From 1d4bd0bf7373bcb2462a1caba651c4b5cb9252d6 Mon Sep 17 00:00:00 2001
From: SerKin0 <71343548+SerKin0@users.noreply.github.com>
Date: Mon, 25 May 2026 10:23:00 +0300
Subject: [PATCH] [2] to merge
---
skorohodovsa/task_2/.gitignore | 3 +-
skorohodovsa/task_2/docs.md | 1185 +++++++++++++++++
.../task_2/docs/_build/markdown/api.md | 470 +++++++
.../task_2/docs/_build/markdown/stage1.md | 91 ++
.../task_2/docs/_build/markdown/stage2.md | 60 +
.../task_2/docs/_build/markdown/stage3.md | 90 ++
.../task_2/docs/_build/markdown/stage4.md | 44 +
.../task_2/docs/_build/markdown/stage5.md | 84 ++
.../task_2/docs/_build/markdown/stage6.md | 61 +
.../task_2/docs/_build/markdown/stage7.md | 33 +
.../task_2/docs/_build/markdown/task.md | 103 ++
skorohodovsa/task_2/docs/source/api.md | 44 +-
skorohodovsa/task_2/docs/source/conf.py | 1 +
skorohodovsa/task_2/docs/source/index.md | 13 +-
.../task_2/docs/source/naming_maze.md | 95 --
skorohodovsa/task_2/docs/source/stage1.md | 91 ++
skorohodovsa/task_2/docs/source/stage2.md | 60 +
skorohodovsa/task_2/docs/source/stage3.md | 90 ++
skorohodovsa/task_2/docs/source/stage4.md | 44 +
skorohodovsa/task_2/docs/source/stage5.md | 84 ++
skorohodovsa/task_2/docs/source/stage6.md | 63 +
skorohodovsa/task_2/docs/source/stage7.md | 81 ++
skorohodovsa/task_2/docs/source/task.md | 183 +++
skorohodovsa/task_2/practice/main.ipynb | 937 +++++++++++++
skorohodovsa/task_2/practice/results.csv | 121 ++
skorohodovsa/task_2/practice/results.png | Bin 0 -> 223043 bytes
skorohodovsa/task_2/requirements.txt | 5 +-
skorohodovsa/task_2/source/models/base.py | 4 +-
.../task_2/source/strategy/__init__.py | 2 +-
.../task_2/source/strategy/algorithms.py | 28 +-
skorohodovsa/task_2/source/strategy/astar.py | 16 +-
skorohodovsa/task_2/source/strategy/bfs.py | 7 +-
skorohodovsa/task_2/source/strategy/dfs.py | 13 +-
skorohodovsa/task_2/source/strategy/solver.py | 3 +-
skorohodovsa/task_2/source/view/__init__.py | 2 +-
skorohodovsa/task_2/source/view/command.py | 19 +-
skorohodovsa/task_2/source/view/observer.py | 8 +-
skorohodovsa/task_2/test/map/__init__.py | 0
skorohodovsa/task_2/test/map/test_cell.py | 111 --
skorohodovsa/task_2/test/play.py | 27 +-
.../test/{map/test_maze.py => test_base.py} | 126 +-
skorohodovsa/task_2/test/test_strategies.py | 162 +++
.../{__init__.py => test_text_builder.py} | 0
43 files changed, 4390 insertions(+), 274 deletions(-)
create mode 100644 skorohodovsa/task_2/docs.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/api.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/stage1.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/stage2.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/stage3.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/stage4.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/stage5.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/stage6.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/stage7.md
create mode 100644 skorohodovsa/task_2/docs/_build/markdown/task.md
delete mode 100644 skorohodovsa/task_2/docs/source/naming_maze.md
create mode 100644 skorohodovsa/task_2/docs/source/stage1.md
create mode 100644 skorohodovsa/task_2/docs/source/stage2.md
create mode 100644 skorohodovsa/task_2/docs/source/stage3.md
create mode 100644 skorohodovsa/task_2/docs/source/stage4.md
create mode 100644 skorohodovsa/task_2/docs/source/stage5.md
create mode 100644 skorohodovsa/task_2/docs/source/stage6.md
create mode 100644 skorohodovsa/task_2/docs/source/stage7.md
create mode 100644 skorohodovsa/task_2/docs/source/task.md
create mode 100644 skorohodovsa/task_2/practice/main.ipynb
create mode 100644 skorohodovsa/task_2/practice/results.csv
create mode 100644 skorohodovsa/task_2/practice/results.png
delete mode 100644 skorohodovsa/task_2/test/map/__init__.py
delete mode 100644 skorohodovsa/task_2/test/map/test_cell.py
rename skorohodovsa/task_2/test/{map/test_maze.py => test_base.py} (54%)
create mode 100644 skorohodovsa/task_2/test/test_strategies.py
rename skorohodovsa/task_2/test/{__init__.py => test_text_builder.py} (100%)
diff --git a/skorohodovsa/task_2/.gitignore b/skorohodovsa/task_2/.gitignore
index 369c288..deb7a34 100644
--- a/skorohodovsa/task_2/.gitignore
+++ b/skorohodovsa/task_2/.gitignore
@@ -14,7 +14,7 @@ __pycache__/
# Сборка документации Sphinx - ЭТО ВАЖНО!
docs/build/
-docs/source/_build/
+docs/_build/
# Системные файлы
.DS_Store
@@ -32,5 +32,4 @@ Thumbs.db
.ruff_cache/
-/.idea
pupu.py
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs.md b/skorohodovsa/task_2/docs.md
new file mode 100644
index 0000000..d0eec40
--- /dev/null
+++ b/skorohodovsa/task_2/docs.md
@@ -0,0 +1,1185 @@
+`файл является компиляцией документации sphinx в папке docs`
+# Лабораторная работа «Поиск выхода из лабиринта»
+
+* [Задание](task.md)
+ * [Цель работы](task.md#id2)
+ * [Общая схема приложения (пример)](task.md#id3)
+ * [Выполнение](task.md#id4)
+ * [Советы](task.md#id8)
+* [Этап 1. Модель лабиринта](stage1.md)
+ * [Класс `Cell`](stage1.md#cell)
+ * [Класс `Maze`](stage1.md#maze)
+* [Этап 2. Загрузка лабиринта из файла](stage2.md)
+ * [Паттерн Builder](stage2.md#builder)
+ * [Класс `MazeBuilder`](stage2.md#mazebuilder)
+ * [Класс `TextFileBuilder`](stage2.md#textfilebuilder)
+ * [Использование](stage2.md#id2)
+ * [Известная ошибка](stage2.md#id3)
+* [Этап 3. Стратегии поиска пути](stage3.md)
+ * [Паттерн Strategy](stage3.md#strategy)
+ * [Структура пакета](stage3.md#id2)
+ * [Класс `PathFindingStrategy`](stage3.md#pathfindingstrategy)
+ * [Алгоритмы](stage3.md#id3)
+* [Этап 4. Класс-оркестратор MazeSolver](stage4.md)
+ * [Роль в архитектуре](stage4.md#id1)
+ * [Класс `SearchStats`](stage4.md#searchstats)
+ * [Класс `MazeSolver`](stage4.md#id3)
+* [Этап 5. Визуализация и пошаговое управление](stage5.md)
+ * [5.1. Паттерн Observer](stage5.md#observer)
+ * [5.2. Паттерн Command](stage5.md#command)
+* [Этап 6. Экспериментальная часть](stage6.md)
+ * [Подготовка](stage6.md#id2)
+ * [Замеры](stage6.md#id3)
+ * [Результаты](stage6.md#id4)
+ * [Выводы](stage6.md#id8)
+ * [Визуализация](stage6.md#id9)
+* [Этап 7. Отчёт](stage7.md)
+ * [Описание задачи](stage7.md#id2)
+ * [Диаграмма классов](stage7.md#id3)
+ * [Результаты экспериментов](stage7.md#id4)
+ * [Выводы](stage7.md#id5)
+* [API Reference](api.md)
+ * [Базовые модели](api.md#module-source.models.base)
+ * [Загрузка лабиринта](api.md#module-source.build.builder)
+ * [Стратегии поиска пути](api.md#module-source.strategy.algorithms)
+ * [Оркестратор](api.md#module-source.strategy.solver)
+ * [Визуализация](api.md#module-source.view.observer)
+ * [Управление игроком](api.md#module-source.view.command)
+# Этап 2. Загрузка лабиринта из файла
+
+Во втором этапе разработки необходимо реализовать загрузку лабиринта из текстового файла, где: `#` – стена, ` ` – проход, `S` – старт, `E` – выход.
+
+## Систематизация файлов
+
+Для удобного хранения лабиринтов было решено сделать систему наименования текстовых файлов в папке `source/templates`.
+
+Общая структура:
+
+```default
+{размер}_{свойство 1}-{свойство 2}-{свойство n}_{версия}.txt
+```
+
+### Размер
+
+Формат: `{ширина}x{высота}`
+
+| Пример | Значение |
+|-----------|----------------|
+| `10x10` | 10×10 клеток |
+| `50x50` | 50×50 клеток |
+| `100x100` | 100×100 клеток |
+| `30x30` | 30×30 клеток |
+| `20x20` | 20×20 клеток |
+
+### Свойства
+
+| Свойство | Код | Описание |
+|--------------|-------------|----------------------------------------------------------------------------------------------|
+| Простой путь | `path` | Существует маршрут от S до E |
+| Тупики | `deadends` | Лабиринт специально содержит тупики (могут быть и в других типах, но здесь — гарантированно) |
+| Запутанный | `spaghetti` | Сложная структура с циклами и ложными ходами |
+| Пустой | `empty` | Нет стен (`#`), только пробелы, S и E |
+| Без выхода | `noexit` | В лабиринте отсутствует символ `E` |
+
+### Версия
+
+Формат: `v{номер}`
+
+- `v1`, `v2`, `v10`
+
+### Примеры
+
+#### Маленькие (10×10, простой путь)
+
+```default
+10x10_path_v1.txt
+10x10_path_v2.txt
+...
+10x10_path_v10.txt
+```
+
+#### Средние (50×50, тупики)
+
+```default
+50x50_deadends_v1.txt
+50x50_deadends_v2.txt
+...
+50x50_deadends_v10.txt
+```
+
+#### Большие (100×100, запутанные)
+
+```default
+100x100_spaghetti_v1.txt
+100x100_spaghetti_v2.txt
+...
+100x100_spaghetti_v10.txt
+```
+
+#### Пустые (30×30)
+
+```default
+30x30_empty_v1.txt
+30x30_empty_v2.txt
+...
+30x30_empty_v10.txt
+```
+
+#### Без выхода (20×20)
+
+```default
+20x20_noexit_v1.txt
+20x20_noexit_v2.txt
+...
+20x20_noexit_v10.txt
+```
+
+#### Комбинированные свойства
+
+```default
+50x50_deadends-noexit_v1.txt
+100x100_spaghetti-noexit_v1.txt
+10x10_path-empty_v1.txt (избыточно, но допустимо)
+```
+
+### Примечание
+
+- Регистр имён файлов: **нижний регистр**
+- Разделители: только `_` и `-`
+- Расширение: `.txt`
+- Кодировка: UTF-8
+# Этап 1. Модель лабиринта
+
+В первом этапе разработки необходимо создать базовые классы `Cell` и `Maze`, которые представляют карту лабиринта. Паттерны на этом этапе не применяются — только чистые классы.
+
+## Класс `Cell`
+
+Клетка — минимальная единица лабиринта. Хранит координаты и тип: стена, старт, выход или пустая.
+
+По условию задания клетка должна иметь флаги `isWall`, `isStart`, `isExit` и метод `isPassable()`. В реализации флаги оформлены как **свойства** (`@property`) с сеттерами — это позволяет автоматически сбрасывать остальные флаги при установке нового типа.
+
+```python
+cell = Cell(1, 1)
+cell.is_wall = True
+```
+
+Типы клетки взаимоисключают друг друга — клетка не может быть одновременно стеной и стартом. Логика сброса вынесена в приватный метод `_clear_flags()`.
+
+### Символьное представление
+
+Для вывода лабиринта в консоль каждая клетка возвращает символ через `__str__`. Символы берутся из `cell_mapping` в `source/settings.py`, что позволяет менять отображение без правки классов:
+
+| Тип | Символ по умолчанию |
+|--------|-----------------------|
+| Стена | `#` |
+| Старт | `S` |
+| Выход | `E` |
+| Пустая | |
+
+## Класс `Maze`
+
+Лабиринт хранит двумерный список клеток и предоставляет методы для работы с ними.
+
+По условию задания требовались методы `getCell(x, y)` и `getNeighbors(cell)`. В реализации добавлено несколько вещей сверх задания:
+
+### Именование методов
+
+Задание написано в стиле Java/pseudocode — названия методов и полей используют `camelCase` (`isWall`, `getCell`, `isPassable`). В Python принят другой стандарт именования — **PEP 8**, который предписывает `snake_case` для методов и атрибутов. Поэтому все названия были приведены к Python стилю:
+
+| Задание | Реализация |
+|---------------------------|-----------------------------|
+| `isWall` | `is_wall` |
+| `isStart` | `is_start` |
+| `isExit` | `is_exit` |
+| `isPassable()` | `is_possible()` |
+| `getCell(x, y)` | `get_cell(x, y)` |
+| `getNeighbors(cell)` | `get_neighbors(x, y)` |
+| `buildFromFile(filename)` | `build_from_file(filename)` |
+
+Это соответствует стандарту оформления кода на Python и делает API классов идиоматичным для языка.
+
+### Индексация `maze[row, col]`
+
+Вместо явного вызова `get_cell()` реализованы `__getitem__` и `__setitem__`, что позволяет обращаться к клеткам естественным образом:
+
+```python
+maze[0, 0] = cell_mapping['wall'] # установить стену
+cell = maze[2, 3] # получить клетку
+```
+
+Обратите внимание: индексация идёт в формате `[row, col]`, то есть сначала строка (Y), потом столбец (X) — аналогично numpy.
+
+### Свойства `start` и `exit`
+
+Добавлены свойства для быстрого получения стартовой и выходной клетки без ручного обхода:
+
+```python
+maze.start # Cell или None
+maze.exit # Cell или None
+```
+
+Это оказалось необходимым при реализации алгоритмов поиска пути — стратегии получают `start` и `exit` автоматически из лабиринта.
+
+### Свойство `shape`
+
+По аналогии с numpy добавлено свойство `shape`, возвращающее `(height, width)`:
+
+```python
+rows, cols = maze.shape
+```
+
+Используется в стратегиях поиска и тестах для итерации по лабиринту.
+
+### `get_neighbors`
+
+Метод возвращает список проходимых соседей клетки по четырём направлениям. Стены и клетки за границей лабиринта исключаются автоматически. Если переданные координаты вне границ — возвращает `None`.
+
+```python
+neighbors = maze.get_neighbors(2, 2) # список Cell
+```
+
+Направления обхода: вниз → вправо → вверх → влево (порядок влияет на поведение DFS).
+# Этап 2. Загрузка лабиринта из файла
+
+Во втором этапе реализована загрузка лабиринта из текстового файла с применением паттерна **Builder**.
+
+## Паттерн Builder
+
+Процесс создания лабиринта из файла включает несколько шагов: чтение файла, валидацию структуры, парсинг символов и заполнение клеток. Builder скрывает эти детали от клиента — снаружи виден только один метод `build_from_file()`, внутри которого сосредоточена вся логика построения.
+
+Дополнительное преимущество: в будущем можно легко добавить новый формат (например, JSON или бинарный) через новую реализацию `MazeBuilder` без изменения остального кода.
+
+## Класс `MazeBuilder`
+
+Абстрактный базовый класс — интерфейс паттерна Builder. Объявляет единственный метод `build_from_file()`, который обязан реализовать каждый конкретный строитель.
+
+По условию задания интерфейс назывался `MazeBuilder` с методом `buildFromFile`. В реализации название метода приведено к **PEP 8** — `build_from_file`. Сам класс оформлен через `ABC` — попытка создать объект `MazeBuilder()` напрямую вызовет `TypeError`.
+
+## Класс `TextFileBuilder`
+
+Конкретная реализация строителя для текстовых файлов. Загружает лабиринт из `.txt` файла где `#` — стена, — проход, `S` — старт, `E` — выход.
+
+Процесс построения разбит на три приватных шага:
+
+### `_read_file`
+
+Читает файл построчно и обрезает символы переноса строки `\n` и `\r`. Возвращает список строк — каждая строка соответствует одной строке лабиринта.
+
+### `_test_text_maze`
+
+Валидирует структуру: проверяет что все строки одинаковой длины. Если нет — лабиринт некорректен и `_create_maze` выбросит `ValueError`.
+
+Реализован как `@staticmethod` — не использует состояние объекта, только входные данные.
+
+### `_create_maze`
+
+Создаёт объект `Maze` нужного размера и заполняет его клетки символами из файла через `maze[y, x] = symbol`. Тип каждой клетки определяется автоматически через `cell_mapping` в `__setitem__` лабиринта.
+
+## Использование
+
+```python
+from source.build.builder import TextFileBuilder
+
+maze = TextFileBuilder().build_from_file('source/templates/10x10_path_v1.txt')
+print(maze)
+```
+
+## Известная ошибка
+
+В текущей реализации `_create_maze` есть опечатка при вычислении `width`:
+
+```python
+height, width = len(text_maze), len(text_maze) # width всегда равен height
+```
+
+Правильная версия:
+
+```python
+height, width = len(text_maze), len(text_maze[0])
+```
+
+На квадратных лабиринтах (10×10, 50×50) это не проявляется, но на прямоугольных даст некорректный результат.
+# Этап 3. Стратегии поиска пути
+
+В третьем этапе реализованы алгоритмы поиска пути с применением паттерна **Strategy**.
+
+## Паттерн Strategy
+
+Все три алгоритма реализуют один интерфейс `PathFindingStrategy`. Это позволяет переключать алгоритм в любой момент без изменения кода клиента — достаточно передать другой объект стратегии:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+solver.set_strategy(AStarStrategy())
+```
+
+Новый алгоритм добавляется реализацией интерфейса — остальной код трогать не нужно.
+
+## Структура пакета
+
+Стратегии разбиты по отдельным файлам, а `__init__.py` собирает всё в один импорт:
+
+```default
+source/strategy/
+├── __init__.py ← единственный импорт для пользователя
+├── algorithms.py ← базовый класс PathFindingStrategy
+├── bfs.py
+├── dfs.py
+└── astar.py
+```
+
+```python
+from source.strategy import BFSStrategy, DFSStrategy, AStarStrategy
+```
+
+## Класс `PathFindingStrategy`
+
+Абстрактный базовый класс — интерфейс паттерна. Объявляет абстрактный метод `find_path()` и содержит два вспомогательных метода, общих для всех стратегий.
+
+По условию задания метод назывался `findPath` — приведён к **PEP 8** как `find_path`.
+
+### `_validate`
+
+Добавлен в процессе разработки — изначально в задании не было требования к обработке отсутствия старта или выхода. Проблема проявилась при тестировании лабиринтов типа `noexit`: алгоритм падал с `AttributeError` внутри, вместо понятного сообщения.
+
+`_validate` подставляет `start` и `exit` из лабиринта если они не переданы явно, и выбрасывает `ValueError` с понятным сообщением если клетки не найдены:
+
+```python
+start, exit = self._validate(maze, start, exit)
+```
+
+Вынесен в базовый класс чтобы не дублировать в каждом алгоритме.
+
+### `_reconstruct_path`
+
+Восстанавливает путь по словарю предков `came_from`. Все три алгоритма строят этот словарь одинаково — `{клетка: откуда_пришли}` — поэтому восстановление вынесено в общий метод базового класса.
