepti ter obsežno standardno knjižnico @wiki_cpp.
 
-=== Glavne značilnosti C++:
+Zanj smo se odločili iz dveh razlogov. Prvi je hitrost izrisa: drevo je sestavljeno iz več deset tisoč risalnih klicev na sliko (@optimizacija_izrisa), kar na mobilni napravi zahteva jezik brez samodejnega čiščenja pomnilnika. Drugi je neposreden dostop do pomnilniške predstavitve podatkov, ki ga izkoriščamo pri delu z genomom: celoten genom obravnavamo kot zaporedje bajtov, zaradi česar so križanje, kloniranje in mutacija preproste zanke čez to zaporedje (@zapis_dna).
 
-1. *Objektno usmerjeno programiranje (OOP)*: C++ podpira objektno usmerjeno programiranje, kar omogoča uporabo razredov in objektov za modeliranje realnih svetovnih problemov. To olajša organizacijo kode in omogoča ponovno uporabo kode.
+== Raylib
+Raylib je odprtokodna knjižnica za razvoj iger in multimedijskih aplikacij, ki ponuja preprost vmesnik za 2D- in 3D-grafiko, zvok in vhodne naprave ter podpira več platform, med njimi tudi Android @web_raylib @web_raylib_cheatsheet.
 
-2. *Učinkovitost*: C++ je znan po svoji visoki učinkovitosti in hitrosti izvajanja, kar ga naredi primernega za razvoj aplikacij, ki zahtevajo visoko zmogljivost, kot so igre, sistemsko programiranje in razvoj vgrajenih sistemov.
+Izbrali smo jo, ker potrebujemo le nekaj osnovnih risalnih funkcij (krog, trikotnik, pravokotnik z barvnim prehodom, izris v teksturo) in obravnavo dotika, vse to pa ponuja brez obsežnega ogrodja. Pomembna je bila tudi možnost, da isto kodo prevedemo za namizje in za Android, kar je omogočilo razvoj in razhroščevanje na računalniku.
 
-3. *Nizkonivojni dostop*: C++ omogoča dostop do spomina in drugih sistemskih virov na nizki ravni, kar omogoča večjo kontrolo nad strojno opremo. To je posebno koristno v sistemskem programiranju in razvoju vgrajenih sistemov.
+== Dear ImGui
+Dear ImGui je odprtokodna knjižnica za hitro izdelavo uporabniških vmesnikov v aplikacijah, ki tečejo v realnem času. Deluje po načelu neposrednega načina (immediate mode), pri katerem se vmesnik izriše na novo v vsakem okvirju, kar poenostavi njegovo spreminjanje @git_imgui @git_rlImgui.
 
-4. *Standardna knjižnica (STL)*: C++ vsebuje bogato standardno knjižnico, ki vključuje različne strukture podatkov (npr. vektorji, seznami, množice) in algoritme, ki olajšajo razvoj.
+V aplikaciji same ne uporabljamo. Uporabili smo jo za razvijalsko orodje, s katerim smo pregledovali seje, shranjene v podatkovni bazi, in izrisovali drevesa posameznih generacij; slike generacij v tej nalogi so nastale s tem orodjem.
 
-5. *Preprostost in moč*: C++ združuje preprostost jezika C z dodatnimi zmožnostmi, kot so razredi, dedovanje, polimorfizem in preobremenjevanje operatorjev, kar omogoča večjo fleksibilnost in moč pri programiranju.
+== CMake
+CMake je orodje za avtomatizacijo gradnje, ki iz opisa projekta v datotekah `CMakeLists.txt` generira gradbene datoteke za posamezno okolje, na primer `Makefile` ali projekt za Visual Studio, ter skrbi za iskanje in povezovanje odvisnosti @web_cmake @wiki_cmake.
 
-=== Uporaba C++:
+Do njega smo prišli po ovinku: sprva smo uporabljali lastno gradbeno skripto, ki je sčasoma zahtevala več vzdrževanja kot sam projekt (@gradilni_sistem). CMake je to delo prevzel in nam omogočil gradnjo za Linux, Windows in Android z enim opisom projekta, hkrati pa sam prenese in zgradi Raylib.
 
-- *Razvoj iger*: Zaradi svoje visoke učinkovitosti in možnosti za nizkonivojni dostop je \ C++ priljubljen jezik za razvoj iger.
-- *Sistemsko programiranje*: Uporablja se za razvoj operacijskih sistemov, gonilnikov in drugih sistemskih programov.
-- *Vgrajeni sistemi*: Zaradi svoje učinkovitosti in možnosti za nizkonivojni dostop je C++ priljubljen za razvoj vgrajenih sistemov.
-- *Računalniška grafika*: Uporablja se za razvoj grafičnih aplikacij in orodij za obdelavo slik.
-- *Znanstvene in inženirske aplikacije*: Zaradi svoje zmogljivosti in učinkovitosti se uporablja za razvoj znanstvenih in inženirskih aplikacij, ki zahtevajo visoko zmogljivost.
+== SQLite
+SQLite je lahka vdelana relacijska podatkovna baza, ki teče kot del programa in ne potrebuje ločenega strežnika; celotna baza je shranjena v eni datoteki, podpira večino standardnega SQL in zagotavlja transakcijsko varnost @web_sqlite @wiki_sqlite.
 
-#pagebreak()
+Uporabljamo jo na strežniku, kjer hranimo ocene, ki jih odjemalci pošljejo ob koncu generacije, in v razvijalskem orodju za pregled teh podatkov. Za tak obseg podatkov je ločen strežnik za bazo nepotreben, ena datoteka pa poenostavi tudi izdelavo varnostnih kopij. Stanje seje na napravi uporabnika hranimo ločeno od nje, v lastnem binarnem zapisu, saj gre za eno samo strukturo fiksne velikosti.
 