+
+Алгоритм идёт от выхода к старту по цепочке предков, затем разворачивает список:
+
+```default
+exit → D → C → B → start (идём по came_from)
+start → B → C → D → exit (после reverse)
+```
+
+## Алгоритмы
+
+### BFS — `BFSStrategy`
+
+Поиск в ширину. Использует `deque` как очередь (FIFO) — каждый раз берём самую старую клетку из начала. Это гарантирует послойный обход и кратчайший путь по количеству шагов.
+
+Сложность: O(V + E) по времени и памяти.
+
+### DFS — `DFSStrategy`
+
+Поиск в глубину. Использует `list` как стек (LIFO) — каждый раз берём самую свежую клетку с конца. Алгоритм ныряет вглубь по одному направлению до тупика, затем возвращается.
+
+Не гарантирует кратчайший путь. На запутанных лабиринтах может обойти почти все клетки прежде чем найти выход, хотя по времени часто быстрее BFS из-за меньших накладных расходов на структуру данных.
+
+Сложность: O(V + E) по времени и памяти.
+
+### A\* — `AStarStrategy`
+
+Использует `heapq` как приоритетную очередь. На каждом шаге выбирает клетку с минимальным значением `f = g + h`, где `g` — стоимость пути от старта, `h` — манхэттенская эвристика до выхода.
+
+Эвристика направляет поиск в сторону выхода, поэтому A\* обходит меньше клеток чем BFS при том же гарантированно кратчайшем пути.
+
+В кортеж приоритетной очереди добавлен счётчик `counter` как tie-breaker — без него `heapq` попытался бы сравнивать объекты `Cell` при одинаковом `f`, что вызвало бы `TypeError`:
+
+```python
+heapq.heappush(open_heap, (f, counter, neighbor))
+```
+
+Сложность: O(E · log V) в худшем случае.
+# Этап 4. Класс-оркестратор MazeSolver
+
+В четвёртом этапе реализован класс `MazeSolver`, который объединяет лабиринт и стратегию поиска, выполняет поиск и собирает статистику.
+
+## Роль в архитектуре
+
+`MazeSolver` — точка входа для клиентского кода. Он не знает деталей ни одного алгоритма и не работает напрямую с клетками лабиринта — только делегирует задачу стратегии и замеряет время:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+stats = solver.solve()
+print(stats)
+# Время: 0.041 мс | Посещено клеток: 13 | Длина пути: 13
+```
+
+## Класс `SearchStats`
+
+Оформлен через `@dataclass` — это избавляет от ручного `__init__` и автоматически даёт `__repr__`. Хранит четыре поля: время выполнения, количество посещённых клеток, длину пути и сам путь как список клеток.
+
+`__str__` переопределён для удобного вывода в консоль и отчётах.
+
+### Ограничение
+
+В текущей реализации `visited_count` и `path_length` всегда равны друг другу — оба вычисляются как `len(path)`. Это потому что стратегии возвращают только финальный путь, а не все посещённые клетки. Чтобы получить точное количество посещений, потребовалось бы дорабатывать каждую стратегию — добавлять счётчик внутри `find_path`. На данном этапе это сознательное упрощение.
+
+## Класс `MazeSolver`
+
+### `set_strategy`
+
+Позволяет менять алгоритм без пересоздания солвера. Это и есть основная демонстрация паттерна Strategy в действии — один объект, разные алгоритмы:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+stats_bfs = solver.solve()
+
+solver.set_strategy(AStarStrategy())
+stats_astar = solver.solve()
+```
+
+### `solve`
+
+Замеряет время через `time.perf_counter()` — самый точный таймер в Python для коротких интервалов, не зависящий от системных часов. Результат переводится в миллисекунды умножением на 1000.
+
+`start` и `exit` можно не передавать — стратегия найдёт их сама через `_validate`. Явная передача нужна только если хочется запустить поиск не от стандартного старта, а от произвольной клетки.
+# Этап 5. Визуализация и пошаговое управление
+
+В пятом этапе реализованы два паттерна: **Observer** для отображения событий и **Command** для пошагового управления игроком.
+
+## 5.1. Паттерн Observer
+
+### Идея
+
+`MazeSolver` и игровой цикл не знают как именно отображать происходящее — они просто генерируют события. Наблюдатели подписываются на эти события и реагируют по своему усмотрению. Это позволяет в будущем добавить, например, `FileLogger` или графический интерфейс без изменения основного кода.
+
+### Класс `Event`
+
+Оформлен через `@dataclass`. Хранит тип события строкой и словарь `payload` с дополнительными данными. Поддерживаются четыре типа событий:
+
+| Тип | Когда генерируется |
+|---------------|----------------------------|
+| `maze_loaded` | Лабиринт загружен из файла |
+| `path_found` | Алгоритм нашёл путь |
+| `no_path` | Путь не найден |
+| `move` | Игрок сделал ход |
+
+### Класс `Observer`
+
+Абстрактный базовый класс с единственным методом `update(event)`. Любой наблюдатель обязан его реализовать.
+
+### Класс `ConsoleView`
+
+Конкретная реализация наблюдателя. Обрабатывает события через `match/case` и вызывает `render()` для перерисовки лабиринта.
+
+Метод `render()` принимает лабиринт, опциональную позицию игрока и опциональный путь. Путь преобразуется в `set` для быстрой проверки принадлежности клетки — это O(1) вместо O(n) при каждом обходе:
+
+```python
+path_set = set(path) if path else set()
+```
+
+Лабиринт обрамляется рамкой из `+` и `─` для читаемости в консоли. Символы игрока и пути вынесены в константы класса — легко поменять без правки логики:
+
+```python
+PLAYER_SYMBOL = "P"
+PATH_SYMBOL = "·"
+```
+
+## 5.2. Паттерн Command
+
+### Идея
+
+Каждое перемещение игрока оборачивается в объект `MoveCommand`. Это позволяет сохранить предыдущее состояние и отменить ход — реализация `undo` становится тривиальной.
+
+### Класс `Player`
+
+Простой контейнер для текущей клетки игрока. Намеренно минималистичный — вся логика перемещения и проверок находится в команде, а не в игроке.
+
+### Класс `Command`
+
+Абстрактный интерфейс с двумя методами: `execute()` и `undo()`. `execute()` возвращает `bool` — это отличие от классического варианта паттерна, где команды не возвращают значений. Возврат `False` нужен чтобы не добавлять неуспешный ход в историю.
+
+### Класс `MoveCommand`
+
+Хранит ссылку на игрока, направление и лабиринт. При `execute()` проверяет проходимость целевой клетки, сохраняет текущую в `_prev_cell` и перемещает игрока. При `undo()` восстанавливает `_prev_cell`.
+
+Направления вынесены в словарь `DIRECTIONS` на уровне модуля:
+
+```python
+DIRECTIONS = {
+ "w": (0, -1), # вверх
+ "s": (0, 1), # вниз
+ "a": (-1, 0), # влево
+ "d": (1, 0), # вправо
+}
+```
+
+### Класс `CommandHistory`
+
+Стек выполненных команд. Хранит только успешные ходы — неуспешные (`execute()` вернул `False`) в историю не добавляются. `undo()` снимает последнюю команду со стека и вызывает её `undo()`.
+
+Пример игрового цикла:
+
+```python
+cmd = MoveCommand(player, 'd', maze)
+if cmd.execute():
+ history.push(cmd) # добавляем только успешный ход
+
+history.undo() # отмена последнего хода
+```
+# Этап 6. Экспериментальная часть
+
+В шестом этапе проведено сравнение эффективности трёх стратегий поиска пути на лабиринтах разной сложности. Эксперимент реализован в Jupyter Notebook (`practice/main.ipynb`).
+
+## Подготовка
+
+Лабиринты загружаются из папки `source/templates` автоматически — все файлы считываются через `os.listdir` и передаются в `TextFileBuilder`. Стратегии собраны в словарь для удобной итерации:
+
+```python
+strategies = {
+ "BFS": BFSStrategy(),
+ "DFS": DFSStrategy(),
+ "A*": AStarStrategy(),
+}
+```
+
+## Замеры
+
+Каждая пара лабиринт + стратегия запускается **10 раз**, результаты усредняются. Это сглаживает разброс из-за кэширования и фоновой активности системы.
+
+Лабиринты типа `noexit` пропускаются автоматически — стратегия выбрасывает `ValueError`, который перехватывается через `try/except`, и выполнение продолжается.
+
+Результаты собираются в список словарей и затем преобразуются в `DataFrame` через pandas.
+
+## Результаты
+
+### 10×10 (простой путь)
+
+На маленьких лабиринтах все три алгоритма показывают практически одинаковое время (~0.03–0.07 мс) и одинаковую длину пути. Разница незначительна — лабиринт слишком мал чтобы эвристика A\* давала преимущество.
+
+### 50×50 (тупики)
+
+BFS стабильно быстрее DFS по времени при одинаковой длине пути. DFS заходит в каждый тупик до конца и тратит время на возврат, хотя финальный путь совпадает. A\* показывает время между BFS и DFS.
+
+### 100×100 (запутанный, spaghetti)
+
+Наиболее показательные результаты:
+
+| Стратегия | Время (мс) | Длина пути |
+|-------------|--------------|--------------|
+| BFS | ~9 | ~210 |
+| DFS | ~7 | ~2200 |
+| A\* | ~8 | ~210 |
+
+DFS быстрее по времени, но находит путь в 10 раз длиннее — обходит почти весь лабиринт. BFS и A\* находят кратчайший путь, A\* при этом чуть быстрее за счёт эвристики.
+
+### 30×30 (пустой)
+
+Неожиданный результат: DFS быстрее всех (~0.73 мс против 1.1 у BFS и 2.0 у A\*), хотя находит путь из 379 клеток против 55 у BFS. На пустом поле без стен DFS сразу уходит вглубь без возвратов, тогда как BFS строит очередь и обходит клетки волнами во все стороны — это накладные расходы на структуру данных.
+
+A\* на пустом лабиринте медленнее всех — накладные расходы на `heapq` и вычисление эвристики не окупаются когда препятствий нет.
+
+## Выводы
+
+- **BFS** — надёжный выбор по умолчанию. Всегда находит кратчайший путь, время предсказуемо.
+- **DFS** — быстрый по времени, но путь непредсказуем. На запутанных лабиринтах может пройти весь граф. Подходит когда важна скорость, а не оптимальность пути.
+- **A**\* — лучший выбор для больших лабиринтов с препятствиями. Находит кратчайший путь быстрее BFS за счёт эвристики. На простых или пустых лабиринтах проигрывает из-за накладных расходов на приоритетную очередь.
+
+## Визуализация
+
+![[results.png]]
+# Этап 7. Отчёт
+
+## Описание задачи
+
+Разработать программу для загрузки лабиринта из файла, поиска пути с выбором алгоритма и сравнения их эффективности. Применены четыре паттерна GoF:
+
+| Паттерн | Где применён |
+|--------------|-----------------------------------------------|
+| **Builder** | `TextFileBuilder` |
+| **Strategy** | `BFSStrategy`, `DFSStrategy`, `AStarStrategy` |
+| **Observer** | `ConsoleView` |
+| **Command** | `MoveCommand`, `CommandHistory` |
+
+## Диаграмма классов
+
+## Результаты экспериментов
+
+| Лабиринт | Быстрее всех | Кратчайший путь |
+|-------------------|----------------|-------------------|
+| 10×10 path | все одинаково | все одинаково |
+| 50×50 deadends | BFS | BFS = A\* |
+| 100×100 spaghetti | DFS | BFS = A\* |
+| 30×30 empty | DFS | BFS = A\* |
+
+- **BFS** — надёжный выбор, всегда кратчайший путь.
+- **DFS** — быстрый, но путь длиннее. На 100×100 обошёл в 10 раз больше клеток.
+- **A\*** — лучший на больших лабиринтах с препятствиями, проигрывает на простых из-за накладных расходов на `heapq`.
+
+## Выводы
+
+Паттерны сделали код расширяемым: новый алгоритм — один класс, новый формат файла — один класс, новый способ отображения — один класс. Без паттернов каждое такое изменение потребовало бы правки существующего кода.
+# Задание
+
+## Цель работы
+
+Разработать гибкую, расширяемую программу для загрузки лабиринта из файла, поиска пути от старта до выхода с возможностью выбора алгоритма, визуализации процесса и экспериментального сравнения алгоритмов. В ходе работы необходимо применить минимум 3 паттерна проектирования из списка GoF, обосновать их выбор и продемонстрировать преимущества такой архитектуры.
+
+## Общая схема приложения (пример)
+
+## Выполнение
+
+### Этап 1. Модель лабиринта (без паттернов, просто классы)
+
+**Задача:** Создать классы `Cell` и `Maze`, которые представляют карту лабиринта.
+
+- `Cell` хранит координаты (x, y), флаги `isWall`, `isStart`, `isExit`, метод `isPassable()` (возвращает `True` для прохода, если не стена).
+- `Maze` хранит двумерный массив клеток, ширину, высоту, ссылки на стартовую и выходную клетку. Методы: `getCell(x, y)`, `getNeighbors(cell)` – возвращает список соседних проходимых клеток (вверх, вниз, влево, вправо, если в пределах границ и не стена).
+
+**Результат:** Лабиринт можно создать вручную в коде, но загрузку пока не делаем.
+
+### Этап 2. Загрузка лабиринта из файла – применение паттерна **Builder**
+
+**Задача:** Реализовать загрузку лабиринта из текстового файла, где `#` – стена, ` ` (пробел) – проход, `S` – старт, `E` – выход.
+
+- Создать интерфейс `MazeBuilder` с методом `buildFromFile(filename)`.
+- Реализовать класс `TextFileMazeBuilder`, который читает файл, парсит символы, создаёт объекты `Cell`, задаёт координаты и флаги, после чего возвращает готовый `Maze`.
+
+Процесс построения лабиринта сложный (парсинг, валидация, установка старта/выхода). Builder скрывает детали создания от клиента. В будущем можно легко добавить другой формат (например, JSON или бинарный) через новую реализацию `MazeBuilder`.
+
+### Этап 3. Стратегии поиска пути – паттерн **Strategy**
+
+**Задача:** Реализовать семейство алгоритмов поиска пути от старта до выхода.
+
+- Создать интерфейс `PathFindingStrategy` с методом `findPath(maze, start, exit)`, возвращающим список клеток пути (от старта до выхода включительно) или пустой список, если пути нет.
+- Реализовать минимум 3 стратегии:
+ - **BFS** (поиск в ширину) – гарантирует кратчайший путь по количеству шагов.
+ - **DFS** (поиск в глубину) – быстрый, но не обязательно кратчайший.
+ - **A**\* (с эвристикой, например, манхэттенское расстояние) – компромисс между скоростью и оптимальностью.
+ - (Опционально) **Дейкстра** – полезна для взвешенных лабиринтов, но в базовом варианте все шаги имеют вес 1, тогда она совпадает с BFS.
+
+Каждая стратегия возвращает путь. Для BFS/DFS используйте очередь/стек, для A\* – приоритетную очередь (heapq). Важно: алгоритмы не должны модифицировать сам лабиринт, только читать состояние клеток.
+
+Strategy позволяет легко переключать алгоритмы во время выполнения, не меняя код остальной программы. Новый алгоритм можно добавить, реализовав интерфейс.
+
+### Этап 4. Класс-оркестратор – **MazeSolver** (использует Strategy)
+
+**Задача:** Создать класс, который принимает лабиринт и стратегию, выполняет поиск и собирает статистику.
+
+- `MazeSolver` содержит поля `maze` и `strategy`.
+- Метод `setStrategy(strategy)` для динамической смены алгоритма.
+- Метод `solve()` вызывает `strategy.findPath(...)` и возвращает объект `SearchStats` (время выполнения в миллисекундах, количество посещённых клеток, длина найденного пути).
+- Для замера времени используйте `time.perf_counter()` до и после вызова стратегии.
+
+### Этап 5. Визуализация и пошаговое управление – паттерны **Observer** и **Command** (по желанию)
+
+**5.1. Наблюдатель (Observer)** – обновление консольного интерфейса.
+
+- Создать интерфейс `Observer` с методом `update(event)`, где `event` может быть строкой или объектом с типом события (`"path_found"`, `"move"`, `"maze_loaded"`).
+- Реализовать класс `ConsoleView`, который отображает лабиринт, текущее положение игрока (если реализован пошаговый режим) и найденный путь. Метод `render(maze, player_position, path)` рисует карту в консоли.
+- `MazeSolver` (или отдельный контроллер) может иметь список наблюдателей и уведомлять их при изменении состояния.
+
+**5.2. Команда (Command)** – для пошагового перемещения игрока по найденному пути (или ручного управления).
+
+- Создать интерфейс `Command` с методами `execute()` и `undo()`.
+- Реализовать `MoveCommand`, который принимает игрока (`Player`), направление и изменяет его позицию, сохраняя предыдущую для отмены.
+- Создать класс `Player`, хранящий текущую клетку.
+- Консольное меню позволяет вводить команды (W/A/S/D), выполнять `MoveCommand`, при необходимости отменять последний ход (Ctrl+Z). Это опционально, но очень наглядно демонстрирует паттерн.
+
+*Observer можно реализовать только для вывода сообщений о начале/конце поиска, а Command – для демонстрации undo при ручном исследовании лабиринта.*
+
+### Этап 6. Экспериментальная часть (аналогично заданию со структурами данных)
+
+**Задача:** Сравнить эффективность реализованных стратегий на лабиринтах разной сложности.
+
+1. **Подготовка тестовых лабиринтов:**
+ - Маленький (10×10) с простым путём.
+ - Средний (50×50) с тупиками.
+ - Большой (100×100) с запутанной структурой.
+ - «Пустой» лабиринт (без стен) – для демонстрации максимальной производительности.
+ - «Без выхода» – чтобы проверить обработку отсутствия пути.
+2. **Замеры:**
+ - Для каждого лабиринта и каждой стратегии запустить `solve()` 5–10 раз, усреднить время, количество посещённых клеток, длину пути.
+ - Записать результаты в CSV: `лабиринт,стратегия,время_мс,посещено_клеток,длина_пути`.
+3. **Анализ:**
+ - Построить графики для каждого лабиринта.
+ - Проанализировать и написать выводы по итогам (эффективность того или иного алгоритма в разных случаях).
+4. **Дополнительное задание:** Реализовать взвешенные клетки (например, болото – вес 3, песок – вес 2, асфальт – вес 1) и сравнить Дейкстру с A\* на взвешенном графе.
+
+### Этап 7. Отчёт
+
+**Структура отчёта:**
+
+1. Описание задачи и выбранных паттернов (с диаграммой классов из Mermaid).
+2. Листинги ключевых классов (можно выборочно) или ссылка на репозиторий.
+3. Результаты экспериментов (таблицы, графики).
+4. Анализ эффективности алгоритмов и применимости паттернов.
+5. Выводы: как ООП и паттерны помогли сделать код гибким и расширяемым. Что было бы сложно изменить без них.
+
+## Советы
+
+- Для A\* самая простая эвристика: `abs(x1 - x2) + abs(y1 - y2)`.
+- При поиске пути надо хранить предшественников (`parent` для каждой посещённой клетки), чтобы восстановить путь.
+- Для BFS/DFS используй `deque` (очередь) и `list` (стек).
+- Визуализацию в консоли можно сделать с помощью `os.system('cls' if os.name == 'nt' else 'clear')` для перерисовки.
+
+# API Reference
+
+## Базовые модели
+
+### *class* source.models.base.Cell(x: int, y: int, is_wall: bool = False, is_start: bool = False, is_exit: bool = False)
+
+Базовые классы: `object`
+
+Представляет одну клетку поля лабиринта.
+
+Каждая клетка хранит свои координаты и один из четырёх возможных
+типов: стена, старт, выход или пустая клетка. Типы взаимоисключают
+друг друга: установка одного автоматически сбрасывает остальные.
+
+#### \_\_init_\_(x: int, y: int, is_wall: bool = False, is_start: bool = False, is_exit: bool = False)
+
+Инициализирует клетку с заданными координатами и типом.
+
+* **Параметры:**
+ * **x** – Координата клетки по оси X.
+ * **y** – Координата клетки по оси Y.
+ * **is_wall** – Если True — клетка является стеной.
+ * **is_start** – Если True — клетка является стартом.
+ * **is_exit** – Если True — клетка является выходом.
+
+#### *property* is_exit *: bool*
+
+True, если клетка является выходом из лабиринта.
+
+#### is_possible() → bool
+
+Проверяет, можно ли переместиться в эту клетку.
+
+* **Результат:**
+ True, если клетка не является стеной, иначе False.
+
+#### *property* is_start *: bool*
+
+True, если клетка является стартовой позицией.
+
+#### *property* is_wall *: bool*
+
+True, если клетка является стеной.
+
+### *class* source.models.base.Maze(size: tuple[int, int] = (10, 10))
+
+Базовые классы: `object`
+
+Представляет двумерный лабиринт из клеток Cell.
+
+Лабиринт хранится как список списков клеток. Доступ к отдельным
+клеткам и их изменение возможны через индексацию вида maze[row, col].
+
+#### \_\_init_\_(size: tuple[int, int] = (10, 10))
+
+Создаёт пустой лабиринт заданного размера.
+
+* **Параметры:**
+ **size** – Кортеж (width, height) — ширина и высота лабиринта в клетках.
+
+#### *property* exit *: [Cell](#source.models.base.Cell) | None*
+
+#### get_cell(x: int, y: int) → [Cell](#source.models.base.Cell) | None
+
+Возвращает клетку по координатам или None, если координаты вне границ.
+
+* **Параметры:**
+ * **x** – Координата по оси X.
+ * **y** – Координата по оси Y.
+* **Результат:**
+ Объект Cell, если координаты корректны, иначе None.
+
+#### get_neighbors(x: int, y: int) → list[[Cell](#source.models.base.Cell)] | None
+
+Возвращает список проходимых соседей клетки (вверх, вправо, вниз, влево).
+
+* **Параметры:**
+ * **x** – Координата клетки по оси X.
+ * **y** – Координата клетки по оси Y.
+* **Результат:**
+ Список проходимых соседних клеток, или None если (x, y) вне границ.
+
+#### *property* shape *: tuple[int, int]*
+
+#### *property* start *: [Cell](#source.models.base.Cell) | None*
+
+## Загрузка лабиринта
+
+### *class* source.build.builder.MazeBuilder
+
+Базовые классы: `ABC`
+
+#### *abstractmethod* build_from_file(filename: str) → [Maze](#source.models.base.Maze)
+
+Возвращает объект лабиринта по указанному пути файлу.
+
+* **Параметры:**
+ **filename** (*str*) – Путь к файлу
+* **Исключение:**
+ **TypeError** – Если введен путь файла с нерассмотренным расширением
+* **Результат:**
+ Объект лабиринта
+* **Тип результата:**
+ [Maze](#source.models.base.Maze)
+
+### *class* source.build.builder.TextFileBuilder
+
+Базовые классы: [`MazeBuilder`](#source.build.builder.MazeBuilder)
+
+#### build_from_file(filename: str) → [Maze](#source.models.base.Maze)
+
+Возвращает объект лабиринта по указанному пути файлу.
+
+* **Параметры:**
+ **filename** (*str*) – Путь к файлу
+* **Исключение:**
+ **TypeError** – Если введен путь файла с нерассмотренным расширением
+* **Результат:**
+ Объект лабиринта
+* **Тип результата:**
+ [Maze](#source.models.base.Maze)
+
+## Стратегии поиска пути
+
+### *class* source.strategy.algorithms.PathFindingStrategy
+
+Базовые классы: `ABC`
+
+Интерфейс стратегии поиска пути в лабиринте.
+
+#### *abstractmethod* find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) = None, exit: [Cell](#source.models.base.Cell) = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+
+
+### *class* source.strategy.bfs.BFSStrategy
+
+Базовые классы: [`PathFindingStrategy`](#source.strategy.algorithms.PathFindingStrategy)
+
+Поиск в ширину (Breadth-First Search).
+
+Гарантирует кратчайший путь по количеству шагов.
+Сложность: O(V + E) по времени и памяти.
+
+#### find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) | None = None, exit: [Cell](#source.models.base.Cell) | None = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+
+
+### *class* source.strategy.dfs.DFSStrategy
+
+Базовые классы: [`PathFindingStrategy`](#source.strategy.algorithms.PathFindingStrategy)
+
+Поиск в глубину (Depth-First Search).
+
+Находит путь, но не гарантирует кратчайший.
+
+#### find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) | None = None, exit: [Cell](#source.models.base.Cell) | None = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+
+
+### *class* source.strategy.astar.AStarStrategy
+
+Базовые классы: [`PathFindingStrategy`](#source.strategy.algorithms.PathFindingStrategy)
+
+Алгоритм A\* с манхэттенской эвристикой.
+
+#### find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) | None = None, exit: [Cell](#source.models.base.Cell) | None = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+## Оркестратор
+
+### *class* source.strategy.solver.MazeSolver(maze: [Maze](#source.models.base.Maze), strategy: [PathFindingStrategy](#source.strategy.algorithms.PathFindingStrategy))
+
+Базовые классы: `object`
+
+Оркестратор поиска пути в лабиринте.
+
+Принимает лабиринт и стратегию поиска, выполняет поиск
+и возвращает результат вместе со статистикой выполнения.
+
+### Пример
+
+solver = MazeSolver(maze, BFSStrategy())
+stats = solver.solve()
+print(stats)
+
+solver.set_strategy(AStarStrategy())
+stats = solver.solve()
+
+#### \_\_init_\_(maze: [Maze](#source.models.base.Maze), strategy: [PathFindingStrategy](#source.strategy.algorithms.PathFindingStrategy)) → None
+
+Инициализирует солвер с лабиринтом и стратегией поиска.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **strategy** – Стратегия поиска пути.
+
+#### set_strategy(strategy: [PathFindingStrategy](#source.strategy.algorithms.PathFindingStrategy)) → None
+
+Заменяет текущую стратегию поиска.
+
+* **Параметры:**
+ **strategy** – Новая стратегия поиска пути.
+
+#### solve(start: [Cell](#source.models.base.Cell) = None, exit: [Cell](#source.models.base.Cell) = None) → [SearchStats](#source.strategy.solver.SearchStats)
+
+Выполняет поиск пути и собирает статистику.
+
+Если start или exit не переданы явно, стратегия найдёт
+их самостоятельно по флагам is_start / is_exit в лабиринте.
+
+* **Параметры:**
+ * **start** – Стартовая клетка (опционально).
+ * **exit** – Конечная клетка (опционально).
+* **Результат:**
+ Объект SearchStats с временем выполнения, количеством
+ посещённых клеток и длиной найденного пути.
+
+### *class* source.strategy.solver.SearchStats(elapsed_ms: float, visited_count: int, path_length: int, path: list[[Cell](#source.models.base.Cell)])
+
+Базовые классы: `object`
+
+Статистика выполнения поиска пути.
+
+#### elapsed_ms
+
+Время выполнения в миллисекундах.
+
+* **Type:**
+ float
+
+#### visited_count
+
+Количество посещённых клеток.
+
+* **Type:**
+ int
+
+#### path_length
+
+Длина найденного пути (0 если путь не найден).
+
+* **Type:**
+ int
+
+#### path
+
+Найденный путь — список клеток от старта до выхода.
+
+* **Type:**
+ list[[source.models.base.Cell](#source.models.base.Cell)]
+
+#### \_\_init_\_(elapsed_ms: float, visited_count: int, path_length: int, path: list[[Cell](#source.models.base.Cell)]) → None
+
+#### elapsed_ms *: float*
+
+#### path *: list[[Cell](#source.models.base.Cell)]*
+
+#### path_length *: int*
+
+#### visited_count *: int*
+
+## Визуализация
+
+### *class* source.view.observer.ConsoleView
+
+Базовые классы: [`Observer`](#source.view.observer.Observer)
+
+Отображает состояние лабиринта и события в консоли.
+
+#### PATH_SYMBOL *= '·'*
+
+#### PLAYER_SYMBOL *= 'P'*
+
+#### render(maze: [Maze](#source.models.base.Maze), player: [Cell](#source.models.base.Cell) | None = None, path: list[[Cell](#source.models.base.Cell)] | None = None) → None
+
+Рисует лабиринт в консоли.
+
+Путь отмечается символом „·“, позиция игрока — „P“.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **player** – Текущая клетка игрока (опционально).
+ * **path** – Список клеток найденного пути (опционально).
+
+#### update(event: [Event](#source.view.observer.Event)) → None
+
+Реагирует на события и выводит информацию в консоль.
+
+* **Параметры:**
+ **event** – Объект события.
+
+### *class* source.view.observer.Event(type: str, payload: dict = None)
+
+Базовые классы: `object`
+
+Событие, передаваемое наблюдателям.
+
+#### type
+
+Тип события („maze_loaded“, „path_found“, „move“, „no_path“).
+
+* **Type:**
+ str
+
+#### payload
+
+Дополнительные данные события.
+
+* **Type:**
+ dict
+
+#### \_\_init_\_(type: str, payload: dict = None) → None
+
+#### payload *: dict* *= None*
+
+#### type *: str*
+
+### *class* source.view.observer.Observer
+
+Базовые классы: `ABC`
+
+Интерфейс наблюдателя за событиями лабиринта.
+
+#### *abstractmethod* update(event: [Event](#source.view.observer.Event)) → None
+
+Обрабатывает входящее событие.
+
+* **Параметры:**
+ **event** – Объект события с типом и данными.
+
+## Управление игроком
+
+### *class* source.view.command.Command
+
+Базовые классы: `ABC`
+
+Интерфейс команды с поддержкой отмены.
+
+#### *abstractmethod* execute() → bool
+
+Выполняет команду.
+
+* **Результат:**
+ True если команда выполнена успешно, False иначе.
+
+#### *abstractmethod* undo() → None
+
+Отменяет команду, восстанавливая предыдущее состояние.
+
+### *class* source.view.command.CommandHistory
+
+Базовые классы: `object`
+
+Хранит историю выполненных команд и позволяет отменять их.
+
+### Пример
+
+history = CommandHistory()
+cmd = MoveCommand(player, „w“, maze)
+if cmd.execute():
+
+> history.push(cmd)
+
+history.undo() # отменяет последний успешный ход
+
+#### \_\_init_\_() → None
+
+#### clear() → None
+
+Очищает историю команд.
+
+#### push(command: [Command](#source.view.command.Command)) → None
+
+Добавляет выполненную команду в историю.
+
+* **Параметры:**
+ **command** – Успешно выполненная команда.
+
+#### undo() → bool
+
+Отменяет последнюю команду из истории.
+
+* **Результат:**
+ True если отмена выполнена, False если история пуста.
+
+### *class* source.view.command.MoveCommand(player: [Player](#source.view.command.Player), direction: str, maze: [Maze](#source.models.base.Maze))
+
+Базовые классы: [`Command`](#source.view.command.Command)
+
+Перемещает игрока в заданном направлении.
+
+Сохраняет предыдущую клетку для возможности отмены хода.
+
+#### \_\_init_\_(player: [Player](#source.view.command.Player), direction: str, maze: [Maze](#source.models.base.Maze)) → None
+
+Инициализирует команду перемещения.
+
+* **Параметры:**
+ * **player** – Объект игрока.
+ * **direction** – Направление („w“, „a“, „s“, „d“).
+ * **maze** – Объект лабиринта для проверки проходимости.
+* **Исключение:**
+ **ValueError** – Если направление не распознано.
+
+#### execute() → bool
+
+Перемещает игрока если целевая клетка проходима.
+
+* **Результат:**
+ True если перемещение выполнено, False если клетка непроходима.
+
+#### undo() → None
+
+Возвращает игрока на предыдущую клетку.
+
+### *class* source.view.command.Player(cell: [Cell](#source.models.base.Cell))
+
+Базовые классы: `object`
+
+Хранит текущее положение игрока в лабиринте.
+
+#### cell
+
+Текущая клетка игрока.
+
+#### \_\_init_\_(cell: [Cell](#source.models.base.Cell)) → None
+
+Инициализирует игрока на заданной клетке.
+
+* **Параметры:**
+ **cell** – Начальная клетка игрока.
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/_build/markdown/api.md b/skorohodovsa/task_2/docs/_build/markdown/api.md
new file mode 100644
index 0000000..3fcd9a9
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/api.md
@@ -0,0 +1,470 @@
+# API Reference
+
+## Базовые модели
+
+### *class* source.models.base.Cell(x: int, y: int, is_wall: bool = False, is_start: bool = False, is_exit: bool = False)
+
+Базовые классы: `object`
+
+Представляет одну клетку поля лабиринта.
+
+Каждая клетка хранит свои координаты и один из четырёх возможных
+типов: стена, старт, выход или пустая клетка. Типы взаимоисключают
+друг друга: установка одного автоматически сбрасывает остальные.
+
+#### \_\_init_\_(x: int, y: int, is_wall: bool = False, is_start: bool = False, is_exit: bool = False)
+
+Инициализирует клетку с заданными координатами и типом.
+
+* **Параметры:**
+ * **x** – Координата клетки по оси X.
+ * **y** – Координата клетки по оси Y.
+ * **is_wall** – Если True — клетка является стеной.
+ * **is_start** – Если True — клетка является стартом.
+ * **is_exit** – Если True — клетка является выходом.
+
+#### *property* is_exit *: bool*
+
+True, если клетка является выходом из лабиринта.
+
+#### is_possible() → bool
+
+Проверяет, можно ли переместиться в эту клетку.
+
+* **Результат:**
+ True, если клетка не является стеной, иначе False.
+
+#### *property* is_start *: bool*
+
+True, если клетка является стартовой позицией.
+
+#### *property* is_wall *: bool*
+
+True, если клетка является стеной.
+
+### *class* source.models.base.Maze(size: tuple[int, int] = (10, 10))
+
+Базовые классы: `object`
+
+Представляет двумерный лабиринт из клеток Cell.
+
+Лабиринт хранится как список списков клеток. Доступ к отдельным
+клеткам и их изменение возможны через индексацию вида maze[row, col].
+
+#### \_\_init_\_(size: tuple[int, int] = (10, 10))
+
+Создаёт пустой лабиринт заданного размера.
+
+* **Параметры:**
+ **size** – Кортеж (width, height) — ширина и высота лабиринта в клетках.
+
+#### *property* exit *: [Cell](#source.models.base.Cell) | None*
+
+#### get_cell(x: int, y: int) → [Cell](#source.models.base.Cell) | None
+
+Возвращает клетку по координатам или None, если координаты вне границ.
+
+* **Параметры:**
+ * **x** – Координата по оси X.
+ * **y** – Координата по оси Y.
+* **Результат:**
+ Объект Cell, если координаты корректны, иначе None.
+
+#### get_neighbors(x: int, y: int) → list[[Cell](#source.models.base.Cell)] | None
+
+Возвращает список проходимых соседей клетки (вверх, вправо, вниз, влево).
+
+* **Параметры:**
+ * **x** – Координата клетки по оси X.
+ * **y** – Координата клетки по оси Y.
+* **Результат:**
+ Список проходимых соседних клеток, или None если (x, y) вне границ.
+
+#### *property* shape *: tuple[int, int]*
+
+#### *property* start *: [Cell](#source.models.base.Cell) | None*
+
+## Загрузка лабиринта
+
+### *class* source.build.builder.MazeBuilder
+
+Базовые классы: `ABC`
+
+#### *abstractmethod* build_from_file(filename: str) → [Maze](#source.models.base.Maze)
+
+Возвращает объект лабиринта по указанному пути файлу.
+
+* **Параметры:**
+ **filename** (*str*) – Путь к файлу
+* **Исключение:**
+ **TypeError** – Если введен путь файла с нерассмотренным расширением
+* **Результат:**
+ Объект лабиринта
+* **Тип результата:**
+ [Maze](#source.models.base.Maze)
+
+### *class* source.build.builder.TextFileBuilder
+
+Базовые классы: [`MazeBuilder`](#source.build.builder.MazeBuilder)
+
+#### build_from_file(filename: str) → [Maze](#source.models.base.Maze)
+
+Возвращает объект лабиринта по указанному пути файлу.
+
+* **Параметры:**
+ **filename** (*str*) – Путь к файлу
+* **Исключение:**
+ **TypeError** – Если введен путь файла с нерассмотренным расширением
+* **Результат:**
+ Объект лабиринта
+* **Тип результата:**
+ [Maze](#source.models.base.Maze)
+
+## Стратегии поиска пути
+
+### *class* source.strategy.algorithms.PathFindingStrategy
+
+Базовые классы: `ABC`
+
+Интерфейс стратегии поиска пути в лабиринте.
+
+#### *abstractmethod* find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) = None, exit: [Cell](#source.models.base.Cell) = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+
+
+### *class* source.strategy.bfs.BFSStrategy
+
+Базовые классы: [`PathFindingStrategy`](#source.strategy.algorithms.PathFindingStrategy)
+
+Поиск в ширину (Breadth-First Search).
+
+Гарантирует кратчайший путь по количеству шагов.
+Сложность: O(V + E) по времени и памяти.
+
+#### find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) | None = None, exit: [Cell](#source.models.base.Cell) | None = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+
+
+### *class* source.strategy.dfs.DFSStrategy
+
+Базовые классы: [`PathFindingStrategy`](#source.strategy.algorithms.PathFindingStrategy)
+
+Поиск в глубину (Depth-First Search).
+
+Находит путь, но не гарантирует кратчайший.
+
+#### find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) | None = None, exit: [Cell](#source.models.base.Cell) | None = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+
+
+### *class* source.strategy.astar.AStarStrategy
+
+Базовые классы: [`PathFindingStrategy`](#source.strategy.algorithms.PathFindingStrategy)
+
+Алгоритм A\* с манхэттенской эвристикой.
+
+#### find_path(maze: [Maze](#source.models.base.Maze), start: [Cell](#source.models.base.Cell) | None = None, exit: [Cell](#source.models.base.Cell) | None = None) → list[[Cell](#source.models.base.Cell)]
+
+Найти путь от start до exit.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **start** – Стартовая клетка.
+ * **exit** – Целевая клетка.
+* **Результат:**
+ Список клеток пути (от start до exit включительно).
+ Пустой список, если путь не найден.
+
+## Оркестратор
+
+### *class* source.strategy.solver.MazeSolver(maze: [Maze](#source.models.base.Maze), strategy: [PathFindingStrategy](#source.strategy.algorithms.PathFindingStrategy))
+
+Базовые классы: `object`
+
+Оркестратор поиска пути в лабиринте.
+
+Принимает лабиринт и стратегию поиска, выполняет поиск
+и возвращает результат вместе со статистикой выполнения.
+
+### Пример
+
+solver = MazeSolver(maze, BFSStrategy())
+stats = solver.solve()
+print(stats)
+
+solver.set_strategy(AStarStrategy())
+stats = solver.solve()
+
+#### \_\_init_\_(maze: [Maze](#source.models.base.Maze), strategy: [PathFindingStrategy](#source.strategy.algorithms.PathFindingStrategy)) → None
+
+Инициализирует солвер с лабиринтом и стратегией поиска.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **strategy** – Стратегия поиска пути.