-== RAYLIB
-Raylib je odprtokodna knjižnica, namenjena predvsem razvoju iger in multimedijskih aplikacij. Zasnovana je tako, da je enostavna za uporabo in omogoča hitro ustvarjanje 2D in 3D grafike, zvoka, vhodnih naprav in drugih multimedijskih vsebin @web_raylib @web_raylib_cheatsheet.
-
-=== Glavne značilnosti Raylib:
-
-1. *Enostavnost uporabe*: Raylib je zasnovan tako, da je enostaven za uporabo, z minimalnim številom funkcij, ki so potrebne za osnovno delovanje igre. To omogoča hitrejši razvoj in lažje učenje.
-
-2. *Podpora za 2D in 3D grafiko*: Raylib podpira tako 2D kot 3D grafiko, kar omogoča razvoj različnih vrst iger in aplikacij.
-
-3. *Vhodne naprave*: Podpira različne vhodne naprave, kot so tipkovnica, miška, igralni nadzorniki in zaslon na dotik.
-
-4. *Zvok*: Vključuje osnovno podporo za predvajanje zvoka in glasbe, kar je pomembno za razvoj iger.
-
-5. *Preprostost vključevanja*: Raylib je zasnovan kot enostavna knjižnica, ki se lahko vključi v projekt z minimalnimi nastavitvami.
-
-6. *Odprtokodnost*: Ker je Raylib odprtokoden, ga lahko razvijalci prilagajajo svojim potrebam in prispevajo k njegovemu razvoju.
-
-=== Uporaba Raylib:
-
-- *Razvoj iger*: Raylib je priljubljen med razvijalci iger, saj omogoča hitro ustvarjanje prototipov in enostavno upravljanje z grafiko, zvokom in vhodnimi napravami.
-- *Izobraževanje*: Zaradi svoje enostavnosti in odprtokodnosti je Raylib pogosto uporabljen v izobraževalnih nameneh za učenje osnov razvoja iger.
-- *Multimedijske aplikacije*: Uporablja se za razvoj različnih multimedijskih aplikacij, ki zahtevajo upravljanje z grafiko in zvokom.
-
-Raylib je zaradi svoje preprostosti in zmogljivosti priljubljen izbir za razvijalce, ki želijo hitro ustvariti igre ali multimedijske aplikacije brez potrebe po kompleksnih orodjih in knjižnicah.
-#pagebreak()
-
-== ImGui
-Dear ImGui (ali preprosto ImGui) je odprtokodna knjižnica, ki omogoča hitro in enostavno ustvarjanje uporabniških vmesnikov za aplikacije v realnem času. Zasnovana je za razvijalce, ki potrebujejo preprost in učinkovit način za dodajanje uporabniških vmesnikov v svoje aplikacije, predvsem v igrah, orodjih in drugih interaktivnih programih @git_imgui @git_rlImgui.
-
-=== Glavne značilnosti ImGui:
-
-1. *Enostavnost uporabe*: ImGui je zasnovan tako, da je enostaven za uporabo in integracijo v obstoječe projekte. Njegova preprosta arhitektura omogoča hitro ustvarjanje in spreminjanje uporabniških vmesnikov.
-
-2. *Učinkovitost*: Zasnovana je za visoko učinkovitost, kar je posebno pomembno za aplikacije v realnem času, kot so igre in simulacije.
-
-3. *Immediate Mode GUI*: ImGui uporablja koncept "immediate mode" GUI, kar pomeni, da se uporabniški vmesnik ustvari in posodobi vsak frame. To omogoča veliko fleksibilnost in enostavnost pri spreminjanju vmesnika v realnem času.
-
-4. *Podpora za različne platforme*: ImGui je prenosljiv in podpira več platform in grafičnih API-jev, kot so OpenGL, DirectX, Vulkan in Metal.
-
-5. *Odprtokodnost*: Ker je ImGui odprtokoden, ga lahko razvijalci prilagajajo svojim potrebam in prispevajo k njegovemu razvoju.
-
-=== Uporaba ImGui:
-
-- *Razvoj iger*: Uporablja se za ustvarjanje orodij za razvoj iger, kot so urejevalniki nivojev, debuggerji in druga orodja, ki zahtevajo interaktivni uporabniški vmesnik.
-- *Interaktivna orodja*: Uporablja se za razvoj različnih interaktivnih orodij, kot so simulacije, vizualizacije podatkov in druge aplikacije, ki zahtevajo uporabniški vmesnik.
-- *Prototipiranje*: Zaradi svoje enostavnosti in hitrosti je ImGui priljubljen za prototipiranje uporabniških vmesnikov.
-
-ImGui je zaradi svoje preprostosti, učinkovitosti in fleksibilnosti priljubljena izbira za razvijalce, ki potrebujejo hitro in enostavno rešitev za ustvarjanje uporabniških vmesnikov v svojih aplikacijah
-#pagebreak()
-
-== CMAKE
-*CMake* je orodje za avtomatizacijo gradnje (build automation tool), ki je zasnovano za upravljanje procesa prevajanja, sestavljanja in paketiranja programske kode zlasti v večplatformskih okoljih. Razvil ga je Kitware leta 2000, da bi olajšal proces gradnje programov, ki so napisani v različnih programskih jezikih, kot so C, C++, Fortran in drugi @web_cmake @wiki_cmake.
-
-=== Glavne značilnosti CMake:
-
-1. *Večplatformska podpora:* CMake omogoča generiranje gradbenih datotek (npr. Makefile za Unix/Linux, projektne datoteke za Visual Studio na Windowsu, Xcode na macOS) za različne operacijske sisteme in razvojna okolja. To pomeni, da lahko isto izvorno kodo prevajamo in sestavljamo na različnih platformah brez spreminjanja gradbenih skript.
-
-2. *Konfiguracijske datoteke (CMakeLists.txt):* CMake uporablja tekstovne datoteke z imenom `CMakeLists.txt`, ki vsebujejo navodila za konfiguracijo projekta. Te datoteke opisujejo, kako naj se projekt sestavi: kateri viri (source files) so vključeni, katere knjižnice so potrebne in kakšne so odvisnosti med posameznimi komponentami.
-
-3. *Upravljanje odvisnosti:* CMake omogoča enostavno upravljanje odvisnosti med knjižnicami in programi. Podpira iskanje in povezovanje z zunanjimi knjižnicami (npr. OpenCV, Boost) in omogoča definicijo lastnih ciljev (targets), kot so izvršljivi programi ali knjižnice.
-
-4. *Podpora za različne prevajalnike:* CMake deluje z različnimi prevajalniki (npr. GCC, Clang, MSVC) in omogoča uporabo specifičnih nastavitev za vsakega od njih.
-
-5. *Modularnost in ponovna uporaba kode:* CMake podpira modularno strukturo projektov, kar olajša ponovno uporabo kode in deljenje knjižnic med različnimi projekti.
-
-=== Kako CMake deluje?
-
-1. *Konfiguracija:* CMake prebere datoteke `CMakeLists.txt` in generira gradbene datoteke za izbrani sistem (npr. Makefile ali Visual Studio projekt).
-2. *Gradnja:* Uporabnik nato uporabi ustrezno gradbeno orodje (npr. `make`, Visual Studio) za prevajanje in sestavljanje projekta.
-3. *Namestitev (opcijsko):* CMake lahko generira tudi namestitvene skripte za namestitev programa ali knjižnice v sistem.
-
-=== Tipična uporaba CMake:
-
-- *Razvoj programske opreme v C/C++:* CMake je standardno orodje za gradnjo projektov v C in C++ zlasti v večjih ali kompleksnih projektih.
-- *Večplatformski projekti:* Če razvijamo programsko opremo, ki mora delovati na več platformah (Windows, Linux, macOS), je CMake idealno orodje za upravljanje gradnje.
-- *Integracija z drugimi orodji:* CMake se lahko integrira z orodji za testiranje (npr. CTest), paketiranje (npr. CPack) in dokumentacijo.
-
-
-
-=== Primer preproste datoteke `CMakeLists.txt`:
-
-```Cmake
-cmake_minimum_required(VERSION 3.10)
-project(MojProjekt)
-
-add_executable(moj_program main.cpp)
-```
-Ta datoteka določa, da je minimalna potrebna različica CMake 3.10, da je ime projekta "MojProjekt" in da naj se iz datoteke `main.cpp` generira izvršljivi program z imenom `moj_program`.
-
-CMake je močno orodje, ki olajša in avtomatizira proces gradnje programske opreme zlasti v večplatformskih okoljih. Njegova glavna prednost je fleksibilnost in možnost generiranja gradbenih datotek za različne sisteme, kar ga naredi nezaobhodljivega pri razvoju v C in C++.
-#pagebreak()
-
-== SQLITE3
-*SQLite* je lahka, samostoječa in vdelana relacijska baza podatkov, ki deluje neposredno v programu, brez potrebe po ločenem strežniku. Razvil jo je D. Richard Hipp leta 2000 z namenom, da ponudi preprosto, hitro in zanesljivo rešitev za upravljanje podatkov, ki ne zahteva nastavljanja ali upravljanja strežnika. SQLite je napisana v jeziku C in je na voljo kot knjižnica, kar pomeni, da se lahko integrira neposredno v aplikacije @web_sqlite @wiki_sqlite.
-
-=== Glavne značilnosti SQLite:
-
-1. *Samostoječa in vdelana:* SQLite deluje kot del programa in ne zahteva ločenega procesa ali strežnika. To pomeni, da aplikacija komunicira neposredno s podatkovno bazo, kar zmanjša kompleksnost in poveča hitrost delovanja.
-
-2. *Enostavnost in prenosljivost:* Celotna baza podatkov je shranjena v eni datoteki, kar olajša prenos in upravljanje. Datoteko lahko preprosto kopiramo med različnimi sistemi, ne da bi potrebovali dodatne konfiguracije.
-
-3. *Nizke zahteve:* SQLite ne potrebuje nastavljanja ali upravljanja, kar jo naredi idealno za uporabo v mobilnih napravah, vgrajenih sistemih in manjših aplikacijah, kjer so viri omejeni.
-
-4. *Podpora za SQL:* SQLite podpira večino standardnih SQL ukazov (npr. `SELECT`, `INSERT`, `UPDATE`, `DELETE`), kar omogoča enostavno upravljanje podatkov z uporabo poznanega jezika.
-
-5. *Zanesljivost in varnost:* SQLite zagotavlja transakcijsko varnost (ACID), kar pomeni, da so podatki vedno dosledni, tudi v primeru napak ali prekinitve dela.
-
-6. *Odprtokodna in brezplačna:* SQLite je odprtokodna in brezplačna, kar pomeni, da jo lahko prostovoljno uporabljamo v komercialnih in nekomercialnih projektih.
-
-=== Uporaba SQLite:
-
-- *Mobilne aplikacije:* SQLite je priljubljena izbira za shranjevanje podatkov v mobilnih aplikacijah (npr. Android, iOS), saj ne potrebuje strežnika in deluje lokalno na napravi.
-
-- *Vgrajeni sistemi:* Zaradi svoje preprostosti in nizkih zahtev je SQLite pogosto uporabljena v vgrajenih sistemih, kot so pametne ure, senzorji in druge naprave z omejenimi viri.
-
-- *Spletne aplikacije:* Uporablja se za lokalno shranjevanje podatkov v brskalnikih (npr. Web SQL API) ali kot preprosta rešitev za manjšo spletno stran.
-
-- *Testiranje in razvoj:* SQLite je pogosto uporabljena med razvojem in testiranjem, saj omogoča hitro in enostavno ustvarjanje in upravljanje podatkovnih baz.
-
-- *Aplikacije za namizje:* Številne namizne aplikacije uporabljajo SQLite za lokalno shranjevanje podatkov, saj ne zahteva dodatne infrastrukture.
-
-SQLite je torej idealna rešitev, če potrebujemo preprosto, hitro in zanesljivo podatkovno bazo, ki deluje neposredno v naši aplikaciji. Je ena najpogosteje uporabljanih podatkovnih baz na svetu predvsem zaradi svoje preprostosti in učinkovitosti.
-
-
-
-#pagebreak()
 
 = STRUKTURA APLIKACIJE
-Aplikacija ima tri glavne enote: DNA menedžer, DNA vizualizator in jedro. DNA manedžer skrbi za shranjevanje trenutnega dna in mutacijo, DNA vizualizator pa skrbi za izris dna, njegovo delo je, da dobi dna sekvenco in jo pretvori v sliko. V jedru se nahajajo ostale komponente, ki so pomembne za delovanje aplikacije, omrežni vmesnik in vmesnik za shranjevanje.
+Preden opišemo posamezne dele, na kratko povzemimo, kaj se v aplikaciji zgodi med eno generacijo. Stanje aplikacije je generacija 16 genomov. Za vsak genom vizualizator izriše sliko, jedro jo prikaže uporabniku in sprejme njegovo oceno, DNA menedžer pa oceno zabeleži. Ko je ocenjenih vseh 16 osebkov, menedžer iz všečnih osebkov zgradi novo generacijo genomov, jedro izračuna podobnost med njimi in postopek se ponovi.
 