+
+#### set_strategy(strategy: [PathFindingStrategy](#source.strategy.algorithms.PathFindingStrategy)) → None
+
+Заменяет текущую стратегию поиска.
+
+* **Параметры:**
+ **strategy** – Новая стратегия поиска пути.
+
+#### solve(start: [Cell](#source.models.base.Cell) = None, exit: [Cell](#source.models.base.Cell) = None) → [SearchStats](#source.strategy.solver.SearchStats)
+
+Выполняет поиск пути и собирает статистику.
+
+Если start или exit не переданы явно, стратегия найдёт
+их самостоятельно по флагам is_start / is_exit в лабиринте.
+
+* **Параметры:**
+ * **start** – Стартовая клетка (опционально).
+ * **exit** – Конечная клетка (опционально).
+* **Результат:**
+ Объект SearchStats с временем выполнения, количеством
+ посещённых клеток и длиной найденного пути.
+
+### *class* source.strategy.solver.SearchStats(elapsed_ms: float, visited_count: int, path_length: int, path: list[[Cell](#source.models.base.Cell)])
+
+Базовые классы: `object`
+
+Статистика выполнения поиска пути.
+
+#### elapsed_ms
+
+Время выполнения в миллисекундах.
+
+* **Type:**
+ float
+
+#### visited_count
+
+Количество посещённых клеток.
+
+* **Type:**
+ int
+
+#### path_length
+
+Длина найденного пути (0 если путь не найден).
+
+* **Type:**
+ int
+
+#### path
+
+Найденный путь — список клеток от старта до выхода.
+
+* **Type:**
+ list[[source.models.base.Cell](#source.models.base.Cell)]
+
+#### \_\_init_\_(elapsed_ms: float, visited_count: int, path_length: int, path: list[[Cell](#source.models.base.Cell)]) → None
+
+#### elapsed_ms *: float*
+
+#### path *: list[[Cell](#source.models.base.Cell)]*
+
+#### path_length *: int*
+
+#### visited_count *: int*
+
+## Визуализация
+
+### *class* source.view.observer.ConsoleView
+
+Базовые классы: [`Observer`](#source.view.observer.Observer)
+
+Отображает состояние лабиринта и события в консоли.
+
+#### PATH_SYMBOL *= '·'*
+
+#### PLAYER_SYMBOL *= 'P'*
+
+#### render(maze: [Maze](#source.models.base.Maze), player: [Cell](#source.models.base.Cell) | None = None, path: list[[Cell](#source.models.base.Cell)] | None = None) → None
+
+Рисует лабиринт в консоли.
+
+Путь отмечается символом „·“, позиция игрока — „P“.
+
+* **Параметры:**
+ * **maze** – Объект лабиринта.
+ * **player** – Текущая клетка игрока (опционально).
+ * **path** – Список клеток найденного пути (опционально).
+
+#### update(event: [Event](#source.view.observer.Event)) → None
+
+Реагирует на события и выводит информацию в консоль.
+
+* **Параметры:**
+ **event** – Объект события.
+
+### *class* source.view.observer.Event(type: str, payload: dict = None)
+
+Базовые классы: `object`
+
+Событие, передаваемое наблюдателям.
+
+#### type
+
+Тип события („maze_loaded“, „path_found“, „move“, „no_path“).
+
+* **Type:**
+ str
+
+#### payload
+
+Дополнительные данные события.
+
+* **Type:**
+ dict
+
+#### \_\_init_\_(type: str, payload: dict = None) → None
+
+#### payload *: dict* *= None*
+
+#### type *: str*
+
+### *class* source.view.observer.Observer
+
+Базовые классы: `ABC`
+
+Интерфейс наблюдателя за событиями лабиринта.
+
+#### *abstractmethod* update(event: [Event](#source.view.observer.Event)) → None
+
+Обрабатывает входящее событие.
+
+* **Параметры:**
+ **event** – Объект события с типом и данными.
+
+## Управление игроком
+
+### *class* source.view.command.Command
+
+Базовые классы: `ABC`
+
+Интерфейс команды с поддержкой отмены.
+
+#### *abstractmethod* execute() → bool
+
+Выполняет команду.
+
+* **Результат:**
+ True если команда выполнена успешно, False иначе.
+
+#### *abstractmethod* undo() → None
+
+Отменяет команду, восстанавливая предыдущее состояние.
+
+### *class* source.view.command.CommandHistory
+
+Базовые классы: `object`
+
+Хранит историю выполненных команд и позволяет отменять их.
+
+### Пример
+
+history = CommandHistory()
+cmd = MoveCommand(player, „w“, maze)
+if cmd.execute():
+
+> history.push(cmd)
+
+history.undo() # отменяет последний успешный ход
+
+#### \_\_init_\_() → None
+
+#### clear() → None
+
+Очищает историю команд.
+
+#### push(command: [Command](#source.view.command.Command)) → None
+
+Добавляет выполненную команду в историю.
+
+* **Параметры:**
+ **command** – Успешно выполненная команда.
+
+#### undo() → bool
+
+Отменяет последнюю команду из истории.
+
+* **Результат:**
+ True если отмена выполнена, False если история пуста.
+
+### *class* source.view.command.MoveCommand(player: [Player](#source.view.command.Player), direction: str, maze: [Maze](#source.models.base.Maze))
+
+Базовые классы: [`Command`](#source.view.command.Command)
+
+Перемещает игрока в заданном направлении.
+
+Сохраняет предыдущую клетку для возможности отмены хода.
+
+#### \_\_init_\_(player: [Player](#source.view.command.Player), direction: str, maze: [Maze](#source.models.base.Maze)) → None
+
+Инициализирует команду перемещения.
+
+* **Параметры:**
+ * **player** – Объект игрока.
+ * **direction** – Направление („w“, „a“, „s“, „d“).
+ * **maze** – Объект лабиринта для проверки проходимости.
+* **Исключение:**
+ **ValueError** – Если направление не распознано.
+
+#### execute() → bool
+
+Перемещает игрока если целевая клетка проходима.
+
+* **Результат:**
+ True если перемещение выполнено, False если клетка непроходима.
+
+#### undo() → None
+
+Возвращает игрока на предыдущую клетку.
+
+### *class* source.view.command.Player(cell: [Cell](#source.models.base.Cell))
+
+Базовые классы: `object`
+
+Хранит текущее положение игрока в лабиринте.
+
+#### cell
+
+Текущая клетка игрока.
+
+#### \_\_init_\_(cell: [Cell](#source.models.base.Cell)) → None
+
+Инициализирует игрока на заданной клетке.
+
+* **Параметры:**
+ **cell** – Начальная клетка игрока.
diff --git a/skorohodovsa/task_2/docs/_build/markdown/stage1.md b/skorohodovsa/task_2/docs/_build/markdown/stage1.md
new file mode 100644
index 0000000..7597841
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/stage1.md
@@ -0,0 +1,91 @@
+# Этап 1. Модель лабиринта
+
+В первом этапе разработки необходимо создать базовые классы `Cell` и `Maze`, которые представляют карту лабиринта. Паттерны на этом этапе не применяются — только чистые классы.
+
+## Класс `Cell`
+
+Клетка — минимальная единица лабиринта. Хранит координаты и тип: стена, старт, выход или пустая.
+
+По условию задания клетка должна иметь флаги `isWall`, `isStart`, `isExit` и метод `isPassable()`. В реализации флаги оформлены как **свойства** (`@property`) с сеттерами — это позволяет автоматически сбрасывать остальные флаги при установке нового типа.
+
+```python
+cell = Cell(1, 1)
+cell.is_wall = True
+```
+
+Типы клетки взаимоисключают друг друга — клетка не может быть одновременно стеной и стартом. Логика сброса вынесена в приватный метод `_clear_flags()`.
+
+### Символьное представление
+
+Для вывода лабиринта в консоль каждая клетка возвращает символ через `__str__`. Символы берутся из `cell_mapping` в `source/settings.py`, что позволяет менять отображение без правки классов:
+
+| Тип | Символ по умолчанию |
+|--------|-----------------------|
+| Стена | `#` |
+| Старт | `S` |
+| Выход | `E` |
+| Пустая | |
+
+## Класс `Maze`
+
+Лабиринт хранит двумерный список клеток и предоставляет методы для работы с ними.
+
+По условию задания требовались методы `getCell(x, y)` и `getNeighbors(cell)`. В реализации добавлено несколько вещей сверх задания:
+
+### Именование методов
+
+Задание написано в стиле Java/pseudocode — названия методов и полей используют `camelCase` (`isWall`, `getCell`, `isPassable`). В Python принят другой стандарт именования — **PEP 8**, который предписывает `snake_case` для методов и атрибутов. Поэтому все названия были приведены к Python стилю:
+
+| Задание | Реализация |
+|---------------------------|-----------------------------|
+| `isWall` | `is_wall` |
+| `isStart` | `is_start` |
+| `isExit` | `is_exit` |
+| `isPassable()` | `is_possible()` |
+| `getCell(x, y)` | `get_cell(x, y)` |
+| `getNeighbors(cell)` | `get_neighbors(x, y)` |
+| `buildFromFile(filename)` | `build_from_file(filename)` |
+
+Это соответствует стандарту оформления кода на Python и делает API классов идиоматичным для языка.
+
+### Индексация `maze[row, col]`
+
+Вместо явного вызова `get_cell()` реализованы `__getitem__` и `__setitem__`, что позволяет обращаться к клеткам естественным образом:
+
+```python
+maze[0, 0] = cell_mapping['wall'] # установить стену
+cell = maze[2, 3] # получить клетку
+```
+
+Обратите внимание: индексация идёт в формате `[row, col]`, то есть сначала строка (Y), потом столбец (X) — аналогично numpy.
+
+### Свойства `start` и `exit`
+
+Добавлены свойства для быстрого получения стартовой и выходной клетки без ручного обхода:
+
+```python
+maze.start # Cell или None
+maze.exit # Cell или None
+```
+
+Это оказалось необходимым при реализации алгоритмов поиска пути — стратегии получают `start` и `exit` автоматически из лабиринта.
+
+### Свойство `shape`
+
+По аналогии с numpy добавлено свойство `shape`, возвращающее `(height, width)`:
+
+```python
+rows, cols = maze.shape
+```
+
+Используется в стратегиях поиска и тестах для итерации по лабиринту.
+
+### `get_neighbors`
+
+Метод возвращает список проходимых соседей клетки по четырём направлениям. Стены и клетки за границей лабиринта исключаются автоматически. Если переданные координаты вне границ — возвращает `None`.
+
+```python
+neighbors = maze.get_neighbors(2, 2) # список Cell
+```
+
+Направления обхода: вниз → вправо → вверх → влево (порядок влияет на поведение DFS).
diff --git a/skorohodovsa/task_2/docs/_build/markdown/stage2.md b/skorohodovsa/task_2/docs/_build/markdown/stage2.md
new file mode 100644
index 0000000..c605d04
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/stage2.md
@@ -0,0 +1,60 @@
+# Этап 2. Загрузка лабиринта из файла
+
+Во втором этапе реализована загрузка лабиринта из текстового файла с применением паттерна **Builder**.
+
+## Паттерн Builder
+
+Процесс создания лабиринта из файла включает несколько шагов: чтение файла, валидацию структуры, парсинг символов и заполнение клеток. Builder скрывает эти детали от клиента — снаружи виден только один метод `build_from_file()`, внутри которого сосредоточена вся логика построения.
+
+Дополнительное преимущество: в будущем можно легко добавить новый формат (например, JSON или бинарный) через новую реализацию `MazeBuilder` без изменения остального кода.
+
+## Класс `MazeBuilder`
+
+Абстрактный базовый класс — интерфейс паттерна Builder. Объявляет единственный метод `build_from_file()`, который обязан реализовать каждый конкретный строитель.
+
+По условию задания интерфейс назывался `MazeBuilder` с методом `buildFromFile`. В реализации название метода приведено к **PEP 8** — `build_from_file`. Сам класс оформлен через `ABC` — попытка создать объект `MazeBuilder()` напрямую вызовет `TypeError`.
+
+## Класс `TextFileBuilder`
+
+Конкретная реализация строителя для текстовых файлов. Загружает лабиринт из `.txt` файла где `#` — стена, — проход, `S` — старт, `E` — выход.
+
+Процесс построения разбит на три приватных шага:
+
+### `_read_file`
+
+Читает файл построчно и обрезает символы переноса строки `\n` и `\r`. Возвращает список строк — каждая строка соответствует одной строке лабиринта.
+
+### `_test_text_maze`
+
+Валидирует структуру: проверяет что все строки одинаковой длины. Если нет — лабиринт некорректен и `_create_maze` выбросит `ValueError`.
+
+Реализован как `@staticmethod` — не использует состояние объекта, только входные данные.
+
+### `_create_maze`
+
+Создаёт объект `Maze` нужного размера и заполняет его клетки символами из файла через `maze[y, x] = symbol`. Тип каждой клетки определяется автоматически через `cell_mapping` в `__setitem__` лабиринта.
+
+## Использование
+
+```python
+from source.build.builder import TextFileBuilder
+
+maze = TextFileBuilder().build_from_file('source/templates/10x10_path_v1.txt')
+print(maze)
+```
+
+## Известная ошибка
+
+В текущей реализации `_create_maze` есть опечатка при вычислении `width`:
+
+```python
+height, width = len(text_maze), len(text_maze) # width всегда равен height
+```
+
+Правильная версия:
+
+```python
+height, width = len(text_maze), len(text_maze[0])
+```
+
+На квадратных лабиринтах (10×10, 50×50) это не проявляется, но на прямоугольных даст некорректный результат.
diff --git a/skorohodovsa/task_2/docs/_build/markdown/stage3.md b/skorohodovsa/task_2/docs/_build/markdown/stage3.md
new file mode 100644
index 0000000..8a52b27
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/stage3.md
@@ -0,0 +1,90 @@
+# Этап 3. Стратегии поиска пути
+
+В третьем этапе реализованы алгоритмы поиска пути с применением паттерна **Strategy**.
+
+## Паттерн Strategy
+
+Все три алгоритма реализуют один интерфейс `PathFindingStrategy`. Это позволяет переключать алгоритм в любой момент без изменения кода клиента — достаточно передать другой объект стратегии:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+solver.set_strategy(AStarStrategy())
+```
+
+Новый алгоритм добавляется реализацией интерфейса — остальной код трогать не нужно.
+
+## Структура пакета
+
+Стратегии разбиты по отдельным файлам, а `__init__.py` собирает всё в один импорт:
+
+```default
+source/strategy/
+├── __init__.py ← единственный импорт для пользователя
+├── algorithms.py ← базовый класс PathFindingStrategy
+├── bfs.py
+├── dfs.py
+└── astar.py
+```
+
+```python
+from source.strategy import BFSStrategy, DFSStrategy, AStarStrategy
+```
+
+## Класс `PathFindingStrategy`
+
+Абстрактный базовый класс — интерфейс паттерна. Объявляет абстрактный метод `find_path()` и содержит два вспомогательных метода, общих для всех стратегий.
+
+По условию задания метод назывался `findPath` — приведён к **PEP 8** как `find_path`.
+
+### `_validate`
+
+Добавлен в процессе разработки — изначально в задании не было требования к обработке отсутствия старта или выхода. Проблема проявилась при тестировании лабиринтов типа `noexit`: алгоритм падал с `AttributeError` внутри, вместо понятного сообщения.
+
+`_validate` подставляет `start` и `exit` из лабиринта если они не переданы явно, и выбрасывает `ValueError` с понятным сообщением если клетки не найдены:
+
+```python
+start, exit = self._validate(maze, start, exit)
+```
+
+Вынесен в базовый класс чтобы не дублировать в каждом алгоритме.
+
+### `_reconstruct_path`
+
+Восстанавливает путь по словарю предков `came_from`. Все три алгоритма строят этот словарь одинаково — `{клетка: откуда_пришли}` — поэтому восстановление вынесено в общий метод базового класса.
+
+Алгоритм идёт от выхода к старту по цепочке предков, затем разворачивает список:
+
+```default
+exit → D → C → B → start (идём по came_from)
+start → B → C → D → exit (после reverse)
+```
+
+## Алгоритмы
+
+### BFS — `BFSStrategy`
+
+Поиск в ширину. Использует `deque` как очередь (FIFO) — каждый раз берём самую старую клетку из начала. Это гарантирует послойный обход и кратчайший путь по количеству шагов.
+
+Сложность: O(V + E) по времени и памяти.
+
+### DFS — `DFSStrategy`
+
+Поиск в глубину. Использует `list` как стек (LIFO) — каждый раз берём самую свежую клетку с конца. Алгоритм ныряет вглубь по одному направлению до тупика, затем возвращается.
+
+Не гарантирует кратчайший путь. На запутанных лабиринтах может обойти почти все клетки прежде чем найти выход, хотя по времени часто быстрее BFS из-за меньших накладных расходов на структуру данных.
+
+Сложность: O(V + E) по времени и памяти.
+
+### A\* — `AStarStrategy`
+
+Использует `heapq` как приоритетную очередь. На каждом шаге выбирает клетку с минимальным значением `f = g + h`, где `g` — стоимость пути от старта, `h` — манхэттенская эвристика до выхода.
+
+Эвристика направляет поиск в сторону выхода, поэтому A\* обходит меньше клеток чем BFS при том же гарантированно кратчайшем пути.
+
+В кортеж приоритетной очереди добавлен счётчик `counter` как tie-breaker — без него `heapq` попытался бы сравнивать объекты `Cell` при одинаковом `f`, что вызвало бы `TypeError`:
+
+```python
+heapq.heappush(open_heap, (f, counter, neighbor))
+```
+
+Сложность: O(E · log V) в худшем случае.
diff --git a/skorohodovsa/task_2/docs/_build/markdown/stage4.md b/skorohodovsa/task_2/docs/_build/markdown/stage4.md
new file mode 100644
index 0000000..cc800b4
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/stage4.md
@@ -0,0 +1,44 @@
+# Этап 4. Класс-оркестратор MazeSolver
+
+В четвёртом этапе реализован класс `MazeSolver`, который объединяет лабиринт и стратегию поиска, выполняет поиск и собирает статистику.
+
+## Роль в архитектуре
+
+`MazeSolver` — точка входа для клиентского кода. Он не знает деталей ни одного алгоритма и не работает напрямую с клетками лабиринта — только делегирует задачу стратегии и замеряет время:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+stats = solver.solve()
+print(stats)
+# Время: 0.041 мс | Посещено клеток: 13 | Длина пути: 13
+```
+
+## Класс `SearchStats`
+
+Оформлен через `@dataclass` — это избавляет от ручного `__init__` и автоматически даёт `__repr__`. Хранит четыре поля: время выполнения, количество посещённых клеток, длину пути и сам путь как список клеток.
+
+`__str__` переопределён для удобного вывода в консоль и отчётах.
+
+### Ограничение
+
+В текущей реализации `visited_count` и `path_length` всегда равны друг другу — оба вычисляются как `len(path)`. Это потому что стратегии возвращают только финальный путь, а не все посещённые клетки. Чтобы получить точное количество посещений, потребовалось бы дорабатывать каждую стратегию — добавлять счётчик внутри `find_path`. На данном этапе это сознательное упрощение.
+
+## Класс `MazeSolver`
+
+### `set_strategy`
+
+Позволяет менять алгоритм без пересоздания солвера. Это и есть основная демонстрация паттерна Strategy в действии — один объект, разные алгоритмы:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+stats_bfs = solver.solve()
+
+solver.set_strategy(AStarStrategy())
+stats_astar = solver.solve()
+```
+
+### `solve`
+
+Замеряет время через `time.perf_counter()` — самый точный таймер в Python для коротких интервалов, не зависящий от системных часов. Результат переводится в миллисекунды умножением на 1000.
+
+`start` и `exit` можно не передавать — стратегия найдёт их сама через `_validate`. Явная передача нужна только если хочется запустить поиск не от стандартного старта, а от произвольной клетки.
diff --git a/skorohodovsa/task_2/docs/_build/markdown/stage5.md b/skorohodovsa/task_2/docs/_build/markdown/stage5.md
new file mode 100644
index 0000000..0ce2cc4
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/stage5.md
@@ -0,0 +1,84 @@
+# Этап 5. Визуализация и пошаговое управление
+
+В пятом этапе реализованы два паттерна: **Observer** для отображения событий и **Command** для пошагового управления игроком.
+
+## 5.1. Паттерн Observer
+
+### Идея
+
+`MazeSolver` и игровой цикл не знают как именно отображать происходящее — они просто генерируют события. Наблюдатели подписываются на эти события и реагируют по своему усмотрению. Это позволяет в будущем добавить, например, `FileLogger` или графический интерфейс без изменения основного кода.
+
+### Класс `Event`
+
+Оформлен через `@dataclass`. Хранит тип события строкой и словарь `payload` с дополнительными данными. Поддерживаются четыре типа событий:
+
+| Тип | Когда генерируется |
+|---------------|----------------------------|
+| `maze_loaded` | Лабиринт загружен из файла |
+| `path_found` | Алгоритм нашёл путь |
+| `no_path` | Путь не найден |
+| `move` | Игрок сделал ход |
+
+### Класс `Observer`
+
+Абстрактный базовый класс с единственным методом `update(event)`. Любой наблюдатель обязан его реализовать.
+
+### Класс `ConsoleView`
+
+Конкретная реализация наблюдателя. Обрабатывает события через `match/case` и вызывает `render()` для перерисовки лабиринта.
+
+Метод `render()` принимает лабиринт, опциональную позицию игрока и опциональный путь. Путь преобразуется в `set` для быстрой проверки принадлежности клетки — это O(1) вместо O(n) при каждом обходе:
+
+```python
+path_set = set(path) if path else set()
+```
+
+Лабиринт обрамляется рамкой из `+` и `─` для читаемости в консоли. Символы игрока и пути вынесены в константы класса — легко поменять без правки логики:
+
+```python
+PLAYER_SYMBOL = "P"
+PATH_SYMBOL = "·"
+```
+
+## 5.2. Паттерн Command
+
+### Идея
+
+Каждое перемещение игрока оборачивается в объект `MoveCommand`. Это позволяет сохранить предыдущее состояние и отменить ход — реализация `undo` становится тривиальной.
+
+### Класс `Player`
+
+Простой контейнер для текущей клетки игрока. Намеренно минималистичный — вся логика перемещения и проверок находится в команде, а не в игроке.
+
+### Класс `Command`
+
+Абстрактный интерфейс с двумя методами: `execute()` и `undo()`. `execute()` возвращает `bool` — это отличие от классического варианта паттерна, где команды не возвращают значений. Возврат `False` нужен чтобы не добавлять неуспешный ход в историю.
+
+### Класс `MoveCommand`
+
+Хранит ссылку на игрока, направление и лабиринт. При `execute()` проверяет проходимость целевой клетки, сохраняет текущую в `_prev_cell` и перемещает игрока. При `undo()` восстанавливает `_prev_cell`.
+
+Направления вынесены в словарь `DIRECTIONS` на уровне модуля:
+
+```python
+DIRECTIONS = {
+ "w": (0, -1), # вверх
+ "s": (0, 1), # вниз
+ "a": (-1, 0), # влево
+ "d": (1, 0), # вправо
+}
+```
+
+### Класс `CommandHistory`
+
+Стек выполненных команд. Хранит только успешные ходы — неуспешные (`execute()` вернул `False`) в историю не добавляются. `undo()` снимает последнюю команду со стека и вызывает её `undo()`.
+
+Пример игрового цикла:
+
+```python
+cmd = MoveCommand(player, 'd', maze)
+if cmd.execute():
+ history.push(cmd) # добавляем только успешный ход
+
+history.undo() # отмена последнего хода
+```
diff --git a/skorohodovsa/task_2/docs/_build/markdown/stage6.md b/skorohodovsa/task_2/docs/_build/markdown/stage6.md
new file mode 100644
index 0000000..4399a8b
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/stage6.md
@@ -0,0 +1,61 @@
+# Этап 6. Экспериментальная часть
+
+В шестом этапе проведено сравнение эффективности трёх стратегий поиска пути на лабиринтах разной сложности. Эксперимент реализован в Jupyter Notebook (`practice/main.ipynb`).
+
+## Подготовка
+
+Лабиринты загружаются из папки `source/templates` автоматически — все файлы считываются через `os.listdir` и передаются в `TextFileBuilder`. Стратегии собраны в словарь для удобной итерации:
+
+```python
+strategies = {
+ "BFS": BFSStrategy(),
+ "DFS": DFSStrategy(),
+ "A*": AStarStrategy(),
+}
+```
+
+## Замеры
+
+Каждая пара лабиринт + стратегия запускается **10 раз**, результаты усредняются. Это сглаживает разброс из-за кэширования и фоновой активности системы.
+
+Лабиринты типа `noexit` пропускаются автоматически — стратегия выбрасывает `ValueError`, который перехватывается через `try/except`, и выполнение продолжается.
+
+Результаты собираются в список словарей и затем преобразуются в `DataFrame` через pandas.
+
+## Результаты
+
+### 10×10 (простой путь)
+
+На маленьких лабиринтах все три алгоритма показывают практически одинаковое время (~0.03–0.07 мс) и одинаковую длину пути. Разница незначительна — лабиринт слишком мал чтобы эвристика A\* давала преимущество.
+
+### 50×50 (тупики)
+
+BFS стабильно быстрее DFS по времени при одинаковой длине пути. DFS заходит в каждый тупик до конца и тратит время на возврат, хотя финальный путь совпадает. A\* показывает время между BFS и DFS.
+
+### 100×100 (запутанный, spaghetti)
+
+Наиболее показательные результаты:
+
+| Стратегия | Время (мс) | Длина пути |
+|-------------|--------------|--------------|
+| BFS | ~9 | ~210 |
+| DFS | ~7 | ~2200 |
+| A\* | ~8 | ~210 |
+
+DFS быстрее по времени, но находит путь в 10 раз длиннее — обходит почти весь лабиринт. BFS и A\* находят кратчайший путь, A\* при этом чуть быстрее за счёт эвристики.
+
+### 30×30 (пустой)
+
+Неожиданный результат: DFS быстрее всех (~0.73 мс против 1.1 у BFS и 2.0 у A\*), хотя находит путь из 379 клеток против 55 у BFS. На пустом поле без стен DFS сразу уходит вглубь без возвратов, тогда как BFS строит очередь и обходит клетки волнами во все стороны — это накладные расходы на структуру данных.
+
+A\* на пустом лабиринте медленнее всех — накладные расходы на `heapq` и вычисление эвристики не окупаются когда препятствий нет.
+
+## Выводы
+
+- **BFS** — надёжный выбор по умолчанию. Всегда находит кратчайший путь, время предсказуемо.
+- **DFS** — быстрый по времени, но путь непредсказуем. На запутанных лабиринтах может пройти весь граф. Подходит когда важна скорость, а не оптимальность пути.
+- **A**\* — лучший выбор для больших лабиринтов с препятствиями. Находит кратчайший путь быстрее BFS за счёт эвристики. На простых или пустых лабиринтах проигрывает из-за накладных расходов на приоритетную очередь.
+
+## Визуализация
+
+![[results.png]]
diff --git a/skorohodovsa/task_2/docs/_build/markdown/stage7.md b/skorohodovsa/task_2/docs/_build/markdown/stage7.md
new file mode 100644
index 0000000..9072b69
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/stage7.md
@@ -0,0 +1,33 @@
+# Этап 7. Отчёт
+
+## Описание задачи
+
+Разработать программу для загрузки лабиринта из файла, поиска пути с выбором алгоритма и сравнения их эффективности. Применены четыре паттерна GoF:
+
+| Паттерн | Где применён |
+|--------------|-----------------------------------------------|
+| **Builder** | `TextFileBuilder` |
+| **Strategy** | `BFSStrategy`, `DFSStrategy`, `AStarStrategy` |
+| **Observer** | `ConsoleView` |
+| **Command** | `MoveCommand`, `CommandHistory` |
+
+## Диаграмма классов
+
+## Результаты экспериментов
+
+| Лабиринт | Быстрее всех | Кратчайший путь |
+|-------------------|----------------|-------------------|
+| 10×10 path | все одинаково | все одинаково |
+| 50×50 deadends | BFS | BFS = A\* |
+| 100×100 spaghetti | DFS | BFS = A\* |
+| 30×30 empty | DFS | BFS = A\* |
+
+**BFS** — надёжный выбор, всегда кратчайший путь.
+\\\\
+**DFS** — быстрый, но путь длиннее. На 100×100 обошёл в 10 раз больше клеток.
+\\\\
+**A**\* — лучший на больших лабиринтах с препятствиями, проигрывает на простых из-за накладных расходов на `heapq`.
+
+## Выводы
+
+Паттерны сделали код расширяемым: новый алгоритм — один класс, новый формат файла — один класс, новый способ отображения — один класс. Без паттернов каждое такое изменение потребовало бы правки существующего кода.
diff --git a/skorohodovsa/task_2/docs/_build/markdown/task.md b/skorohodovsa/task_2/docs/_build/markdown/task.md
new file mode 100644
index 0000000..f30ed53
--- /dev/null
+++ b/skorohodovsa/task_2/docs/_build/markdown/task.md
@@ -0,0 +1,103 @@
+# Задание
+
+## Цель работы
+
+Разработать гибкую, расширяемую программу для загрузки лабиринта из файла, поиска пути от старта до выхода с возможностью выбора алгоритма, визуализации процесса и экспериментального сравнения алгоритмов. В ходе работы необходимо применить минимум 3 паттерна проектирования из списка GoF, обосновать их выбор и продемонстрировать преимущества такой архитектуры.
+
+## Общая схема приложения (пример)
+
+## Выполнение
+
+### Этап 1. Модель лабиринта (без паттернов, просто классы)
+
+**Задача:** Создать классы `Cell` и `Maze`, которые представляют карту лабиринта.
+
+- `Cell` хранит координаты (x, y), флаги `isWall`, `isStart`, `isExit`, метод `isPassable()` (возвращает `True` для прохода, если не стена).
+- `Maze` хранит двумерный массив клеток, ширину, высоту, ссылки на стартовую и выходную клетку. Методы: `getCell(x, y)`, `getNeighbors(cell)` – возвращает список соседних проходимых клеток (вверх, вниз, влево, вправо, если в пределах границ и не стена).
+
+**Результат:** Лабиринт можно создать вручную в коде, но загрузку пока не делаем.
+
+### Этап 2. Загрузка лабиринта из файла – применение паттерна **Builder**
+
+**Задача:** Реализовать загрузку лабиринта из текстового файла, где `#` – стена, ` ` (пробел) – проход, `S` – старт, `E` – выход.
+
+- Создать интерфейс `MazeBuilder` с методом `buildFromFile(filename)`.
+- Реализовать класс `TextFileMazeBuilder`, который читает файл, парсит символы, создаёт объекты `Cell`, задаёт координаты и флаги, после чего возвращает готовый `Maze`.
+
+Процесс построения лабиринта сложный (парсинг, валидация, установка старта/выхода). Builder скрывает детали создания от клиента. В будущем можно легко добавить другой формат (например, JSON или бинарный) через новую реализацию `MazeBuilder`.
+
+### Этап 3. Стратегии поиска пути – паттерн **Strategy**
+
+**Задача:** Реализовать семейство алгоритмов поиска пути от старта до выхода.
+
+- Создать интерфейс `PathFindingStrategy` с методом `findPath(maze, start, exit)`, возвращающим список клеток пути (от старта до выхода включительно) или пустой список, если пути нет.
+- Реализовать минимум 3 стратегии:
+ - **BFS** (поиск в ширину) – гарантирует кратчайший путь по количеству шагов.
+ - **DFS** (поиск в глубину) – быстрый, но не обязательно кратчайший.
+ - **A**\* (с эвристикой, например, манхэттенское расстояние) – компромисс между скоростью и оптимальностью.
+ - (Опционально) **Дейкстра** – полезна для взвешенных лабиринтов, но в базовом варианте все шаги имеют вес 1, тогда она совпадает с BFS.
+
+Каждая стратегия возвращает путь. Для BFS/DFS используйте очередь/стек, для A\* – приоритетную очередь (heapq). Важно: алгоритмы не должны модифицировать сам лабиринт, только читать состояние клеток.
+
+Strategy позволяет легко переключать алгоритмы во время выполнения, не меняя код остальной программы. Новый алгоритм можно добавить, реализовав интерфейс.
+
+### Этап 4. Класс-оркестратор – **MazeSolver** (использует Strategy)
+
+**Задача:** Создать класс, который принимает лабиринт и стратегию, выполняет поиск и собирает статистику.
+
+- `MazeSolver` содержит поля `maze` и `strategy`.
+- Метод `setStrategy(strategy)` для динамической смены алгоритма.
+- Метод `solve()` вызывает `strategy.findPath(...)` и возвращает объект `SearchStats` (время выполнения в миллисекундах, количество посещённых клеток, длина найденного пути).
+- Для замера времени используйте `time.perf_counter()` до и после вызова стратегии.
+
+### Этап 5. Визуализация и пошаговое управление – паттерны **Observer** и **Command** (по желанию)
+
+**5.1. Наблюдатель (Observer)** – обновление консольного интерфейса.
+
+- Создать интерфейс `Observer` с методом `update(event)`, где `event` может быть строкой или объектом с типом события (`"path_found"`, `"move"`, `"maze_loaded"`).
+- Реализовать класс `ConsoleView`, который отображает лабиринт, текущее положение игрока (если реализован пошаговый режим) и найденный путь. Метод `render(maze, player_position, path)` рисует карту в консоли.
+- `MazeSolver` (или отдельный контроллер) может иметь список наблюдателей и уведомлять их при изменении состояния.
+
+**5.2. Команда (Command)** – для пошагового перемещения игрока по найденному пути (или ручного управления).
+
+- Создать интерфейс `Command` с методами `execute()` и `undo()`.
+- Реализовать `MoveCommand`, который принимает игрока (`Player`), направление и изменяет его позицию, сохраняя предыдущую для отмены.
+- Создать класс `Player`, хранящий текущую клетку.
+- Консольное меню позволяет вводить команды (W/A/S/D), выполнять `MoveCommand`, при необходимости отменять последний ход (Ctrl+Z). Это опционально, но очень наглядно демонстрирует паттерн.
+
+*Observer можно реализовать только для вывода сообщений о начале/конце поиска, а Command – для демонстрации undo при ручном исследовании лабиринта.*
+
+### Этап 6. Экспериментальная часть (аналогично заданию со структурами данных)
+
+**Задача:** Сравнить эффективность реализованных стратегий на лабиринтах разной сложности.
+
+1. **Подготовка тестовых лабиринтов:**
+ - Маленький (10×10) с простым путём.
+ - Средний (50×50) с тупиками.
+ - Большой (100×100) с запутанной структурой.
+ - «Пустой» лабиринт (без стен) – для демонстрации максимальной производительности.
+ - «Без выхода» – чтобы проверить обработку отсутствия пути.
+2. **Замеры:**
+ - Для каждого лабиринта и каждой стратегии запустить `solve()` 5–10 раз, усреднить время, количество посещённых клеток, длину пути.
+ - Записать результаты в CSV: `лабиринт,стратегия,время_мс,посещено_клеток,длина_пути`.
+3. **Анализ:**
+ - Построить графики для каждого лабиринта.
+ - Проанализировать и написать выводы по итогам (эффективность того или иного алгоритма в разных случаях).
+4. **Дополнительное задание:** Реализовать взвешенные клетки (например, болото – вес 3, песок – вес 2, асфальт – вес 1) и сравнить Дейкстру с A\* на взвешенном графе.
+
+### Этап 7. Отчёт
+
+**Структура отчёта:**
+
+1. Описание задачи и выбранных паттернов (с диаграммой классов из Mermaid).
+2. Листинги ключевых классов (можно выборочно) или ссылка на репозиторий.
+3. Результаты экспериментов (таблицы, графики).
+4. Анализ эффективности алгоритмов и применимости паттернов.
+5. Выводы: как ООП и паттерны помогли сделать код гибким и расширяемым. Что было бы сложно изменить без них.
+
+## Советы
+
+- Для A\* самая простая эвристика: `abs(x1 - x2) + abs(y1 - y2)`.
+- При поиске пути надо хранить предшественников (`parent` для каждой посещённой клетки), чтобы восстановить путь.
+- Для BFS/DFS используй `deque` (очередь) и `list` (стек).
+- Визуализацию в консоли можно сделать с помощью `os.system('cls' if os.name == 'nt' else 'clear')` для перерисовки.
diff --git a/skorohodovsa/task_2/docs/source/api.md b/skorohodovsa/task_2/docs/source/api.md
index 58caf5f..cf2f512 100644
--- a/skorohodovsa/task_2/docs/source/api.md
+++ b/skorohodovsa/task_2/docs/source/api.md
@@ -2,16 +2,25 @@
## Базовые модели
-````{eval-rst}
+```{eval-rst}
.. automodule:: source.models.base
:members:
:undoc-members:
:show-inheritance:
-````
+```
+
+## Загрузка лабиринта
+
+```{eval-rst}
+.. automodule:: source.build.builder
+ :members:
+ :undoc-members:
+ :show-inheritance:
+```
## Стратегии поиска пути
-````{eval-rst}
+```{eval-rst}
.. automodule:: source.strategy.algorithms
:members:
:undoc-members:
@@ -31,4 +40,31 @@
:members:
:undoc-members:
:show-inheritance:
-````
\ No newline at end of file
+```
+
+## Оркестратор
+
+```{eval-rst}
+.. automodule:: source.strategy.solver
+ :members:
+ :undoc-members:
+ :show-inheritance:
+```
+
+## Визуализация
+
+```{eval-rst}
+.. automodule:: source.view.observer
+ :members:
+ :undoc-members:
+ :show-inheritance:
+```
+
+## Управление игроком
+
+```{eval-rst}
+.. automodule:: source.view.command
+ :members:
+ :undoc-members:
+ :show-inheritance:
+ ```
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/conf.py b/skorohodovsa/task_2/docs/source/conf.py
index 4eeb0f1..8fcfe48 100644
--- a/skorohodovsa/task_2/docs/source/conf.py
+++ b/skorohodovsa/task_2/docs/source/conf.py
@@ -35,6 +35,7 @@ extensions = [
"sphinx.ext.mathjax",
"sphinx_new_tab_link",
"sphinx.ext.autosummary",
+ "sphinxcontrib.mermaid",
]
autosummary_generate = True
diff --git a/skorohodovsa/task_2/docs/source/index.md b/skorohodovsa/task_2/docs/source/index.md
index a1f0950..0d882ed 100644
--- a/skorohodovsa/task_2/docs/source/index.md
+++ b/skorohodovsa/task_2/docs/source/index.md
@@ -1,6 +1,15 @@
# Лабораторная работа "Поиск выхода из лабиринта"
+
:::{toctree}
:maxdepth: 2
-naming_maze
-api
\ No newline at end of file
+task
+stage1
+stage2
+stage3
+stage4
+stage5
+stage6
+stage7
+api
+
diff --git a/skorohodovsa/task_2/docs/source/naming_maze.md b/skorohodovsa/task_2/docs/source/naming_maze.md
deleted file mode 100644
index 11b4e13..0000000
--- a/skorohodovsa/task_2/docs/source/naming_maze.md
+++ /dev/null
@@ -1,95 +0,0 @@
-# Этап 2. Загрузка лабиринта из файла
-
-Во втором этапе разработки необходимо реализовать загрузку лабиринта из текстового файла, где: `#` – стена, ` ` – проход, `S` – старт, `E` – выход.