-Jedro je hrbtenica, ki povezuje vse komponente, ob zagonu preračuna razmerja za prikaz besedila in slik dreves, skrbi za premik in rotacijo slike, ko s prstom povlečemo po zaslonu, skrbi, da ko pridemo s prstom do roba in hočemo označiti sliko, se izbira pošlje v DNA manager, ki nam nato vrne naslednji DNA za prikaz. Jedro tukaj poskrbi da se prenese v DNA vizualizator in ko dobi sliko, da jo prikaže uporabniku, se po vsaki izbiri ta tudi shrani na disk, ko pridemo pa do konca generacije, se še cela generacija shrani na disk in nato se tudi pošlje na strežnik.
+Temu ustreza tudi razdelitev besedila: uporabniški vmesnik in ocenjevanje sta opisana v @rotacija_slike, hramba stanja generacije v @dna_menedzer, zapis genoma v @zapis_dna, tvorjenje nove generacije v @genetski_algoritem, izris slike iz genoma pa v @dna_vizualizacija.
+
+Aplikacija ima tri glavne enote: DNA menedžer, DNA vizualizator in jedro. DNA menedžer hrani generacijo genomov, skrbi za vrstni red njihovega prikaza in za tvorjenje nove generacije, DNA vizualizator iz genoma izriše sliko, v jedru pa so preostale komponente, med njimi omrežni vmesnik in vmesnik za shranjevanje.
+
+Jedro je hrbtenica, ki povezuje vse komponente. Ob zagonu preračuna razmerja za prikaz besedila in slik dreves, med uporabo pa skrbi za premik in rotacijo slike, ko uporabnik s prstom povleče po zaslonu. Ko poteg doseže rob zaslona, jedro oceno posreduje DNA menedžerju in od njega dobi naslednji genom za prikaz, ga preda vizualizatorju in vrnjeno sliko prikaže uporabniku. Vsaka ocena se sproti shrani na disk, ob koncu generacije pa se shrani celotna generacija in se pošlje na strežnik.
 
 #figure(
   image("assets/potek_diagram/diagram.svg", height: 400pt),
@@ -401,7 +315,7 @@ Jedro je hrbtenica, ki povezuje vse komponente, ob zagonu preračuna razmerja za
 
 #pagebreak()
 
-== UPORABNIŠKI VMESNIK ‒ ROTACIJA SLIKE
+== UPORABNIŠKI VMESNIK ‒ ROTACIJA SLIKE <rotacija_slike>
 Proces rotiranja slike glede na premik miške je sestavljen iz treh korakov
 in uporabe trigometrije.
 
@@ -460,9 +374,9 @@ V @mat_rotacija za $Delta"mouseV"$ lahko vidimo na (@Prikaz_razdalje), da ko je
 #v(10pt)
 
 $
-  "newAngleOfVectorMI" & = "rotationRad" + "oldAngleOfVectorM" \
-          "vectorMI"_x & = "sizeOfVecorMI" * cos("newAngleOfVectorMI") \
-          "vectorMI"_y & = "sizeOfVecorMI" * sin("newAngleOfVectorMI") \
+  "newAngleOfVectorMI" & = "rotationRad" + "oldAngleOfVectorMI" \
+          "vectorMI"_x & = "sizeOfVectorMI" * sin("newAngleOfVectorMI") \
+          "vectorMI"_y & = "sizeOfVectorMI" * cos("newAngleOfVectorMI") \
             "imageV"_x & = "vectorMI"_x + "mouseV"_x \
             "imageV"_y & = "vectorMI"_y + "mouseV"_y \
        "imageRotation" & = 90 + "rotation"
@@ -486,44 +400,20 @@ $
 - $"orgImageV"$ ‒ originalna pozicija slike
 
 === Uporabljene funkcije
-
-==== atan2
-Funkcija atan2 je matematična funkcija, ki se uporablja za izračun tangente loka količnika, vendar namesto enega samega razmerja ($y/x$) vzame dva ločena argumenta ($y$ in $x$). Zaradi tega je še posebej uporabna za določanje kota v pravilnem kvadrantu, ki temelji na znakih obeh koordinat @wiki_atan2.
-
-$
-  "atan2"(x, y) := cases(
-    arctan(frac(y, x)) & "if" x > 0,
-    arctan(frac(y, x))+pi & "if" x<0 "and" y >= 0,
-    arctan(frac(y, x))-pi & "if" x<0 "and" y < 0,
-    + frac(pi, 2) & "if" x = 0 "and" y > 0,
-    - frac(pi, 2) & "if" x = 0 "and" y < 0,
-    "undefined" & "if" x = 0 "and" y = 0
-  )
-$
-
-==== LERP
-Lerp (okrajšava za linearno interpolacijo) je matematična tehnika, ki se uporablja za iskanje vrednosti med dvema danima vrednostma na podlagi določenega interpolacijskega parametra, ki je pogosto označen kot $t$ @wiki_lerp.
-
-$
-  "lerp"(v 0, v 1, t) = v 0 + t * (v 1 - v 0)
-$
+V zgornjih enačbah nastopata dve standardni funkciji. Funkcija $"atan2"$ vrne kot vektorja v pravem kvadrantu, pri čemer upošteva predznaka obeh koordinat @wiki_atan2. Argumenta ji podajamo v vrstnem redu $(Delta x, Delta y)$, zato je dobljeni kot merjen od navpične osi in v enačbah za razstavljanje vektorja nastopa sinus pri komponenti $x$ in kosinus pri komponenti $y$. Funkcija $"lerp"(v_0, v_1, t) = v_0 + t (v_1 - v_0)$ linearno interpolira med vrednostma $v_0$ in $v_1$ s parametrom $t in [0, 1]$ @wiki_lerp.
 
 #pagebreak()
 
-== DNA MANAGER
+== DNA MENEDŽER <dna_menedzer>
 #let next = `next`
 #let like = `like`
 #let newGen = `newGen`
 
-Namenjena uporaba je, najprej pokličemo #next, ki nam vrne objekt z DNA podatki in indeks DNA-ja, ko se uporabnik odloči, ali mu je všeč, to sporočimo managerju preko funkcije #like, ko nam #like vrne `false` in #next vrne `nullptr`, vemo, da smo prikazali in označili vse DNA-je v generaciji in moramo generirati novo generacijo s klicem #newGen (@dna_manager).
+DNA menedžer hrani celotno populacijo tekoče generacije, skrbi za vrstni red prikaza osebkov in za prehod v naslednjo generacijo. Vmesnik sestavljajo tri funkcije (@dna_manager): #next vrne naslednji osebek za prikaz, #like sporoči uporabnikovo oceno, #newGen pa iz zbranih ocen zgradi naslednjo generacijo. Ko #next vrne `nullptr` in #like vrne `false`, so vsi osebki generacije prikazani in ocenjeni, zato jedro pokliče #newGen.
 
-Dna manager nam dovoli, da večkrat pridobimo naslednji DNA, ne da takoj označimo ali nam je všeč. V aplikaciji je to uporabljeno tako, da pridobimo dva DNA-ja za prikaz. Prvi je na vrhu in ga lahko premikamo in označimo, drugi je pa v ozadju. Po označitvi se zgornji in spodnji zamenjata in spodnji se zamenja z naslednjim.
+Menedžer dovoli, da naslednji osebek pridobimo, še preden ocenimo prejšnjega. Aplikacija to izkorišča tako, da hkrati hrani dva osebka: zgornjega, ki ga uporabnik premika in ocenjuje, in spodnjega, ki je že izrisan in čaka v ozadju. Po vsaki oceni spodnji osebek postane zgornji, na njegovo mesto pa vstopi naslednji.
 
-Funkcija #next vrne DNA iz `vector[queued]` in ga nato inkrementira `queued`, če je `queued` večji od `vector`, vrne `nullptr`.
-
-Funkcija #like sprejme indeks in liked in nato shrani index v vector liked ali disliked, nato inkrementira `seen` in če je večji od `vector`, vrne `false`.
-
-Medtem funkcija #newGen vsebuje glavno logiko. Deluje na principu naravne evolucije. Naključno izbere dva DNA in ustvari otroka tako, da naključno kopira DNA od obeh staršev, da ima v povprečju 50 % DNA od enega starša in 50 % od drugega. Ko ustvari novo generacijo, celotno generacijo mutira tako, da naključno spremeni specificirano število genov (byte). Tukaj lahko opazimo robni primer, kaj, če imamo samo enega ali nič DNA-jev, ki so uporabniku všeč, v primeru, da kloniramo, dokler ne ustvarimo nove generacije in v primeru, ko uporabniku ni nobeden všeč, generiramo novo naključno generacijo.
+Za sledenje stanju generacije menedžer uporablja dva indeksa v vektorju osebkov. Indeks `queued` kaže na naslednji osebek za prikaz, indeks `showed` pa na naslednji osebek za oceno. Funkcija #next vrne osebek na mestu `queued` in indeks poveča; ko `queued` doseže velikost generacije, vrne `nullptr`. Funkcija #like uvrsti indeks ocenjenega osebka med všečne ali nevšečne in poveča `showed`; ko sta oba indeksa na koncu vektorja, vrne `false`. Glavna logika evolucije je v funkciji #newGen in je opisana v @genetski_algoritem.
 
 #figure(caption: [DnaManager])[
   #grid(
@@ -536,7 +426,7 @@ Medtem funkcija #newGen vsebuje glavno logiko. Deluje na principu naravne evoluc
         uint128 randSeed;
         int64_t id;
         int queued;
-        int seen;
+        int showed;
         std::vector<Dna> vector;
         std::vector<int> liked;
         std::vector<int> disliked;
@@ -573,7 +463,7 @@ Medtem funkcija #newGen vsebuje glavno logiko. Deluje na principu naravne evoluc
 
 #pagebreak()
 
-== DNA
+== ZAPIS DNA <zapis_dna>
 Dna je sestavljen iz dveh struktur (@dna_objekt). Zanimliv del, ki ga opazimo, je, da je vsak gen točno en bite dolg in celoten objekt je v pomnilniku samo en velik list bitov (array of bites). To značinost uporabljamo v complementarnih funkcijah `newDna`, `makeChiled`, `clone` in `mutate`.
 
 #figure(caption: [DNA objekt])[
@@ -656,11 +546,78 @@ Ostale funkcije so podobne; najprej pretvorimo v `uint_8*` in nato:
 - `clone` naključno kopiramo iz starša in vstavljamo naključne vrednosti,
 - `mutate` pa sprecificirano število vrednosti spremenimo v naključne vrednosti.
 
+#pagebreak()
 
+== GENETSKI ALGORITEM <genetski_algoritem>
+Ob koncu vsake generacije funkcija `newGen` iz uporabnikovih ocen zgradi novo populacijo. Ker prav ta korak določa, kako hitro se populacija zoži k uporabnikovemu okusu in koliko naključnosti v njej ostane, ga v nadaljevanju opišemo po posameznih delih.
+
+=== Selekcija in elitizem
+Vsi všečni osebki se v naslednjo generacijo prenesejo nespremenjeni, otroci pa prepišejo samo mesta nevšečnih osebkov. Velikost populacije zato ostane enaka, delež na novo ustvarjenih osebkov pa je enak deležu nevšečnih ocen v prejšnji generaciji. Če uporabnik označi kot všečnih deset od šestnajstih osebkov, se na novo ustvari le preostalih šest.
+
+=== Križanje
+Za vsako mesto nevšečnega osebka enakomerno naključno izberemo dva različna starša iz množice všečnih. Križanje je uniformno na ravni bajtov: za vsak bajt genoma z verjetnostjo 0,5 prepišemo vrednost prvega ali drugega starša, tako da otrok v povprečju podeduje polovico genoma od vsakega starša.
+
+=== Robna primera
+- *En všečni osebek.* Križanje ni mogoče, zato uporabimo funkcijo `clone`, ki vsak bajt otroka z verjetnostjo 0,5 prepiše od starša, sicer pa ga nadomesti z naključno vrednostjo. Polovica genoma otroka je torej naključna, kar je najmočnejši vir naključnosti v celotnem postopku.
+- *Noben všečni osebek.* Celotno populacijo nadomestimo z novo naključno populacijo.
+
+=== Mutacija
+Po križanju mutiramo *vse* osebke, tudi všečne. Mutacija na naključno izbranih mestih zamenja tri bajte z naključnimi vrednostmi. Genom obsega 180 bajtov, kar pomeni približno 1,7 % genoma na osebek na generacijo.
+
+Ker mutacija deluje tudi na všečne osebke, se populacija ne more nikoli povsem poenotiti. To je tudi razlog, da podobnost znotraj generacije doseže strop pri približno 82 % in ne pri 100 % (@interpretacija_konvergence), kar so kot motečo lastnost opazili tudi uporabniki (@moteca_podobnost).
+
+#figure(caption: [Postopek tvorjenja nove generacije])[
+  ```
+  newGen(populacija, všečni, nevšečni):
+    če je množica všečni prazna:
+      za vsak osebek v populaciji: newDna(osebek)
+      končaj
+    če ima množica všečni natanko en element:
+      za vsako mesto i iz množice nevšečni:
+        clone(všečni[0], populacija[i])
+    sicer:
+      za vsako mesto i iz množice nevšečni:
+        p1, p2 = dva različna naključna starša iz množice všečni
+        makeChild(p1, p2, populacija[i])
+    za vsak osebek v populaciji: mutate(osebek, 3)
+  ```
+]<psevdokoda_newgen>
+
+=== Viri naključnosti
+V postopku nastopa pet virov naključnosti (@tabela_nakljucnost). Nobeden od njih ni odvisen od zaporedne številke generacije: verjetnost križanja in stopnja mutacije sta skozi celotno sejo konstantni. Naključnost se spreminja le posredno, prek števila všečkov, saj to določi, katera veja postopka se izvede in koliko osebkov se sploh na novo ustvari. Kako se to pozna na izmerjeni podobnosti med osebki, prikazuje @interpretacija_konvergence.
+
+#align(center)[
+  #figure(caption: [Viri naključnosti v postopku tvorjenja nove generacije])[
+    #table(
+      columns: 3,
+      align: (left, left, left),
+      table.header([Vir], [Obseg naključnosti], [Odvisnost od generacije]),
+      table.hline(),
+      [Izbira staršev], [enakomerno iz množice všečnih], [posredna, prek števila všečkov],
+      [Uniformno križanje], [$p = 0,5$ na bajt], [ni odvisno],
+      [Kloniranje (en všeček)], [$p = 0,5$ naključni bajt, tj. približno polovica genoma], [le v tem robnem primeru],
+      [Mutacija], [3 bajti od 180, tj. približno 1,7 % genoma], [ni odvisno],
+      [Nova naključna populacija \ (brez všečkov)], [celoten genom vseh osebkov], [le v tem robnem primeru],
+    )
+  ]<tabela_nakljucnost>
+]
 
 #pagebreak()
 
-== DNA VIZUALIZACIJA
+=== Izbira parametrov <izbira_parametrov>
+Postopek ima dva prosta parametra: velikost generacije in stopnjo mutacije. K tema se pridruži še dolžina seje, torej število generacij, ki jih uporabnik prehodi.
+
+*Velikost generacije* je nastavljena na 16 osebkov. Vrednost je kompromis med dvema nasprotujočima si zahtevama. Večja generacija pomeni več staršev in s tem zanesljivejšo selekcijo, hkrati pa uporabnik dlje čaka na spremembo, saj mora pred vsako novo generacijo opraviti toliko ocen, kolikor je osebkov. Pri 16 osebkih uporabnik vidi učinek svojih ocen po 16 potezah. Vrednosti nismo določili eksperimentalno, zato je ne predstavljamo kot optimalne; testni uporabniki so opozorili prav na nasprotni učinek, da je 16 osebkov premalo za zanesljivo razlikovanje med lastnostmi slik (@nepricakovani_rezultati).
+
+*Stopnja mutacije* je nastavljena na tri bajte na osebek. Pri manjši vrednosti populacija hitreje obtiči v enolični množici zelo podobnih dreves, pri večji pa uporabnik med generacijami ne prepozna več svojih izbir. Tudi ta vrednost je bila izbrana med razvojem po opazovanju izrisanih generacij in ne z meritvijo.
+
+*Dolžina seje* ni omejena; aplikacija lahko teče poljubno dolgo. Seje, ki jih analiziramo v @poglavje_podobnost, so bile prekinjene po dvanajsti generaciji, ker podobnost znotraj generacije do takrat naraste s približno 0 % na 82 % in nato ne narašča več (@graf_podobnost). Nadaljnje generacije torej ne prinesejo več opazne konvergence, prinesejo pa dodatnih 16 potez na generacijo.
+
+Sistematično iskanje najboljših vrednosti teh treh parametrov presega obseg naloge in ga navajamo med predlogi za nadaljnje delo (@zakljucek).
+
+#pagebreak()
+
+== DNA VIZUALIZACIJA <dna_vizualizacija>
 
 
 #figure(
@@ -726,22 +683,12 @@ Je sestavljena iz treh razredov: `Canvas`, `BackGround`, `Tree` (@razredi_vizual
 #pagebreak()
 
 === Ozadje
-Postopek izrisa ozadja je sestavljen iz 5 korakov
+Ozadje izrišemo v štirih korakih. Najprej narišemo nebo, in sicer podnevi kot navpičen barvni prehod s funkcijo `DrawRectangleGradientV` (@steps_nebo), ponoči pa kot enobarvno površino z zvezdami, katerih položaje določa naključno seme iz genoma (@steps_zvezde). Sledita sonce oziroma luna, sestavljena iz več koncentričnih krogov z nizko prosojnostjo, da dobimo mehak rob (@steps_sonce). Nazadnje izrišemo tri plasti gorovja, vsako s svojo barvo in višinskim razponom (@steps_gora_1 do @steps_gora_5).
 
-+ Nebo je narisano s pomočjo raylib funkcije `DrawRectangleGradientV` (@steps_nebo).
+Gore so bile med vsemi elementi najzahtevnejše. Rešili smo jih s trakom trikotnikov (triangle strip) @wiki_triangle_strip, pri katerem se točke izmenjujejo med tlemi in naključno izbrano višino, tako da vsaka nova točka s prejšnjima dvema tvori trikotnik (@Triangle_Strip). Plast izrišemo iz 150 takih segmentov od levega do desnega roba slike.
 