-
-## Систематизация файлов
-
-Для удобного хранения лабиринтов было решено сделать систему наименования текстовых файлов в папке `source/templates`.
-
-Общая структура:
-
-```
-{размер}_{свойство 1}-{свойство 2}-{свойство n}_{версия}.txt
-```
-
-### Размер
-
-Формат: `{ширина}x{высота}`
-
-| Пример | Значение |
-|--------|----------|
-| `10x10` | 10×10 клеток |
-| `50x50` | 50×50 клеток |
-| `100x100` | 100×100 клеток |
-| `30x30` | 30×30 клеток |
-| `20x20` | 20×20 клеток |
-### Свойства
-| Свойство | Код | Описание |
-| ------------ | ----------- | -------------------------------------------------------------------------------------------- |
-| Простой путь | `path` | Существует маршрут от S до E |
-| Тупики | `deadends` | Лабиринт специально содержит тупики (могут быть и в других типах, но здесь — гарантированно) |
-| Запутанный | `spaghetti` | Сложная структура с циклами и ложными ходами |
-| Пустой | `empty` | Нет стен (`#`), только пробелы, S и E |
-| Без выхода | `noexit` | В лабиринте отсутствует символ `E` |
-### Версия
-
-Формат: `v{номер}`
-- `v1`, `v2`, `v10`
-### Примеры
-#### Маленькие (10×10, простой путь)
-
-```
-10x10_path_v1.txt
-10x10_path_v2.txt
-...
-10x10_path_v10.txt
-```
-#### Средние (50×50, тупики)
-
-```
-50x50_deadends_v1.txt
-50x50_deadends_v2.txt
-...
-50x50_deadends_v10.txt
-```
-#### Большие (100×100, запутанные)
-
-```
-100x100_spaghetti_v1.txt
-100x100_spaghetti_v2.txt
-...
-100x100_spaghetti_v10.txt
-```
-
-#### Пустые (30×30)
-
-```
-30x30_empty_v1.txt
-30x30_empty_v2.txt
-...
-30x30_empty_v10.txt
-```
-
-#### Без выхода (20×20)
-
-```
-20x20_noexit_v1.txt
-20x20_noexit_v2.txt
-...
-20x20_noexit_v10.txt
-```
-
-#### Комбинированные свойства
-
-```
-50x50_deadends-noexit_v1.txt
-100x100_spaghetti-noexit_v1.txt
-10x10_path-empty_v1.txt (избыточно, но допустимо)
-```
-
-### Примечание
-
-- Регистр имён файлов: **нижний регистр**
-- Разделители: только `_` и `-`
-- Расширение: `.txt`
-- Кодировка: UTF-8
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/stage1.md b/skorohodovsa/task_2/docs/source/stage1.md
new file mode 100644
index 0000000..0365c1c
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/stage1.md
@@ -0,0 +1,91 @@
+# Этап 1. Модель лабиринта
+
+В первом этапе разработки необходимо создать базовые классы `Cell` и `Maze`, которые представляют карту лабиринта. Паттерны на этом этапе не применяются — только чистые классы.
+
+## Класс `Cell`
+
+Клетка — минимальная единица лабиринта. Хранит координаты и тип: стена, старт, выход или пустая.
+
+По условию задания клетка должна иметь флаги `isWall`, `isStart`, `isExit` и метод `isPassable()`. В реализации флаги оформлены как **свойства** (`@property`) с сеттерами — это позволяет автоматически сбрасывать остальные флаги при установке нового типа.
+
+```python
+cell = Cell(1, 1)
+cell.is_wall = True
+```
+
+Типы клетки взаимоисключают друг друга — клетка не может быть одновременно стеной и стартом. Логика сброса вынесена в приватный метод `_clear_flags()`.
+
+### Символьное представление
+
+Для вывода лабиринта в консоль каждая клетка возвращает символ через `__str__`. Символы берутся из `cell_mapping` в `source/settings.py`, что позволяет менять отображение без правки классов:
+
+|Тип|Символ по умолчанию|
+|---|---|
+|Стена|`#`|
+|Старт|`S`|
+|Выход|`E`|
+|Пустая||
+
+## Класс `Maze`
+
+Лабиринт хранит двумерный список клеток и предоставляет методы для работы с ними.
+
+По условию задания требовались методы `getCell(x, y)` и `getNeighbors(cell)`. В реализации добавлено несколько вещей сверх задания:
+
+### Именование методов
+
+Задание написано в стиле Java/pseudocode — названия методов и полей используют `camelCase` (`isWall`, `getCell`, `isPassable`). В Python принят другой стандарт именования — **PEP 8**, который предписывает `snake_case` для методов и атрибутов. Поэтому все названия были приведены к Python стилю:
+
+|Задание|Реализация|
+|---|---|
+|`isWall`|`is_wall`|
+|`isStart`|`is_start`|
+|`isExit`|`is_exit`|
+|`isPassable()`|`is_possible()`|
+|`getCell(x, y)`|`get_cell(x, y)`|
+|`getNeighbors(cell)`|`get_neighbors(x, y)`|
+|`buildFromFile(filename)`|`build_from_file(filename)`|
+
+Это соответствует стандарту оформления кода на Python и делает API классов идиоматичным для языка.
+
+### Индексация `maze[row, col]`
+
+Вместо явного вызова `get_cell()` реализованы `__getitem__` и `__setitem__`, что позволяет обращаться к клеткам естественным образом:
+
+```python
+maze[0, 0] = cell_mapping['wall'] # установить стену
+cell = maze[2, 3] # получить клетку
+```
+
+Обратите внимание: индексация идёт в формате `[row, col]`, то есть сначала строка (Y), потом столбец (X) — аналогично numpy.
+
+### Свойства `start` и `exit`
+
+Добавлены свойства для быстрого получения стартовой и выходной клетки без ручного обхода:
+
+```python
+maze.start # Cell или None
+maze.exit # Cell или None
+```
+
+Это оказалось необходимым при реализации алгоритмов поиска пути — стратегии получают `start` и `exit` автоматически из лабиринта.
+
+### Свойство `shape`
+
+По аналогии с numpy добавлено свойство `shape`, возвращающее `(height, width)`:
+
+```python
+rows, cols = maze.shape
+```
+
+Используется в стратегиях поиска и тестах для итерации по лабиринту.
+
+### `get_neighbors`
+
+Метод возвращает список проходимых соседей клетки по четырём направлениям. Стены и клетки за границей лабиринта исключаются автоматически. Если переданные координаты вне границ — возвращает `None`.
+
+```python
+neighbors = maze.get_neighbors(2, 2) # список Cell
+```
+
+Направления обхода: вниз → вправо → вверх → влево (порядок влияет на поведение DFS).
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/stage2.md b/skorohodovsa/task_2/docs/source/stage2.md
new file mode 100644
index 0000000..db3d870
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/stage2.md
@@ -0,0 +1,60 @@
+# Этап 2. Загрузка лабиринта из файла
+
+Во втором этапе реализована загрузка лабиринта из текстового файла с применением паттерна **Builder**.
+
+## Паттерн Builder
+
+Процесс создания лабиринта из файла включает несколько шагов: чтение файла, валидацию структуры, парсинг символов и заполнение клеток. Builder скрывает эти детали от клиента — снаружи виден только один метод `build_from_file()`, внутри которого сосредоточена вся логика построения.
+
+Дополнительное преимущество: в будущем можно легко добавить новый формат (например, JSON или бинарный) через новую реализацию `MazeBuilder` без изменения остального кода.
+
+## Класс `MazeBuilder`
+
+Абстрактный базовый класс — интерфейс паттерна Builder. Объявляет единственный метод `build_from_file()`, который обязан реализовать каждый конкретный строитель.
+
+По условию задания интерфейс назывался `MazeBuilder` с методом `buildFromFile`. В реализации название метода приведено к **PEP 8** — `build_from_file`. Сам класс оформлен через `ABC` — попытка создать объект `MazeBuilder()` напрямую вызовет `TypeError`.
+
+## Класс `TextFileBuilder`
+
+Конкретная реализация строителя для текстовых файлов. Загружает лабиринт из `.txt` файла где `#` — стена, — проход, `S` — старт, `E` — выход.
+
+Процесс построения разбит на три приватных шага:
+
+### `_read_file`
+
+Читает файл построчно и обрезает символы переноса строки `\n` и `\r`. Возвращает список строк — каждая строка соответствует одной строке лабиринта.
+
+### `_test_text_maze`
+
+Валидирует структуру: проверяет что все строки одинаковой длины. Если нет — лабиринт некорректен и `_create_maze` выбросит `ValueError`.
+
+Реализован как `@staticmethod` — не использует состояние объекта, только входные данные.
+
+### `_create_maze`
+
+Создаёт объект `Maze` нужного размера и заполняет его клетки символами из файла через `maze[y, x] = symbol`. Тип каждой клетки определяется автоматически через `cell_mapping` в `__setitem__` лабиринта.
+
+## Использование
+
+```python
+from source.build.builder import TextFileBuilder
+
+maze = TextFileBuilder().build_from_file('source/templates/10x10_path_v1.txt')
+print(maze)
+```
+
+## Известная ошибка
+
+В текущей реализации `_create_maze` есть опечатка при вычислении `width`:
+
+```python
+height, width = len(text_maze), len(text_maze) # width всегда равен height
+```
+
+Правильная версия:
+
+```python
+height, width = len(text_maze), len(text_maze[0])
+```
+
+На квадратных лабиринтах (10×10, 50×50) это не проявляется, но на прямоугольных даст некорректный результат.
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/stage3.md b/skorohodovsa/task_2/docs/source/stage3.md
new file mode 100644
index 0000000..63b9dc3
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/stage3.md
@@ -0,0 +1,90 @@
+# Этап 3. Стратегии поиска пути
+
+В третьем этапе реализованы алгоритмы поиска пути с применением паттерна **Strategy**.
+
+## Паттерн Strategy
+
+Все три алгоритма реализуют один интерфейс `PathFindingStrategy`. Это позволяет переключать алгоритм в любой момент без изменения кода клиента — достаточно передать другой объект стратегии:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+solver.set_strategy(AStarStrategy())
+```
+
+Новый алгоритм добавляется реализацией интерфейса — остальной код трогать не нужно.
+
+## Структура пакета
+
+Стратегии разбиты по отдельным файлам, а `__init__.py` собирает всё в один импорт:
+
+```
+source/strategy/
+├── __init__.py ← единственный импорт для пользователя
+├── algorithms.py ← базовый класс PathFindingStrategy
+├── bfs.py
+├── dfs.py
+└── astar.py
+```
+
+```python
+from source.strategy import BFSStrategy, DFSStrategy, AStarStrategy
+```
+
+## Класс `PathFindingStrategy`
+
+Абстрактный базовый класс — интерфейс паттерна. Объявляет абстрактный метод `find_path()` и содержит два вспомогательных метода, общих для всех стратегий.
+
+По условию задания метод назывался `findPath` — приведён к **PEP 8** как `find_path`.
+
+### `_validate`
+
+Добавлен в процессе разработки — изначально в задании не было требования к обработке отсутствия старта или выхода. Проблема проявилась при тестировании лабиринтов типа `noexit`: алгоритм падал с `AttributeError` внутри, вместо понятного сообщения.
+
+`_validate` подставляет `start` и `exit` из лабиринта если они не переданы явно, и выбрасывает `ValueError` с понятным сообщением если клетки не найдены:
+
+```python
+start, exit = self._validate(maze, start, exit)
+```
+
+Вынесен в базовый класс чтобы не дублировать в каждом алгоритме.
+
+### `_reconstruct_path`
+
+Восстанавливает путь по словарю предков `came_from`. Все три алгоритма строят этот словарь одинаково — `{клетка: откуда_пришли}` — поэтому восстановление вынесено в общий метод базового класса.
+
+Алгоритм идёт от выхода к старту по цепочке предков, затем разворачивает список:
+
+```
+exit → D → C → B → start (идём по came_from)
+start → B → C → D → exit (после reverse)
+```
+
+## Алгоритмы
+
+### BFS — `BFSStrategy`
+
+Поиск в ширину. Использует `deque` как очередь (FIFO) — каждый раз берём самую старую клетку из начала. Это гарантирует послойный обход и кратчайший путь по количеству шагов.
+
+Сложность: O(V + E) по времени и памяти.
+
+### DFS — `DFSStrategy`
+
+Поиск в глубину. Использует `list` как стек (LIFO) — каждый раз берём самую свежую клетку с конца. Алгоритм ныряет вглубь по одному направлению до тупика, затем возвращается.
+
+Не гарантирует кратчайший путь. На запутанных лабиринтах может обойти почти все клетки прежде чем найти выход, хотя по времени часто быстрее BFS из-за меньших накладных расходов на структуру данных.
+
+Сложность: O(V + E) по времени и памяти.
+
+### A* — `AStarStrategy`
+
+Использует `heapq` как приоритетную очередь. На каждом шаге выбирает клетку с минимальным значением `f = g + h`, где `g` — стоимость пути от старта, `h` — манхэттенская эвристика до выхода.
+
+Эвристика направляет поиск в сторону выхода, поэтому A* обходит меньше клеток чем BFS при том же гарантированно кратчайшем пути.
+
+В кортеж приоритетной очереди добавлен счётчик `counter` как tie-breaker — без него `heapq` попытался бы сравнивать объекты `Cell` при одинаковом `f`, что вызвало бы `TypeError`:
+
+```python
+heapq.heappush(open_heap, (f, counter, neighbor))
+```
+
+Сложность: O(E · log V) в худшем случае.
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/stage4.md b/skorohodovsa/task_2/docs/source/stage4.md
new file mode 100644
index 0000000..dc1dd66
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/stage4.md
@@ -0,0 +1,44 @@
+# Этап 4. Класс-оркестратор MazeSolver
+
+В четвёртом этапе реализован класс `MazeSolver`, который объединяет лабиринт и стратегию поиска, выполняет поиск и собирает статистику.
+
+## Роль в архитектуре
+
+`MazeSolver` — точка входа для клиентского кода. Он не знает деталей ни одного алгоритма и не работает напрямую с клетками лабиринта — только делегирует задачу стратегии и замеряет время:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+stats = solver.solve()
+print(stats)
+# Время: 0.041 мс | Посещено клеток: 13 | Длина пути: 13
+```
+
+## Класс `SearchStats`
+
+Оформлен через `@dataclass` — это избавляет от ручного `__init__` и автоматически даёт `__repr__`. Хранит четыре поля: время выполнения, количество посещённых клеток, длину пути и сам путь как список клеток.
+
+`__str__` переопределён для удобного вывода в консоль и отчётах.
+
+### Ограничение
+
+В текущей реализации `visited_count` и `path_length` всегда равны друг другу — оба вычисляются как `len(path)`. Это потому что стратегии возвращают только финальный путь, а не все посещённые клетки. Чтобы получить точное количество посещений, потребовалось бы дорабатывать каждую стратегию — добавлять счётчик внутри `find_path`. На данном этапе это сознательное упрощение.
+
+## Класс `MazeSolver`
+
+### `set_strategy`
+
+Позволяет менять алгоритм без пересоздания солвера. Это и есть основная демонстрация паттерна Strategy в действии — один объект, разные алгоритмы:
+
+```python
+solver = MazeSolver(maze, BFSStrategy())
+stats_bfs = solver.solve()
+
+solver.set_strategy(AStarStrategy())
+stats_astar = solver.solve()
+```
+
+### `solve`
+
+Замеряет время через `time.perf_counter()` — самый точный таймер в Python для коротких интервалов, не зависящий от системных часов. Результат переводится в миллисекунды умножением на 1000.
+
+`start` и `exit` можно не передавать — стратегия найдёт их сама через `_validate`. Явная передача нужна только если хочется запустить поиск не от стандартного старта, а от произвольной клетки.
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/stage5.md b/skorohodovsa/task_2/docs/source/stage5.md
new file mode 100644
index 0000000..ecca7cd
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/stage5.md
@@ -0,0 +1,84 @@
+# Этап 5. Визуализация и пошаговое управление
+
+В пятом этапе реализованы два паттерна: **Observer** для отображения событий и **Command** для пошагового управления игроком.
+
+## 5.1. Паттерн Observer
+
+### Идея
+
+`MazeSolver` и игровой цикл не знают как именно отображать происходящее — они просто генерируют события. Наблюдатели подписываются на эти события и реагируют по своему усмотрению. Это позволяет в будущем добавить, например, `FileLogger` или графический интерфейс без изменения основного кода.
+
+### Класс `Event`
+
+Оформлен через `@dataclass`. Хранит тип события строкой и словарь `payload` с дополнительными данными. Поддерживаются четыре типа событий:
+
+|Тип|Когда генерируется|
+|---|---|
+|`maze_loaded`|Лабиринт загружен из файла|
+|`path_found`|Алгоритм нашёл путь|
+|`no_path`|Путь не найден|
+|`move`|Игрок сделал ход|
+
+### Класс `Observer`
+
+Абстрактный базовый класс с единственным методом `update(event)`. Любой наблюдатель обязан его реализовать.
+
+### Класс `ConsoleView`
+
+Конкретная реализация наблюдателя. Обрабатывает события через `match/case` и вызывает `render()` для перерисовки лабиринта.
+
+Метод `render()` принимает лабиринт, опциональную позицию игрока и опциональный путь. Путь преобразуется в `set` для быстрой проверки принадлежности клетки — это O(1) вместо O(n) при каждом обходе:
+
+```python
+path_set = set(path) if path else set()
+```
+
+Лабиринт обрамляется рамкой из `+` и `─` для читаемости в консоли. Символы игрока и пути вынесены в константы класса — легко поменять без правки логики:
+
+```python
+PLAYER_SYMBOL = "P"
+PATH_SYMBOL = "·"
+```
+
+## 5.2. Паттерн Command
+
+### Идея
+
+Каждое перемещение игрока оборачивается в объект `MoveCommand`. Это позволяет сохранить предыдущее состояние и отменить ход — реализация `undo` становится тривиальной.
+
+### Класс `Player`
+
+Простой контейнер для текущей клетки игрока. Намеренно минималистичный — вся логика перемещения и проверок находится в команде, а не в игроке.
+
+### Класс `Command`
+
+Абстрактный интерфейс с двумя методами: `execute()` и `undo()`. `execute()` возвращает `bool` — это отличие от классического варианта паттерна, где команды не возвращают значений. Возврат `False` нужен чтобы не добавлять неуспешный ход в историю.
+
+### Класс `MoveCommand`
+
+Хранит ссылку на игрока, направление и лабиринт. При `execute()` проверяет проходимость целевой клетки, сохраняет текущую в `_prev_cell` и перемещает игрока. При `undo()` восстанавливает `_prev_cell`.