-+ Če je noč, zvezde narišemo z naključnim semenom iz DNA, ki se uporabi za pozicijo, in funkcijo `DrawTriangle` (@steps_zvezde).
+Barvno shemo ozadja določata dva gena: `colorSet` izbere eno od štirih shem, tri dnevne in eno nočno, `moonY` pa znotraj dnevne sheme enega od štirih odtenkov, kar ustreza različnim delom dneva. Skupaj je torej na voljo 13 barvnih shem, znotraj vsake pa se zvezno spreminjajo oblika gorovja, razporeditev zvezd ter položaj in velikost sonca oziroma lune.
 
-+ Sonce in luna sta narisana z raylib funkcijo `DrawCircle` (@steps_sonce).
-
-+ Gore so bile težje za narisati, zato smo se odločili, da bomo uporabili triangle strip (@Triangle_Strip) @wiki_triangle_strip. Najprej smo se odločili, iz koliko segmentov jo bomo narisali v aplikaciji; uporabljamo 150 segmentov, s tem imamo širino segmenta. Sedaj sledimo tem korakom:
-  + Prvo točko postavimo v spodnji levi kot (0,0).
-  + Za drugo točko si izberemo naključno številko za višino gore (0,80).
-  + Naslednja točka je spet na tleh, samo zamaknjena za širino segmenta na desno (20,0).
-  + Za naslednjo točko si zberemo naključno število za višino gore in zamaknjeno na desno od prejšne višine (20, 90).
-  + Sedaj ponavljamo točki 3 in 4, dokler ne pridemo do desnega roba slike.
-
-+ Ponovimo korak 4 še dvakrat, da dobimo gorovje (@steps_gora_5).
 
 #block(breakable: false)[
   #grid(
@@ -750,19 +697,19 @@ Postopek izrisa ozadja je sestavljen iz 5 korakov
     [
       #figure(
         image("assets/draw_steps/steps_1_1.png", height: 100pt),
-        caption: [Korak nebo],
+        caption: [Korak dnevno nebo],
       )<steps_nebo>
     ],
     [
       #figure(
         image("assets/draw_steps/steps_2_2.png", height: 100pt),
-        caption: [Korak nebo],
+        caption: [Korak nočno nebo z zvezdami],
       )<steps_zvezde>
     ],
     [
       #figure(
         image("assets/draw_steps/steps_1_2.png", height: 100pt),
-        caption: [Korak sonce],
+        caption: [Korak sonce oziroma luna],
       )<steps_sonce>
     ],
 
@@ -842,9 +789,10 @@ Veja je struktura, ki vsebuje podatke o:
 
 #pagebreak()
 
-// TODO: Dodaj slike za lazjo predstavo
 ==== Algoritem
-Začnemo tako, da damo v seznam, kar prikazuje @prvi_drawArgs, in ponavljamo naslednje postopke, dokler imamo nekaj v seznamu.
+Algoritem drevo gradi po vejah in ne rekurzivno. V seznamu hrani opise vej, ki jih je še treba izrisati; iz seznama vzame prvi opis, izriše vejo in na njen konec doda opise njenih otrok, dokler seznam ni prazen. Vsaka veja pri tem prevzame nekaj lastnosti od starša (končno debelino in barvo), preostale pa prebere iz gena za svojo globino. Tako je celotno drevo določeno z osmimi geni, po enim za vsako globino, in s tem, kar veje podedujejo od svojih staršev.
+
+Začnemo tako, da v seznam damo opis debla, ki ga prikazuje @prvi_drawArgs, in ponavljamo naslednje korake, dokler je v seznamu še kaj.
 #figure(caption: [Prvi DrawArgs])[
   ```cpp
   struct DrawArgs
@@ -1016,7 +964,7 @@ Začnemo tako, da damo v seznam, kar prikazuje @prvi_drawArgs, in ponavljamo nas
 
 == OPTIMIZACIJE
 
-=== Optimizacija izrisa
+=== Optimizacija izrisa <optimizacija_izrisa>
 
 Sprva se je drevo izrisalo s pomočjo raylib funkcije `DrawLineEx`, drevo se je izrisovalo vsak okvir (frame). Kasneje smo hoteli dodati veje s spremenljivo debelino, najlažja rešitev, ki smo se jo spomnili, je bila, da narišemo krogce s spremenljivim polmerom. To nas je prisililo, da moramo narisati čez 55000 krogov. Z raylibovo funkcijo `DrawCircleV` za risanje krogov je applikacija začela zaostajati (lagged). To smo rešili tako, da najprej drevo narišemo na teksturo, ki je zelo enostavna za izris. To je rešilo večino problemov, občasno se je še vedno pojavil zaostanek (lag spike), ki smo ga rešili tako, da smo omejili število risalnih klicev na okvir in drevo narisali v par okvirjih.
 
@@ -1038,9 +986,11 @@ Sprva se je drevo izrisalo s pomočjo raylib funkcije `DrawLineEx`, drevo se je
 ]
 
 #pagebreak()
-=== DNA manager optimizacija
+=== Optimizacija DNA menedžerja
 
-Na začetku (@dna_manager_v1) je bil DnaManager samo struktura kazalcev na `DNA`, s tem imamo problem, da ne moremo shraniti kazalcev v datoteko. Spremenili smo ga na indekse (@dna_manager_v2), ki se dajo zapisati v datoteko, kasneje pa smo se spomnili, da bi bilo dobro za predpomnilnik, da so indeksi v queued sortirani. Med razhroščevanjem smo opazili, da queued in showed delujeta kot premikajoči indeksi za queued: pred njim so stvari, ki so že prikazane, za njim pa so stvari, ki jih še moramo prikazati. Zato smo spremenili queued in showed v en indeks namesto list (@dna_manager_v3).
+Na začetku (@dna_manager_v1) je bil DnaManager struktura kazalcev na `Dna`, kar pomeni, da stanja ni bilo mogoče shraniti v datoteko, saj kazalci po ponovnem zagonu niso več veljavni. Zato smo kazalce zamenjali z indeksi (@dna_manager_v2), ki jih je mogoče zapisati; ob tem se je izkazalo še, da je za predpomnilnik ugodno, če so indeksi v seznamu `queued` urejeni naraščajoče.
+
+Med razhroščevanjem smo opazili, da sta seznama `queued` in `showed` odveč. Ker osebke prikazujemo in ocenjujemo v enakem vrstnem redu, kot so shranjeni v vektorju, oba seznama vedno vsebujeta strnjen del vektorja, zato ju je mogoče nadomestiti z dvema premikajočima se indeksoma v vektorju osebkov (@dna_manager_v3): pred indeksom `showed` so ocenjeni osebki, med `showed` in `queued` so prikazani in še neocenjeni, za `queued` pa še neprikazani.
 
 #align(center)[
   #grid(
@@ -1095,105 +1045,89 @@ Na začetku (@dna_manager_v1) je bil DnaManager samo struktura kazalcev na `DNA`
 
 #pagebreak()
 
-= PODOBNOST
-Da smo lahko prikazali, koliko so uporabniku slike všeč, smo se odločili, da bomo izračunali podobnost med slikami. Bolj ko so si slike podobne, bolj so všeč uporabniku in obratno. Zato smo preučili sedem algoritmov.
+= PODOBNOST <poglavje_podobnost>
+Med sejo želimo uporabniku pokazati, kako daleč je evolucija napredovala, hkrati pa potrebujemo mero, s katero lahko delovanje genetskega postopka spremljamo tudi pri razvoju. Za oboje uporabljamo isto količino: *povprečno podobnost med vsemi pari osebkov v trenutni generaciji*. Pri 16 osebkih je to povprečje čez $binom(16, 2) = 120$ parov.
 
-== Opis algoritmov
-=== Evklidska razdalja
-Evklidska razdalja je najkrajša razdalja med dvema točkama v evklidskem prostoru, ki je najpogosteje uporabljen koncept razdalje v matematiki in fiziki @wiki_euclidean_distance.
+Poudariti je treba, kaj ta količina pove in kaj ne. Razdalja med genoma pove, kako podobni sta si sliki, torej kako zelo se je populacija zožila oziroma kam je izbira skonvergirala. Ne pove pa, ali so slike uporabniku dejansko všeč: populacija lahko skonvergira tudi k drevesom, s katerimi uporabnik ni zadovoljen, na primer kadar med prikazanimi osebki ni bilo nobenega, ki bi mu ustrezal. Podobnost je torej *mera konvergence*, ne mera všečnosti. V uporabniškem vmesniku je prikazana kot odstotek "všečnosti", kar je zaradi igrifikacije razumljivo, vsebinsko pa neposrečeno; primernejša oznaka bi bila "ujemanje z vašim izborom" ali "stopnja konvergence".
 
-==== Formula
-Za dve točki p in q v n-dimenzionalnem prostoru se izračuna:
-$ d(p, q) = sqrt(sum_(i=1)^n (q_i - p_i)^2) $
+Ker se mera računa po vsaki generaciji in se prikaže uporabniku, mora biti izračunljiva neposredno nad 180-bajtnim genomom, imeti zalogo vrednosti, ki jo je mogoče prikazati kot odstotek, med konvergenco populacije naraščati in se izračunati dovolj hitro, da prehod med generacijama ni opazen. Da bi pokrili različne pristope k merjenju razdalje, smo preučili sedem mer iz treh družin: geometrijske (evklidska razdalja, skalarni produkt, kosinusna podobnost in njena varianta), množične (Jaccardov indeks) ter nizovne oziroma poravnalne (Hammingova razdalja, Levenshteinova razdalja in Needleman-Wunschev algoritem).
 
-==== Normalizacija
-Da normaliziramo Evklidsko razdaljo, moramo deliti z najdaljšo možno razdaljo v prostoru:
-$ "maxDistance" = 255 sqrt(n) $
-Normalizacija je nato:
-$ "normalizedDistance" = frac(d(p, q), "maxDistance") $
+== Opis mer
+Genom obravnavamo kot zaporedje $n = 180$ bajtov, torej kot vektor celih števil z zalogo vrednosti $[0, 255]$. Vse mere so definirane nad tem zapisom in vrnjeno vrednost normaliziramo na odstotke.
 
-=== Skalarni produkt
-Skalarni produkt (tudi dot produkt ali notranji produkt) je operacija med dvema vektorjema v vektorskem prostoru, ki kot rezultat vrne skalar (realno število) @wiki_dot_product.
-
-==== Formula:
-Za vektorja A in B v n-dimenzionalnem prostoru:
-
-$ upright(bold(A)) op(dot) upright(bold(B)) = sum_(i=1)^n A_i B_i $
-
-==== Normalizacija
-Da noramliziramo skalarni produkt moramo deliti z največjim produktom v prostoru:
-$ "maxDotProduct" = n*255*255 $
-Normalizacija je nato:
+=== Geometrijske mere
+*Evklidska razdalja* je najkrajša razdalja med dvema točkama v evklidskem prostoru @wiki_euclidean_distance. Normaliziramo jo z največjo možno razdaljo v prostoru, podobnost pa je njen komplement:
 $
-  "normalizedDotProdut" = frac(
-    upright(bold(A)) op(dot) upright(bold(B)),
-    "maxDotProduct"
+  d(p, q) & = sqrt(sum_(i=1)^n (q_i - p_i)^2) \
+  s & = 1 - frac(d(p, q), 255 sqrt(n))
+$
+
+*Skalarni produkt* dveh vektorjev vrne skalar @wiki_dot_product; normaliziramo ga z največjim možnim produktom $n dot 255^2$:
+$
+  upright(bold(A)) op(dot) upright(bold(B)) & = sum_(i=1)^n A_i B_i \
+  s & = frac(upright(bold(A)) op(dot) upright(bold(B)), n dot 255^2)
+$
+
+*Kosinusna podobnost* meri kosinus kota med vektorjema in je neodvisna od njune velikosti @wiki_cosine_similarity:
+$ s = frac(upright(bold(A)) op(dot) upright(bold(B)), ||upright(bold(A))|| ||upright(bold(B))||) $
+Ker so vse komponente nenegativne, je kot med vektorjema vedno majhen in mera se že pri naključnih genomih giblje visoko. Zato smo preizkusili tudi *varianto*, pri kateri vrednosti genov najprej preslikamo iz $[0, 255]$ v $[-128, 127]$ in s tem razširimo izhodno območje.
+
+=== Množične mere
+*Jaccardov indeks* meri podobnost dveh množic kot razmerje med velikostjo preseka in velikostjo unije @wiki_jaccard_index:
+$ J(A, B) = frac(|A #sym.inter B|, |A #sym.union B|) $
+
+=== Nizovne in poravnalne mere
+*Hammingova razdalja* meri število mest, na katerih se zaporedji enake dolžine razlikujeta @wiki_hamming_distance. Ker je pri nas gen en bajt, primerjamo bajte in ne posameznih bitov:
+$
+  d(p, q) & = |{i : p_i != q_i}| \
+  s & = 1 - frac(d(p, q), n)
+$
+
+*Levenshteinova razdalja* je najmanjše število vstavitev, izbrisov in zamenjav, potrebnih za pretvorbo enega zaporedja v drugo @wiki_levenshtein_distance. Računa se z dinamičnim programiranjem in ima časovno zahtevnost $O(n^2)$, kar je pri $n = 180$ opazno počasneje od ostalih mer.
+
+*Needleman-Wunschev algoritem* je postopek globalne poravnave zaporedij iz bioinformatike, prav tako zasnovan na dinamičnem programiranju @wiki_needlemanwunsch_algorithm. Vsaki možni poravnavi dodeli oceno glede na izbrane nagrade za ujemanje ter kazni za neujemanje in vrzeli, rezultat pa je poravnava z najvišjo oceno.
+
+#align(center)[
+  #figure(caption: [Pregled preučenih mer])[
+    #table(
+      columns: 4,
+      align: (left, left, left, left),
+      table.header([Mera], [Družina], [Časovna zahtevnost], [Testirana]),
+      table.hline(),
+      [Evklidska razdalja], [geometrijska], [$O(n)$], [da],
+      [Skalarni produkt], [geometrijska], [$O(n)$], [da],
+      [Kosinusna podobnost], [geometrijska], [$O(n)$], [da],
+      [Kosinusna varianta], [geometrijska], [$O(n)$], [da],
+      [Jaccardov indeks], [množična], [$O(n)$], [ne],
+      [Hammingova razdalja], [nizovna], [$O(n)$], [da],
+      [Levenshteinova razdalja], [poravnalna], [$O(n^2)$], [da],
+      [Needleman-Wunschev alg.], [poravnalna], [$O(n^2)$], [ne],
     )
-$
+  ]<tabela_mere>
+]
 
-=== Kosinusna podobnost
-Kosinusna podobnost je mera, ki se uporablja za določanje podobnosti dveh vektorjev ne glede na njuno velikost. Izračuna kosinus kota med dvema vektorjema v n-dimenzionalnem prostoru @wiki_cosine_similarity.
+Razloga, zakaj Jaccardovega indeksa in Needleman-Wunschevega algoritma nismo testirali, sta navedena v @odlocitev_mera.
 
-==== Formula:
-$
-  "similarity" = frac(upright(bold(A)) op(dot) upright(bold(B)), ||upright(bold(A))|| ||upright(bold(B))||)
-$
-
-==== Variacija
-Variaciaja, ki jo bomo testirali, je, da najprej mapiramo vrednosti genov iz (0, 255) v (-127 to 128) in s tem razširimo izhodno območje.
-
-=== Hammingova razdalja
-Hammingova razdalja je koncept v matematiki in računalništvu, ki meri razliko med dvema zaporedjema enake dolžine. Najpogosteje se uporablja za nize znakov, binarne zaporedja (npr. bitne nize) ali DNA zaporedja @wiki_hamming_distance.
-
-
-=== Jaccardov indeks
-Jaccardov indeks (ali Jaccardov koeficient podobnosti) je metrika, ki meri podobnost med dvema množicama. Izračuna se kot razmerje med velikostjo presečišča obeh množic in velikostjo njihove unije @wiki_jaccard_index.
-
-==== Formula:
-$
-  J(A, B) = frac(|A #sym.inter B|, |A #sym.union B|)
-$
-
-=== Levenshteinova razdalja
-Levenshteinova razdalja (ali urejevalna razdalja) je metrika, ki meri razliko med dvema nizoma znakov. Določa najmanjše število urejevalnih operacij (vstavitev, izbris ali zamenjava znakov), potrebnih za pretvorbo enega niza v drugega @wiki_levenshtein_distance.
-
-==== Formula:
-#let head = "head"
-#let tail = "tail"
-#let lev = "lev"
-#let sif = "if"
-$
-  lev(a, b) := cases(
-    |a| & sif |b| = 0,
-    |b| & sif |a| = 0,
-    lev(tail(a), tail(b)) & sif head(a) = head(b),
-    1 + min
-    cases(
-      lev(tail(a), b),
-      lev(a, tail(b)),
-      lev(tail(a), tail(b)),
-    ) & "otherwise"
-  )
-$
-
-Where the
-
-tail(x) is a string of all but the first character of x
-
-head(x) is first character of x
-
-
-=== Needleman-Wunschev algoritem
-Needleman-Wunschev algoritem je algoritem, ki se uporablja v bioinformatiki za poravnavo beljakovinskih ali nukleotidnih zaporedij. Bil je ena prvih aplikacij dinamičnega programiranja za primerjavo bioloških zaporedij. Včasih se imenuje tudi algoritem optimalnega ujemanja in tehnika globalne poravnave. Needleman-Wunschov algoritem se še vedno široko uporablja za optimalno globalno poravnavo, zlasti kadar je kakovost globalne poravnave najpomembnejša. Algoritem dodeli oceno vsakemu možnemu poravnavanju, njegov namen pa je najti vsa možna poravnavanja z najvišjo oceno @wiki_needlemanwunsch_algorithm.
-
-#pagebreak()
 == Testiranje algoritmov
-Testiranje je potekalo na več primerih evolucije. Spodaj je prikazan en primer rezultatov podobnosti in časa računanja podobnosti v mikrosekundah. Slike generacij so v prilogi.
+Mere smo primerjali na sejah evolucije, shranjenih v podatkovni bazi aplikacije. Na voljo smo imeli tri seje; vsaka je bila izpeljana do dvanajste generacije, torej obsega 13 generacij (0--12) in 208 uporabnikovih ocen, skupaj 624 ocen. Vse mere so bile izračunane na istih, že posnetih generacijah, tako da so med seboj neposredno primerljive.