+
+Направления вынесены в словарь `DIRECTIONS` на уровне модуля:
+
+```python
+DIRECTIONS = {
+ "w": (0, -1), # вверх
+ "s": (0, 1), # вниз
+ "a": (-1, 0), # влево
+ "d": (1, 0), # вправо
+}
+```
+
+### Класс `CommandHistory`
+
+Стек выполненных команд. Хранит только успешные ходы — неуспешные (`execute()` вернул `False`) в историю не добавляются. `undo()` снимает последнюю команду со стека и вызывает её `undo()`.
+
+Пример игрового цикла:
+
+```python
+cmd = MoveCommand(player, 'd', maze)
+if cmd.execute():
+ history.push(cmd) # добавляем только успешный ход
+
+history.undo() # отмена последнего хода
+```
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/stage6.md b/skorohodovsa/task_2/docs/source/stage6.md
new file mode 100644
index 0000000..410842c
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/stage6.md
@@ -0,0 +1,63 @@
+# Этап 6. Экспериментальная часть
+
+В шестом этапе проведено сравнение эффективности трёх стратегий поиска пути на лабиринтах разной сложности. Эксперимент реализован в Jupyter Notebook (`practice/main.ipynb`).
+
+## Подготовка
+
+Лабиринты загружаются из папки `source/templates` автоматически — все файлы считываются через `os.listdir` и передаются в `TextFileBuilder`. Стратегии собраны в словарь для удобной итерации:
+
+```python
+strategies = {
+ "BFS": BFSStrategy(),
+ "DFS": DFSStrategy(),
+ "A*": AStarStrategy(),
+}
+```
+
+## Замеры
+
+Каждая пара лабиринт + стратегия запускается **10 раз**, результаты усредняются. Это сглаживает разброс из-за кэширования и фоновой активности системы.
+
+Лабиринты типа `noexit` пропускаются автоматически — стратегия выбрасывает `ValueError`, который перехватывается через `try/except`, и выполнение продолжается.
+
+Результаты собираются в список словарей и затем преобразуются в `DataFrame` через pandas.
+
+## Результаты
+
+### 10×10 (простой путь)
+
+На маленьких лабиринтах все три алгоритма показывают практически одинаковое время (~0.03–0.07 мс) и одинаковую длину пути. Разница незначительна — лабиринт слишком мал чтобы эвристика A* давала преимущество.
+
+### 50×50 (тупики)
+
+BFS стабильно быстрее DFS по времени при одинаковой длине пути. DFS заходит в каждый тупик до конца и тратит время на возврат, хотя финальный путь совпадает. A* показывает время между BFS и DFS.
+
+### 100×100 (запутанный, spaghetti)
+
+Наиболее показательные результаты:
+
+|Стратегия|Время (мс)|Длина пути|
+|---|---|---|
+|BFS|~9|~210|
+|DFS|~7|~2200|
+|A*|~8|~210|
+
+DFS быстрее по времени, но находит путь в 10 раз длиннее — обходит почти весь лабиринт. BFS и A* находят кратчайший путь, A* при этом чуть быстрее за счёт эвристики.
+
+### 30×30 (пустой)
+
+Неожиданный результат: DFS быстрее всех (~0.73 мс против 1.1 у BFS и 2.0 у A*), хотя находит путь из 379 клеток против 55 у BFS. На пустом поле без стен DFS сразу уходит вглубь без возвратов, тогда как BFS строит очередь и обходит клетки волнами во все стороны — это накладные расходы на структуру данных.
+
+A* на пустом лабиринте медленнее всех — накладные расходы на `heapq` и вычисление эвристики не окупаются когда препятствий нет.
+
+## Выводы
+
+- **BFS** — надёжный выбор по умолчанию. Всегда находит кратчайший путь, время предсказуемо.
+
+- **DFS** — быстрый по времени, но путь непредсказуем. На запутанных лабиринтах может пройти весь граф. Подходит когда важна скорость, а не оптимальность пути.
+
+- **A*** — лучший выбор для больших лабиринтов с препятствиями. Находит кратчайший путь быстрее BFS за счёт эвристики. На простых или пустых лабиринтах проигрывает из-за накладных расходов на приоритетную очередь.
+
+## Визуализация
+
+![[results.png]]
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/stage7.md b/skorohodovsa/task_2/docs/source/stage7.md
new file mode 100644
index 0000000..ceaa5a9
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/stage7.md
@@ -0,0 +1,81 @@
+# Этап 7. Отчёт
+
+## Описание задачи
+
+Разработать программу для загрузки лабиринта из файла, поиска пути с выбором алгоритма и сравнения их эффективности. Применены четыре паттерна GoF:
+
+|Паттерн|Где применён|
+|---|---|
+|**Builder**|`TextFileBuilder`|
+|**Strategy**|`BFSStrategy`, `DFSStrategy`, `AStarStrategy`|
+|**Observer**|`ConsoleView`|
+|**Command**|`MoveCommand`, `CommandHistory`|
+
+## Диаграмма классов
+
+```{mermaid}
+classDiagram
+ class Cell {
+ +int x, y
+ +bool is_wall, is_start, is_exit
+ +is_possible() bool
+ }
+ class Maze {
+ +get_cell(x, y) Cell
+ +get_neighbors(x, y) list
+ +start, exit, shape
+ }
+ class MazeBuilder { <> }
+ class TextFileBuilder
+ class PathFindingStrategy {
+ <>
+ +find_path(maze, start, exit) list
+ }
+ class BFSStrategy
+ class DFSStrategy
+ class AStarStrategy
+ class MazeSolver {
+ +set_strategy(strategy)
+ +solve() SearchStats
+ }
+ class ConsoleView {
+ +update(event)
+ +render(maze, player, path)
+ }
+ class MoveCommand {
+ +execute() bool
+ +undo()
+ }
+ class CommandHistory {
+ +push(command)
+ +undo() bool
+ }
+
+ Maze *-- Cell
+ MazeBuilder <|-- TextFileBuilder
+ TextFileBuilder ..> Maze : creates
+ PathFindingStrategy <|-- BFSStrategy
+ PathFindingStrategy <|-- DFSStrategy
+ PathFindingStrategy <|-- AStarStrategy
+ MazeSolver --> PathFindingStrategy
+ MazeSolver --> Maze
+ MoveCommand --> Maze
+ CommandHistory --> MoveCommand
+```
+
+## Результаты экспериментов
+
+| Лабиринт | Быстрее всех | Кратчайший путь |
+| ----------------- | ------------- | --------------- |
+| 10×10 path | все одинаково | все одинаково |
+| 50×50 deadends | BFS | BFS = A* |
+| 100×100 spaghetti | DFS | BFS = A* |
+| 30×30 empty | DFS | BFS = A* |
+
+**BFS** — надёжный выбор, всегда кратчайший путь.
+**DFS** — быстрый, но путь длиннее. На 100×100 обошёл в 10 раз больше клеток.
+**A*** — лучший на больших лабиринтах с препятствиями, проигрывает на простых из-за накладных расходов на `heapq`.
+
+## Выводы
+
+Паттерны сделали код расширяемым: новый алгоритм — один класс, новый формат файла — один класс, новый способ отображения — один класс. Без паттернов каждое такое изменение потребовало бы правки существующего кода.
\ No newline at end of file
diff --git a/skorohodovsa/task_2/docs/source/task.md b/skorohodovsa/task_2/docs/source/task.md
new file mode 100644
index 0000000..0c9274c
--- /dev/null
+++ b/skorohodovsa/task_2/docs/source/task.md
@@ -0,0 +1,183 @@
+# Задание
+
+## Цель работы
+
+Разработать гибкую, расширяемую программу для загрузки лабиринта из файла, поиска пути от старта до выхода с возможностью выбора алгоритма, визуализации процесса и экспериментального сравнения алгоритмов. В ходе работы необходимо применить минимум 3 паттерна проектирования из списка GoF, обосновать их выбор и продемонстрировать преимущества такой архитектуры.
+
+## Общая схема приложения (пример)
+
+```{mermaid}
+classDiagram
+ class Maze {
+ -Cell[] cells
+ -int width, height
+ -Cell start
+ -Cell exit
+ +getCell(x,y): Cell
+ +getNeighbors(cell): List~Cell~
+ }
+
+ class Cell {
+ -int x, y
+ -bool isWall
+ -bool isStart
+ -bool isExit
+ +isPassable(): bool
+ }
+
+ class MazeBuilder {
+ <>
+ +buildFromFile(filename): Maze
+ }
+
+ class TextFileMazeBuilder {
+ +buildFromFile(filename): Maze
+ }
+
+ class PathFindingStrategy {
+ <>
+ +findPath(maze, start, exit): List~Cell~
+ }
+
+ class BFSStrategy
+ class DFSStrategy
+ class AStarStrategy
+ class DijkstraStrategy
+
+ class SearchStats {
+ +timeMs: float
+ +visitedCells: int
+ +pathLength: int
+ }
+
+ class MazeSolver {
+ -Maze maze
+ -PathFindingStrategy strategy
+ +setStrategy(strategy)
+ +solve(): SearchStats
+ }
+
+ class Command {
+ <>
+ +execute()
+ +undo()
+ }
+
+ class MoveCommand {
+ -Player player
+ -Direction dir
+ -Cell previousCell
+ +execute()
+ +undo()
+ }
+
+ class Player {
+ -Cell currentCell
+ +moveTo(cell)
+ }
+
+ class Observer {
+ <>
+ +update(event)
+ }
+
+ class ConsoleView {
+ +update(event)
+ +render(maze, player, path)
+ }
+
+ MazeBuilder <|.. TextFileMazeBuilder
+ MazeBuilder --> Maze : creates
+ PathFindingStrategy <|.. BFSStrategy
+ PathFindingStrategy <|.. DFSStrategy
+ PathFindingStrategy <|.. AStarStrategy
+ PathFindingStrategy <|.. DijkstraStrategy
+ MazeSolver --> PathFindingStrategy : uses
+ MazeSolver --> Maze : uses
+ Command <|.. MoveCommand
+ MoveCommand --> Player
+ Player --> Cell
+ Observer <|.. ConsoleView
+ MazeSolver --> Observer : notifies
+```
+
+## Выполнение
+
+### Этап 1. Модель лабиринта (без паттернов, просто классы)
+**Задача:** Создать классы `Cell` и `Maze`, которые представляют карту лабиринта.
+- `Cell` хранит координаты (x, y), флаги `isWall`, `isStart`, `isExit`, метод `isPassable()` (возвращает `True` для прохода, если не стена).
+- `Maze` хранит двумерный массив клеток, ширину, высоту, ссылки на стартовую и выходную клетку. Методы: `getCell(x, y)`, `getNeighbors(cell)` – возвращает список соседних проходимых клеток (вверх, вниз, влево, вправо, если в пределах границ и не стена).
+
+**Результат:** Лабиринт можно создать вручную в коде, но загрузку пока не делаем.
+
+### Этап 2. Загрузка лабиринта из файла – применение паттерна **Builder**
+**Задача:** Реализовать загрузку лабиринта из текстового файла, где `#` – стена, ` ` (пробел) – проход, `S` – старт, `E` – выход.
+- Создать интерфейс `MazeBuilder` с методом `buildFromFile(filename)`.
+- Реализовать класс `TextFileMazeBuilder`, который читает файл, парсит символы, создаёт объекты `Cell`, задаёт координаты и флаги, после чего возвращает готовый `Maze`.
+
+Процесс построения лабиринта сложный (парсинг, валидация, установка старта/выхода). Builder скрывает детали создания от клиента. В будущем можно легко добавить другой формат (например, JSON или бинарный) через новую реализацию `MazeBuilder`.
+
+### Этап 3. Стратегии поиска пути – паттерн **Strategy**
+**Задача:** Реализовать семейство алгоритмов поиска пути от старта до выхода.
+- Создать интерфейс `PathFindingStrategy` с методом `findPath(maze, start, exit)`, возвращающим список клеток пути (от старта до выхода включительно) или пустой список, если пути нет.
+- Реализовать минимум 3 стратегии:
+ - **BFS** (поиск в ширину) – гарантирует кратчайший путь по количеству шагов.
+ - **DFS** (поиск в глубину) – быстрый, но не обязательно кратчайший.
+ - **A*** (с эвристикой, например, манхэттенское расстояние) – компромисс между скоростью и оптимальностью.
+ - (Опционально) **Дейкстра** – полезна для взвешенных лабиринтов, но в базовом варианте все шаги имеют вес 1, тогда она совпадает с BFS.
+
+Каждая стратегия возвращает путь. Для BFS/DFS используйте очередь/стек, для A* – приоритетную очередь (heapq). Важно: алгоритмы не должны модифицировать сам лабиринт, только читать состояние клеток.
+
+Strategy позволяет легко переключать алгоритмы во время выполнения, не меняя код остальной программы. Новый алгоритм можно добавить, реализовав интерфейс.
+
+### Этап 4. Класс-оркестратор – **MazeSolver** (использует Strategy)
+**Задача:** Создать класс, который принимает лабиринт и стратегию, выполняет поиск и собирает статистику.
+- `MazeSolver` содержит поля `maze` и `strategy`.
+- Метод `setStrategy(strategy)` для динамической смены алгоритма.
+- Метод `solve()` вызывает `strategy.findPath(...)` и возвращает объект `SearchStats` (время выполнения в миллисекундах, количество посещённых клеток, длина найденного пути).
+- Для замера времени используйте `time.perf_counter()` до и после вызова стратегии.
+
+### Этап 5. Визуализация и пошаговое управление – паттерны **Observer** и **Command** (по желанию)
+**5.1. Наблюдатель (Observer)** – обновление консольного интерфейса.
+- Создать интерфейс `Observer` с методом `update(event)`, где `event` может быть строкой или объектом с типом события (`"path_found"`, `"move"`, `"maze_loaded"`).
+- Реализовать класс `ConsoleView`, который отображает лабиринт, текущее положение игрока (если реализован пошаговый режим) и найденный путь. Метод `render(maze, player_position, path)` рисует карту в консоли.
+- `MazeSolver` (или отдельный контроллер) может иметь список наблюдателей и уведомлять их при изменении состояния.
+
+**5.2. Команда (Command)** – для пошагового перемещения игрока по найденному пути (или ручного управления).
+- Создать интерфейс `Command` с методами `execute()` и `undo()`.
+- Реализовать `MoveCommand`, который принимает игрока (`Player`), направление и изменяет его позицию, сохраняя предыдущую для отмены.
+- Создать класс `Player`, хранящий текущую клетку.
+- Консольное меню позволяет вводить команды (W/A/S/D), выполнять `MoveCommand`, при необходимости отменять последний ход (Ctrl+Z). Это опционально, но очень наглядно демонстрирует паттерн.
+
+*Observer можно реализовать только для вывода сообщений о начале/конце поиска, а Command – для демонстрации undo при ручном исследовании лабиринта.*
+
+### Этап 6. Экспериментальная часть (аналогично заданию со структурами данных)
+**Задача:** Сравнить эффективность реализованных стратегий на лабиринтах разной сложности.
+1. **Подготовка тестовых лабиринтов:**
+ - Маленький (10×10) с простым путём.
+ - Средний (50×50) с тупиками.
+ - Большой (100×100) с запутанной структурой.
+ - «Пустой» лабиринт (без стен) – для демонстрации максимальной производительности.
+ - «Без выхода» – чтобы проверить обработку отсутствия пути.
+2. **Замеры:**
+ - Для каждого лабиринта и каждой стратегии запустить `solve()` 5–10 раз, усреднить время, количество посещённых клеток, длину пути.
+ - Записать результаты в CSV: `лабиринт,стратегия,время_мс,посещено_клеток,длина_пути`.
+3. **Анализ:**
+ - Построить графики для каждого лабиринта.
+ - Проанализировать и написать выводы по итогам (эффективность того или иного алгоритма в разных случаях).
+
+4. **Дополнительное задание:** Реализовать взвешенные клетки (например, болото – вес 3, песок – вес 2, асфальт – вес 1) и сравнить Дейкстру с A* на взвешенном графе.
+
+### Этап 7. Отчёт
+**Структура отчёта:**
+1. Описание задачи и выбранных паттернов (с диаграммой классов из Mermaid).
+2. Листинги ключевых классов (можно выборочно) или ссылка на репозиторий.
+3. Результаты экспериментов (таблицы, графики).
+4. Анализ эффективности алгоритмов и применимости паттернов.
+5. Выводы: как ООП и паттерны помогли сделать код гибким и расширяемым. Что было бы сложно изменить без них.
+
+## Советы
+- Для A* самая простая эвристика: `abs(x1 - x2) + abs(y1 - y2)`.
+- При поиске пути надо хранить предшественников (`parent` для каждой посещённой клетки), чтобы восстановить путь.
+- Для BFS/DFS используй `deque` (очередь) и `list` (стек).
+- Визуализацию в консоли можно сделать с помощью `os.system('cls' if os.name == 'nt' else 'clear')` для перерисовки.
\ No newline at end of file
diff --git a/skorohodovsa/task_2/practice/main.ipynb b/skorohodovsa/task_2/practice/main.ipynb
new file mode 100644
index 0000000..0f49667
--- /dev/null
+++ b/skorohodovsa/task_2/practice/main.ipynb
@@ -0,0 +1,937 @@
+{
+ "cells": [
+ {
+ "cell_type": "markdown",
+ "id": "b41a67fc",
+ "metadata": {},
+ "source": [
+ "# Экспериментальная часть "
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 1,
+ "id": "3986182c",
+ "metadata": {},
+ "outputs": [],
+ "source": [
+ "import os\n",
+ "import sys\n",
+ "\n",
+ "sys.path.insert(0, os.path.abspath(\"..\"))"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 2,
+ "id": "c304f83d",
+ "metadata": {},
+ "outputs": [],
+ "source": [
+ "from source.build.builder import TextFileBuilder\n",
+ "from source.models.base import Maze\n",
+ "from source.strategy import BFSStrategy, DFSStrategy, AStarStrategy\n",
+ "from source.strategy.solver import MazeSolver, SearchStats"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "id": "f4d32c9b",
+ "metadata": {},
+ "source": [
+ "**Задача:** Сравнить эффективность реализованных стратегий на лабиринтах разной сложности."