+// TODO: dopolniti, kdo je izvedel te tri seje (avtor / testni uporabniki) -- mentorjevo vprašanje "Kdo je testiral?"
+
+V nadaljevanju so prikazani rezultati seje, katere slike vseh generacij so v prilogi. Za to sejo @tabela_vsecki_gen prikazuje tudi, koliko osebkov je uporabnik v posamezni generaciji označil kot všečne, saj je od tega odvisno, katera veja postopka tvorjenja nove generacije se je izvedla (@genetski_algoritem).
+
+#align(center)[
+  #figure(caption: [Število všečkanih osebkov po generacijah (od 16)])[
+    #table(
+      columns: 14,
+      table.header([Generacija], [0], [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11], [12]),
+      table.hline(),
+      [Všečkani], [4], [3], [11], [14], [12], [15], [16], [1], [2], [4], [2], [7], [11],
+    )
+  ]<tabela_vsecki_gen>
+]
 
 === Testno okolje
 Algoritmi so bili testirani na računalniku z AMD Ryzen 5 5500U procesorjem in 16 GB rama. Vsak algoritem je bil zagnan petkrat in podatki so povprečje rezultatov.
 
-// TODO: Dodaj opis testnega okolja
 === Rezultati podobnosti
 
 #align(center)[
@@ -1237,6 +1171,8 @@ Algoritmi so bili testirani na računalniku z AMD Ryzen 5 5500U procesorjem in 1
 #let sh = (0.449075, 22.8889, 44.9491, 46.75, 46.8519, 48.463, 46.6667, 44.9213, 27.3796, 59.213, 67.3981, 81.8981, 80.7778)
 #let sl = (50.3356, 61.4676, 72.4768, 73.375, 73.4259, 74.2315, 73.3333, 72.4606, 63.6898, 79.6065, 83.6991, 90.9491, 90.3889)
 
+#align(center)[
+  #figure(caption: [Podobnost znotraj generacije po posameznih merah])[
 #lq.diagram(
   legend: (position: (100% + .5em, 0%)),
   height: 200pt,
@@ -1250,6 +1186,8 @@ Algoritmi so bili testirani na računalniku z AMD Ryzen 5 5500U procesorjem in 1
   lq.plot(xs, sh, mark: none, label: [Hammingova]),
   lq.plot(xs, sl, mark: none, label: [Levenshteinova]),
 )
+  ]<graf_podobnost>
+]
 
 #pagebreak()
 === Čas računanja podobnosti v 	μs
@@ -1292,6 +1230,10 @@ Algoritmi so bili testirani na računalniku z AMD Ryzen 5 5500U procesorjem in 1
 #let th = (87, 250, 105, 106, 108, 104, 106, 103, 78, 103, 81, 58, 60)
 #let tl = (105799, 100331, 97438, 97529, 96296, 96456, 96510, 97253, 97409, 99816, 98978, 98289, 99663)
 
+#align(center)[
+  #figure(caption: [
+    Čas računanja podobnosti. Levenshteinova razdalja je zaradi merila izpuščena iz prikaza; njen čas se giblje med 96 296 μs in 105 799 μs, torej približno tisočkrat nad ostalimi merami.
+  ])[
 #lq.diagram(
   legend: (position: (100% + .5em, 0%)),
   height: 200pt,
@@ -1304,17 +1246,32 @@ Algoritmi so bili testirani na računalniku z AMD Ryzen 5 5500U procesorjem in 1
   lq.plot(ts, tcs, mark: none, label: [Kosinusna]),
   lq.plot(ts, tcsv, mark: none, label: [Kosinusna variacija]),
   lq.plot(ts, th, mark: none, label: [Hammingova]),
-  lq.plot(ts, tl, mark: none, label: [Levenshteinova]),
 )
+  ]<graf_cas>
+]
 
 #pagebreak()
-== Odločitev
-Odločili smo se, da bomo uporabili Hammingovo razdaljo, ker nam je všeč rezultat podobnosti, ker zače pri 0 % nadaljuje proti 100 % in implementacija je enostavna. Časa računanja podobnosti nismo upoštevali, ker so bili vsi razen Levenshteinove razdalje manj kot 0.5 milisekunde in je to za nas dovolj hitro.
+== Interpretacija konvergence <interpretacija_konvergence>
+Krivulje na @graf_podobnost se med seboj razlikujejo po zalogi vrednosti, njihova oblika pa je enaka, saj vse merijo isti pojav: kako zelo se je populacija zožila. Če jih beremo skupaj s številom všečkov po generacijah (@tabela_vsecki_gen), postane razvidno, da oblike krivulje ne določa zaporedna številka generacije, temveč uporabnikove ocene, saj te izberejo vejo postopka tvorjenja nove generacije.
 
-Opaziti je, da Jaccarda indeks in Needleman-Wunschev algoritem manjakta v testiranju, in to je zato, ker:
+*Naraščanje v generacijah 2--6.* Uporabnik je v teh generacijah označil med 11 in 16 všečkov, zato je bilo staršev veliko, na novo ustvarjenih osebkov pa malo. Populacija se zato hitro poenoti in Hammingova podobnost naraste s približno 45 % na 48 %, kosinusna pa čez 86 %.
 
-- Jaccardov indeks ni primeren za nas, ker deluje na skupini unikatnih vrednosti, česar mi nimamo, ker imamo lahko dve isti vrednosti, ki predstavljata dve različni lastnosti slike. Zato tudi če bi dobili 100 %, ujemanje ne bi pomenilo, da se sliki 100 % ujemata.
-- Nam Needleman-Wunschev alogitem ne vrne nevtralne številke, ki bi jo lahko uporabili za rezultat podobnosti.
+*Zastoj med generacijama 6 in 7.* V generaciji 6 je bilo všečkanih vseh 16 osebkov. Ker otroci prepišejo samo mesta nevšečnih osebkov, otrok sploh ni bilo in je na populacijo delovala le mutacija treh bajtov na osebek. Podobnost se med tema dvema generacijama praktično ne spremeni (85,3 % proti 85,1 % pri kosinusni meri).
+
+*Padec pri generaciji 8.* V generaciji 7 je bil všečen samo en osebek. Postopek je zato uporabil vejo `clone`, ki polovico bajtov otroka nadomesti z naključnimi vrednostmi, in 15 od 16 osebkov naslednje generacije je nastalo na ta način. Podobnost posledično strmo pade, pri Hammingovi meri s 44,9 % na 27,4 %. Padec torej ni napaka meritve, ampak pričakovana posledica robnega primera v postopku.
+
+*Strop pri približno 82 %.* Po generaciji 9 podobnost spet naraste in se pri generacijah 11 in 12 ustali okoli 82 % (Hammingova mera). Popolnega ujemanja postopek ne more doseči, ker se mutacija izvede tudi na všečnih osebkih: vsak osebek v vsaki generaciji dobi tri naključne bajte, zato v populaciji vedno ostane nekaj razlik.
+
+Iz tega je razvidno, da je mera razdalje uporabna tudi kot diagnostika postopka in ne le kot številka na zaslonu; iz njenega poteka je mogoče razbrati, katera veja postopka se je izvedla in kako močno je vplivala na populacijo. Naravno nadaljevanje tega opazovanja je merjenje hitrosti konvergence pri različnih stopnjah mutacije in različnih velikostih generacije, kar navajamo med predlogi za nadaljnje delo (@zakljucek).
+
+#pagebreak()
+== Odločitev <odlocitev_mera>
+Izbrali smo Hammingovo razdaljo. Ustreza vsem štirim kriterijem iz uvoda tega poglavja: računa se neposredno nad bajti genoma, njena zaloga vrednosti je celoten razpon od 0 % do 100 %, med konvergenco narašča, izračun 120 parov pa traja približno 100 μs. Odločilna je bila zaloga vrednosti: pri naključni začetni populaciji se začne pri približno 0 % in se z zoževanjem izbire pomika proti 100 %, zato je uporabniku razumljiva brez dodatne razlage. Kosinusna podobnost je za prikaz manj primerna, ker se že pri naključni populaciji začne pri 75 %, evklidska pri 59 %, skalarni produkt pa se giblje le med 25 % in 32 %. Časov računanja pri odločitvi nismo upoštevali, saj so vse mere razen Levenshteinove pod 0,5 ms, kar je za enkraten izračun ob prehodu med generacijama zanemarljivo; Levenshteinova razdalja je s približno 100 ms na generacijo za prikaz v realnem času neuporabna.
+
+Dveh mer nismo testirali:
+
+- *Jaccardov indeks* deluje nad množicami unikatnih vrednosti, genom pa je zaporedje, v katerem ista vrednost na dveh različnih mestih pomeni dve različni lastnosti slike. Popolno ujemanje množic zato ne bi pomenilo, da sta sliki enaki.
+- *Needleman-Wunschev algoritem* vrne oceno poravnave, ki je odvisna od izbire kazni in nagrad in nima nevtralne zgornje meje, zato je ni mogoče neposredno prikazati kot odstotek.
 
 
 #pagebreak()
@@ -1425,11 +1382,18 @@ Po tem, ko smo objavili aplikacijo na Play Store, smo prosili prijatelje in sode
 == Ni intuitivno, kako uprabljati aplikacijo
 Uporabnikom ni bilo jasno, kako uporabiti aplikacijo, ni jim bilo, jasno da lahko povlečejo sliko levo ali desno, da označijo, ali jim je všeč ali ne. Da rešimo to, lahko ob prvem zagonu aplikacije prikažemo animacijo, kako lahko premikajo sliko po zaslonu.
 
-== Nepričakovani rezultati
-Po razlagi, kako uporabljati aplikacijo, jim ni bilo jasno, zakaj niso videli nobenih sprememb na drevesih in v rezultatu podobnosti. Tukaj je glavni problem majhno število vzorcev na generacijo (trenutno 16); s tem težko izločimo, kaj je uporabniku všeč. Med testiranjem nam večje število vzorcev ni bilo všeč, ker predolgo traja, da pridemo skozi generacijo in vidimo spremembe.Ker smo vedeli kako deluje algoritem, med izdelavo aplikacije te nismo uporabljali kot uporabnik. Namesto da bi izbirali videz celotne slike, smo izbirali specifične lastnosti na slikah. Nekaterim uporabnikom je to vspelo ugotoviti in so s tem ustvarili precej lepe slike.
+== Nepričakovani rezultati <nepricakovani_rezultati>
+Po razlagi, kako uporabljati aplikacijo, jim ni bilo jasno, zakaj na drevesih in v prikazanem odstotku niso videli sprememb. Glavni razlog je majhno število osebkov na generacijo (16), saj iz 16 binarnih ocen težko izluščimo, katera lastnost slike je uporabniku všeč. Večje generacije med razvojem nismo uporabili, ker traja predolgo, da uporabnik pride skozi generacijo in vidi učinek svojih ocen; kompromis je opisan v @izbira_parametrov.
 
-== Moteč rezultat podobnosti
-Nekaj uporabnikov nam je sporočilo da jih je motilo, da jim ni uspelo doseči 100 % podobnosti. Da lahko to rešimo, bi mogoče lahko uporabili kak drugačen algoritem ali pa bi lahko preslikali rezultat, da se vsaka vrednost nad 85 % prikaže kot 100 %.
+Pokazala se je še ena razlika. Ker smo poznali delovanje postopka, aplikacije med razvojem nismo uporabljali kot uporabnik: namesto celotnega videza slike smo ocenjevali posamezne lastnosti, na primer barvo ali gostoto vej. Nekateri uporabniki so to sami ugotovili in s takim načinom ocenjevanja prišli do vidno lepših dreves, drugi pa ne, kar kaže, da bi aplikacija ta način dela morala nakazati sama.
+
+== Moteč rezultat podobnosti <moteca_podobnost>
+Nekaj uporabnikov je sporočilo, da jih je motilo, ker jim ni uspelo doseči 100 %. Vzrok je v postopku: mutacija se izvede tudi na všečnih osebkih, zato se populacija ne more povsem poenotiti in vrednost se ustali okoli 82 % (@interpretacija_konvergence). Moteč je torej tudi način prikaza, saj prikazana vrednost ni ocena všečnosti, ampak mera konvergence populacije, uporabnik pa jo razume kot cilj, ki ga je treba doseči. Rešitev je dvojna: količino poimenovati tako, kot deluje (na primer "ujemanje z vašim izborom"), in prikazano vrednost raztegniti čez celoten razpon do dejansko dosegljivega maksimuma.
+
+== Vsiljena barvna paleta <vsiljena_paleta_ref>
+Barve dreves in ozadja so del genoma in so v prvi generaciji naključne, zato uporabnik na začetku ne more vplivati na osnovni videz slik. Če mu prikazane barvne kombinacije ne ustrezajo, ocenjuje slike, med katerimi mu nobena ni všeč, in njegove ocene so za postopek šum in ne signal. Podatki to potrjujejo: v prvih dveh generacijah analizirane seje je bilo všečkanih le 4 oziroma 3 od 16 osebkov (@tabela_vsecki_gen), medtem ko jih je bilo v generacijah 3--6 med 11 in 16.
+
+Razlog za tako zasnovo je bil, da naj evolucija zajame celotno sliko; če bi uporabnik barve izbral vnaprej, bi iz iskalnega prostora izpadli geni `colorR`, `colorG`, `colorB`, `colorVar` in `colorSet`, torej približno tretjina genoma, in vpliv evolucije na končni videz bi bil bistveno manjši. Primernejša rešitev, ki je nismo izvedli, je uvodni korak: uporabnik najprej izbere barvno paleto drevesa in ozadje, aplikacija ta del genoma zamrzne, evolucija pa nato deluje na obliki drevesa. Alternativa brez dodatnega koraka je prva generacija z namenoma čim bolj razpršenimi paletami, tako da uporabnik že v prvi generaciji vidi celoten razpon možnih barvnih shem.
 
 == Zgodovina
 Uporabniki so želeli zgodovino. To bi bilo dokaj enostavno dodati, saj hranimo celotno stanje aplikacije v sistemu, da lahko stanje preživi izklop aplikacije ampak se med izdelavo nismo spomnili, da bi dodali zgodovino.
@@ -1453,7 +1417,7 @@ Med izdelavo aplikacije smo izdelali _sistem strežnik in odjemalec_, da smo lah
 Naš sistem je bil tako narejen, da je imel vsak odjemalec skrivno številko, ki jo je uporabil pri komunikaciji, ampak smo še vedno naleteli na to, da se je lahko nekdo naključno povezal na strežnik in je zadel število, in ker nismo imeli dobre filtracije podatkov, se je vse, kar nam je poslal, direktno shranjevalo v bazo. Bilo bi dobro, da imamo paritetne kode na koncu sporočila, da vemo, ali je sporočilo validno. Ko nam je zlonamerni odjemalec napolnil bazo, smo se odločili, da bomo odstranili vse podatke, ki ne sledijo pravilni evoluciji, in ker smo imeli napako v kodi, smo zbrisali celotno bazo podatkov. Med testiranjem smo našli tudi par primerov, kjer se sporočila niso prenesla v celoti.
 
 #pagebreak()
-== Gradilni sistem
+== Gradilni sistem <gradilni_sistem>
 Začeli smo z enostavno Makefile datoteko, kjer smo vse enostavno kompilirali skupaj.
 
 ```Makefile
@@ -1477,15 +1441,20 @@ Nato smo morali dodati še gradnjo enega programa, kar je bilo mogoče z našo s
 
 #pagebreak()
 
-= ZAKLJUČEK
+= ZAKLJUČEK <zakljucek>
 
 V tej diplomski nalogi smo razvili aplikacijo Treender, ki uporabnikom omogoča interaktivno vodenje evolucije fraktalnih dreves z uporabo genetskih algoritmov in preprostih uporabniških gest. Cilj projekta je bil raziskati, kako lahko kombinacija algoritmov in uporabniških ocen ustvarja osebne in dinamične izkušnje.
 
 Za razvoj smo uporabljali tehnologije, kot so C++, Raylib in SQLite3, ki so omogočile učinkovito delovanje in vizualizacijo. Ključni izziv je bila optimizacija algoritmov za generiranje in risanje dreves, ki smo ga rešili z risanjem na teksturo in omejevanjem števila risalnih klicev. Ugotovili smo, da je pomembno, da je uporabniški vmesnik intuitiven, saj so uporabniki na začetku težko razumeli osnovne funkcije, kot je ocenjevanje z vlečenjem slike.
 
-Za izračun podobnosti med drevesi smo izbrali Hammingovo razdaljo, saj je nudila enostavno implementacijo in jasne rezultate. Objava aplikacije na Google Play Store je zahtevala prilagoditve opisa in politike zasebnosti, da smo ustrezali zahtevam platforme.
+Za merjenje podobnosti med drevesi smo izbrali Hammingovo razdaljo, ker se računa neposredno nad genomom, pokrije celoten razpon od 0 % do 100 % in je dovolj hitra za izračun ob vsaki novi generaciji. Pri tem smo ugotovili, da ta količina ne meri všečnosti, ampak konvergenco populacije, torej to, kako zelo se je uporabnikova izbira zožila. Prav zato jo je mogoče uporabiti tudi kot diagnostiko postopka: iz poteka krivulje je razvidno, katera veja tvorjenja nove generacije se je izvedla in kako močno je vplivala na populacijo. Objava aplikacije na Google Play Store je zahtevala prilagoditve opisa in politike zasebnosti, da smo ustrezali zahtevam platforme.
 
-Projekt je uspešno dosegel svoje cilje: uporabnikom je omogočil ustvarjanje in prilagajanje fraktalnih dreves, hkrati pa nam je prinesel izkušnje na področju razvoja, optimizacije in uporabniške izkušnje. V prihodnosti bi lahko aplikacijo izboljšali z dodajanjem zgodovine in komunikacije podobnosti.
+Projekt je dosegel zastavljene cilje: uporabnikom omogoča, da s 16 potezami na generacijo usmerjajo videz fraktalnih dreves, ne da bi morali svoj okus opisati z besedami ali nastavljati parametre. Hkrati je pokazal tudi omejitve izbrane zasnove. Za nadaljnje delo se kot najbolj obetavni kažejo štirje koraki:
+
+- uvodna izbira barvne palete in ozadja, ki odpravi težavo hladnega zagona (@vsiljena_paleta_ref);
+- prilagodljiva stopnja naključnosti, ki je v prvih generacijah večja, da uporabnik hitro vidi celoten razpon možnosti, nato pa se manjša za natančnejše uravnavanje podrobnosti;
+- eksperimentalno določanje velikosti generacije in stopnje mutacije z merjenjem hitrosti konvergence, namesto sedanjih vrednosti, izbranih med razvojem (@izbira_parametrov);
+- zgodovina prikazanih dreves in preimenovanje prikazane podobnosti v skladu s tem, kar dejansko meri.
 #pagebreak()
 
 #bibliography("citations.bib", title: [VIRI IN LITERATURA], style: "ieee.csl")