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 3,
+ "id": "4233a72f",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "text/plain": [
+ "[,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ,\n",
+ " ]"
+ ]
+ },
+ "execution_count": 3,
+ "metadata": {},
+ "output_type": "execute_result"
+ }
+ ],
+ "source": [
+ "filenames: list[str] = os.listdir(\"../source/templates\")\n",
+ "\n",
+ "list_maze: list[Maze] = [\n",
+ " TextFileBuilder().build_from_file(filename=\"../source/templates/\" + filename)\n",
+ " for filename in filenames\n",
+ "]\n",
+ "\n",
+ "list_maze"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 4,
+ "id": "8c9592fb",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "text/plain": [
+ "50"
+ ]
+ },
+ "execution_count": 4,
+ "metadata": {},
+ "output_type": "execute_result"
+ }
+ ],
+ "source": [
+ "len(filenames)"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 5,
+ "id": "04e5e6a6",
+ "metadata": {},
+ "outputs": [],
+ "source": [
+ "strategies = {\n",
+ " \"BFS\": BFSStrategy(),\n",
+ " \"DFS\": DFSStrategy(),\n",
+ " \"A*\": AStarStrategy(),\n",
+ "}"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 16,
+ "id": "3ccf351f",
+ "metadata": {},
+ "outputs": [
+ {
+ "name": "stdout",
+ "output_type": "stream",
+ "text": [
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v1.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v1.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v1.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v10.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v10.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v10.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v2.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v2.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v2.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v3.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v3.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v3.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v4.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v4.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v4.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v5.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v5.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v5.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v6.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v6.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v6.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v7.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v7.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v7.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v8.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v8.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v8.txt | A*\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v9.txt | BFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v9.txt | DFS\n",
+ "Выходная клетка не найдена в лабиринте | 20x20_noexit_v9.txt | A*\n"
+ ]
+ },
+ {
+ "data": {
+ "text/plain": [
+ "[{'лабиринт': '100x100_spaghetti_v1.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 9.698449999996228,\n",
+ " 'посещено_клеток': 205.0,\n",
+ " 'длина_пути': 205.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v1.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 7.488289999992048,\n",
+ " 'посещено_клеток': 2129.0,\n",
+ " 'длина_пути': 2129.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v1.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 7.629470000074434,\n",
+ " 'посещено_клеток': 205.0,\n",
+ " 'длина_пути': 205.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v10.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 8.57915999999932,\n",
+ " 'посещено_клеток': 207.0,\n",
+ " 'длина_пути': 207.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v10.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 8.580700000084107,\n",
+ " 'посещено_клеток': 2489.0,\n",
+ " 'длина_пути': 2489.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v10.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 8.167220000041198,\n",
+ " 'посещено_клеток': 207.0,\n",
+ " 'длина_пути': 207.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v2.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 8.6136500000066,\n",
+ " 'посещено_клеток': 217.0,\n",
+ " 'длина_пути': 217.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v2.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 6.336869999950068,\n",
+ " 'посещено_клеток': 2063.0,\n",
+ " 'длина_пути': 2063.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v2.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 10.417360000155895,\n",
+ " 'посещено_клеток': 217.0,\n",
+ " 'длина_пути': 217.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v3.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 8.563159999994241,\n",
+ " 'посещено_клеток': 217.0,\n",
+ " 'длина_пути': 217.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v3.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 5.783009999913702,\n",
+ " 'посещено_клеток': 2107.0,\n",
+ " 'длина_пути': 2107.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v3.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 6.953359999988606,\n",
+ " 'посещено_клеток': 217.0,\n",
+ " 'длина_пути': 217.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v4.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 8.79095000000234,\n",
+ " 'посещено_клеток': 205.0,\n",
+ " 'длина_пути': 205.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v4.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 6.422280000060709,\n",
+ " 'посещено_клеток': 2409.0,\n",
+ " 'длина_пути': 2409.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v4.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 6.4153799999985495,\n",
+ " 'посещено_клеток': 205.0,\n",
+ " 'длина_пути': 205.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v5.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 8.864429999994172,\n",
+ " 'посещено_клеток': 217.0,\n",
+ " 'длина_пути': 217.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v5.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 7.053909999922325,\n",
+ " 'посещено_клеток': 2071.0,\n",
+ " 'длина_пути': 2071.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v5.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 10.017580000112503,\n",
+ " 'посещено_клеток': 217.0,\n",
+ " 'длина_пути': 217.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v6.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 9.399200000052588,\n",
+ " 'посещено_клеток': 243.0,\n",
+ " 'длина_пути': 243.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v6.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 7.747049999989031,\n",
+ " 'посещено_клеток': 1869.0,\n",
+ " 'длина_пути': 1869.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v6.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 14.121079999995345,\n",
+ " 'посещено_клеток': 243.0,\n",
+ " 'длина_пути': 243.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v7.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 8.773490000021411,\n",
+ " 'посещено_клеток': 211.0,\n",
+ " 'длина_пути': 211.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v7.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 6.66454999995949,\n",
+ " 'посещено_клеток': 2283.0,\n",
+ " 'длина_пути': 2283.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v7.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 7.22499999997126,\n",
+ " 'посещено_клеток': 211.0,\n",
+ " 'длина_пути': 211.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v8.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 8.687369999961447,\n",
+ " 'посещено_клеток': 221.0,\n",
+ " 'длина_пути': 221.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v8.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 7.4791699999423145,\n",
+ " 'посещено_клеток': 2473.0,\n",
+ " 'длина_пути': 2473.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v8.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 10.324829999944996,\n",
+ " 'посещено_клеток': 221.0,\n",
+ " 'длина_пути': 221.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v9.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 9.33376999992106,\n",
+ " 'посещено_клеток': 209.0,\n",
+ " 'длина_пути': 209.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v9.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 6.118089999927179,\n",
+ " 'посещено_клеток': 1939.0,\n",
+ " 'длина_пути': 1939.0},\n",
+ " {'лабиринт': '100x100_spaghetti_v9.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 7.4974299999212235,\n",
+ " 'посещено_клеток': 209.0,\n",
+ " 'длина_пути': 209.0},\n",
+ " {'лабиринт': '10x10_path_v1.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.03240000014557154,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v1.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.03378000001248438,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v1.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.03725999999915075,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v10.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.030790000027991482,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v10.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.035979999984192546,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v10.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.03738000000339525,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v2.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.035089999892079504,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v2.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.045300000101633486,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v2.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.04377000000204134,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v3.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.035430000025371555,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v3.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.055879999990793294,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v3.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.04907000002276618,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v4.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.053650000018024,\n",
+ " 'посещено_клеток': 29.0,\n",
+ " 'длина_пути': 29.0},\n",
+ " {'лабиринт': '10x10_path_v4.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.09142999997493462,\n",
+ " 'посещено_клеток': 29.0,\n",
+ " 'длина_пути': 29.0},\n",
+ " {'лабиринт': '10x10_path_v4.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.09646000012253353,\n",
+ " 'посещено_клеток': 29.0,\n",
+ " 'длина_пути': 29.0},\n",
+ " {'лабиринт': '10x10_path_v5.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.035020000041185995,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v5.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.03366999999343534,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v5.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.037369999972725054,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v6.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.03128999992441095,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v6.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.03374999996594852,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v6.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.037149999934626976,\n",
+ " 'посещено_клеток': 13.0,\n",
+ " 'длина_пути': 13.0},\n",
+ " {'лабиринт': '10x10_path_v7.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.040439999975205865,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v7.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.05008999996789498,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v7.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.04825999994864105,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v8.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.04994999994778482,\n",
+ " 'посещено_клеток': 29.0,\n",
+ " 'длина_пути': 29.0},\n",
+ " {'лабиринт': '10x10_path_v8.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.058220000073561096,\n",
+ " 'посещено_клеток': 29.0,\n",
+ " 'длина_пути': 29.0},\n",
+ " {'лабиринт': '10x10_path_v8.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.08468999990327575,\n",
+ " 'посещено_клеток': 29.0,\n",
+ " 'длина_пути': 29.0},\n",
+ " {'лабиринт': '10x10_path_v9.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.048520000018470455,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v9.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.04457000009097101,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '10x10_path_v9.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.04779000005328271,\n",
+ " 'посещено_клеток': 17.0,\n",
+ " 'длина_пути': 17.0},\n",
+ " {'лабиринт': '30x30_empty_v1.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.3075400000161608,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v1.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.7962099999531347,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v1.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 3.0833899998924608,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v10.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.6444799998680537,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v10.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.1289500000657426,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v10.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 3.0003100000158156,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v2.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.5947500000493164,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v2.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.0904399999617453,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v2.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.242679999972097,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v3.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.3086099999327416,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v3.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.0075400000459922,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v3.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.17491000003065,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v4.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.5689699999711593,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v4.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.0746400001153233,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v4.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.2863700000471,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v5.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.3352300000406103,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v5.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.8594300000368094,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v5.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.264869999999064,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v6.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.158610000175031,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v6.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.7807300000422401,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v6.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.158290000170382,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v7.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.1674999999286229,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v7.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.7544099999449827,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v7.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.252279999993334,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v8.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.248879999957353,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v8.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.7802099999480561,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v8.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.2779600000831124,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v9.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.201050000054238,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '30x30_empty_v9.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 0.7864399999107263,\n",
+ " 'посещено_клеток': 379.0,\n",
+ " 'длина_пути': 379.0},\n",
+ " {'лабиринт': '30x30_empty_v9.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.155060000040976,\n",
+ " 'посещено_клеток': 55.0,\n",
+ " 'длина_пути': 55.0},\n",
+ " {'лабиринт': '50x50_deadends_v1.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.8954199999825505,\n",
+ " 'посещено_клеток': 729.0,\n",
+ " 'длина_пути': 729.0},\n",
+ " {'лабиринт': '50x50_deadends_v1.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.8011099999966973,\n",
+ " 'посещено_клеток': 729.0,\n",
+ " 'длина_пути': 729.0},\n",
+ " {'лабиринт': '50x50_deadends_v1.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.820240000028207,\n",
+ " 'посещено_клеток': 729.0,\n",
+ " 'длина_пути': 729.0},\n",
+ " {'лабиринт': '50x50_deadends_v10.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.7890000001225417,\n",
+ " 'посещено_клеток': 261.0,\n",
+ " 'длина_пути': 261.0},\n",
+ " {'лабиринт': '50x50_deadends_v10.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.94999999994252,\n",
+ " 'посещено_клеток': 261.0,\n",
+ " 'длина_пути': 261.0},\n",
+ " {'лабиринт': '50x50_deadends_v10.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 1.0044500000731205,\n",
+ " 'посещено_клеток': 261.0,\n",
+ " 'длина_пути': 261.0},\n",
+ " {'лабиринт': '50x50_deadends_v2.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.0780099999919912,\n",
+ " 'посещено_клеток': 249.0,\n",
+ " 'длина_пути': 249.0},\n",
+ " {'лабиринт': '50x50_deadends_v2.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.8470900000920665,\n",
+ " 'посещено_клеток': 249.0,\n",
+ " 'длина_пути': 249.0},\n",
+ " {'лабиринт': '50x50_deadends_v2.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 1.1555500000213215,\n",
+ " 'посещено_клеток': 249.0,\n",
+ " 'длина_пути': 249.0},\n",
+ " {'лабиринт': '50x50_deadends_v3.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.9816600000704057,\n",
+ " 'посещено_клеток': 297.0,\n",
+ " 'длина_пути': 297.0},\n",
+ " {'лабиринт': '50x50_deadends_v3.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.8496700000014243,\n",
+ " 'посещено_клеток': 297.0,\n",
+ " 'длина_пути': 297.0},\n",
+ " {'лабиринт': '50x50_deadends_v3.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 1.18772000005265,\n",
+ " 'посещено_клеток': 297.0,\n",
+ " 'длина_пути': 297.0},\n",
+ " {'лабиринт': '50x50_deadends_v4.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.5539699999862933,\n",
+ " 'посещено_клеток': 413.0,\n",
+ " 'длина_пути': 413.0},\n",
+ " {'лабиринт': '50x50_deadends_v4.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.6492100000050414,\n",
+ " 'посещено_клеток': 413.0,\n",
+ " 'длина_пути': 413.0},\n",
+ " {'лабиринт': '50x50_deadends_v4.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 1.9135399998958746,\n",
+ " 'посещено_клеток': 413.0,\n",
+ " 'длина_пути': 413.0},\n",
+ " {'лабиринт': '50x50_deadends_v5.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.1528699998507363,\n",
+ " 'посещено_клеток': 309.0,\n",
+ " 'длина_пути': 309.0},\n",
+ " {'лабиринт': '50x50_deadends_v5.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.7570300000897987,\n",
+ " 'посещено_клеток': 309.0,\n",
+ " 'длина_пути': 309.0},\n",
+ " {'лабиринт': '50x50_deadends_v5.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 1.199769999993805,\n",
+ " 'посещено_клеток': 309.0,\n",
+ " 'длина_пути': 309.0},\n",
+ " {'лабиринт': '50x50_deadends_v6.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.0987699999986944,\n",
+ " 'посещено_клеток': 337.0,\n",
+ " 'длина_пути': 337.0},\n",
+ " {'лабиринт': '50x50_deadends_v6.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.9475800000236632,\n",
+ " 'посещено_клеток': 337.0,\n",
+ " 'длина_пути': 337.0},\n",
+ " {'лабиринт': '50x50_deadends_v6.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 1.3809099999434693,\n",
+ " 'посещено_клеток': 337.0,\n",
+ " 'длина_пути': 337.0},\n",
+ " {'лабиринт': '50x50_deadends_v7.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.8687199999258155,\n",
+ " 'посещено_клеток': 261.0,\n",
+ " 'длина_пути': 261.0},\n",
+ " {'лабиринт': '50x50_deadends_v7.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.8890300000293792,\n",
+ " 'посещено_клеток': 261.0,\n",
+ " 'длина_пути': 261.0},\n",
+ " {'лабиринт': '50x50_deadends_v7.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 1.1017699999683828,\n",
+ " 'посещено_клеток': 261.0,\n",
+ " 'длина_пути': 261.0},\n",
+ " {'лабиринт': '50x50_deadends_v8.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 1.7002200001115853,\n",
+ " 'посещено_клеток': 565.0,\n",
+ " 'длина_пути': 565.0},\n",
+ " {'лабиринт': '50x50_deadends_v8.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.7665699999724893,\n",
+ " 'посещено_клеток': 565.0,\n",
+ " 'длина_пути': 565.0},\n",
+ " {'лабиринт': '50x50_deadends_v8.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 2.3602600000231178,\n",
+ " 'посещено_клеток': 565.0,\n",
+ " 'длина_пути': 565.0},\n",
+ " {'лабиринт': '50x50_deadends_v9.txt',\n",
+ " 'стратегия': 'BFS',\n",
+ " 'время_мс': 0.7835800000066229,\n",
+ " 'посещено_клеток': 209.0,\n",
+ " 'длина_пути': 209.0},\n",
+ " {'лабиринт': '50x50_deadends_v9.txt',\n",
+ " 'стратегия': 'DFS',\n",
+ " 'время_мс': 1.0580000001027656,\n",
+ " 'посещено_клеток': 209.0,\n",
+ " 'длина_пути': 209.0},\n",
+ " {'лабиринт': '50x50_deadends_v9.txt',\n",
+ " 'стратегия': 'A*',\n",
+ " 'время_мс': 0.8593499999733467,\n",
+ " 'посещено_клеток': 209.0,\n",
+ " 'длина_пути': 209.0}]"
+ ]
+ },
+ "execution_count": 16,
+ "metadata": {},
+ "output_type": "execute_result"
+ }
+ ],
+ "source": [
+ "RUNS = 10\n",
+ "results = []\n",
+ "\n",
+ "\n",
+ "for filename, maze in zip(filenames, list_maze):\n",
+ " for strategy_name, strategy in strategies.items():\n",
+ " try:\n",
+ " solver = MazeSolver(maze, strategy)\n",
+ "\n",
+ " times, visited, lengths = [], [], []\n",
+ " for _ in range(RUNS):\n",
+ " stats = solver.solve()\n",
+ " times.append(stats.elapsed_ms)\n",
+ " visited.append(stats.visited_count)\n",
+ " lengths.append(stats.path_length)\n",
+ "\n",
+ " results.append(\n",
+ " {\n",
+ " \"лабиринт\": filename,\n",
+ " \"стратегия\": strategy_name,\n",
+ " \"время_мс\": sum(times) / RUNS,\n",
+ " \"посещено_клеток\": sum(visited) / RUNS,\n",
+ " \"длина_пути\": sum(lengths) / RUNS,\n",
+ " }\n",
+ " )\n",
+ " except Exception as ex:\n",
+ " print(ex, filename, strategy_name, sep=\" | \")\n",
+ "\n",
+ "results"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 17,
+ "id": "f6cfb407",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "text/plain": [
+ "120"
+ ]
+ },
+ "execution_count": 17,
+ "metadata": {},
+ "output_type": "execute_result"
+ }
+ ],
+ "source": [
+ "len(results)"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": 19,
+ "id": "c6d14f8d",
+ "metadata": {},
+ "outputs": [
+ {
+ "data": {
+ "image/png": "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",
+ "text/plain": [
+ ""
+ ]
+ },
+ "metadata": {},
+ "output_type": "display_data"
+ }
+ ],
+ "source": [
+ "import matplotlib.pyplot as plt\n",
+ "import pandas as pd\n",
+ "\n",
+ "df = pd.DataFrame(results)\n",
+ "\n",
+ "metrics = [\"время_мс\", \"посещено_клеток\", \"длина_пути\"]\n",
+ "titles = [\"Время (мс)\", \"Посещено клеток\", \"Длина пути\"]\n",
+ "colors = {\"BFS\": \"#4C72B0\", \"DFS\": \"#DD8452\", \"A*\": \"#55A868\"}\n",
+ "\n",
+ "fig, axes = plt.subplots(len(metrics), 1, figsize=(12, 14))\n",
+ "\n",
+ "for ax, metric, title in zip(axes, metrics, titles):\n",
+ " for strategy_name in df[\"стратегия\"].unique():\n",
+ " subset = df[df[\"стратегия\"] == strategy_name].reset_index(drop=True)\n",
+ " ax.bar(\n",
+ " [\n",
+ " i + list(df[\"стратегия\"].unique()).index(strategy_name) * 0.25\n",
+ " for i in range(len(subset))\n",
+ " ],\n",
+ " subset[metric],\n",
+ " width=0.25,\n",
+ " label=strategy_name,\n",
+ " color=colors[strategy_name],\n",
+ " )\n",
+ " ax.set_title(title, fontsize=13)\n",
+ " ax.set_xticks([i + 0.25 for i in range(len(df[\"лабиринт\"].unique()))])\n",
+ " ax.set_xticklabels(df[\"лабиринт\"].unique(), rotation=90, ha=\"right\")\n",
+ " ax.legend()\n",
+ " ax.grid(axis=\"y\", alpha=0.3)\n",
+ "\n",
+ "plt.tight_layout()\n",
+ "plt.savefig(\"results.png\", dpi=150)\n",
+ "plt.show()"
+ ]
+ }
+ ],
+ "metadata": {
+ "kernelspec": {
+ "display_name": ".venv",
+ "language": "python",
+ "name": "python3"
+ },
+ "language_info": {
+ "codemirror_mode": {
+ "name": "ipython",
+ "version": 3
+ },
+ "file_extension": ".py",
+ "mimetype": "text/x-python",
+ "name": "python",
+ "nbconvert_exporter": "python",
+ "pygments_lexer": "ipython3",
+ "version": "3.14.0"
+ }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}
diff --git a/skorohodovsa/task_2/practice/results.csv b/skorohodovsa/task_2/practice/results.csv
new file mode 100644
index 0000000..8e373ed
--- /dev/null
+++ b/skorohodovsa/task_2/practice/results.csv
@@ -0,0 +1,121 @@
+лабиринт,стратегия,время_мс,посещено_клеток,длина_пути
+100x100_spaghetti_v1.txt,BFS,9.2513,205.0,205.0
+100x100_spaghetti_v1.txt,DFS,8.2451,2129.0,2129.0
+100x100_spaghetti_v1.txt,A*,7.1113,205.0,205.0
+100x100_spaghetti_v10.txt,BFS,9.2555,207.0,207.0
+100x100_spaghetti_v10.txt,DFS,8.1821,2489.0,2489.0
+100x100_spaghetti_v10.txt,A*,8.4803,207.0,207.0
+100x100_spaghetti_v2.txt,BFS,9.3921,217.0,217.0
+100x100_spaghetti_v2.txt,DFS,6.7196,2063.0,2063.0
+100x100_spaghetti_v2.txt,A*,10.5764,217.0,217.0
+100x100_spaghetti_v3.txt,BFS,8.4084,217.0,217.0
+100x100_spaghetti_v3.txt,DFS,5.7855,2107.0,2107.0
+100x100_spaghetti_v3.txt,A*,6.3385,217.0,217.0
+100x100_spaghetti_v4.txt,BFS,8.8661,205.0,205.0
+100x100_spaghetti_v4.txt,DFS,6.8166,2409.0,2409.0
+100x100_spaghetti_v4.txt,A*,6.1874,205.0,205.0
+100x100_spaghetti_v5.txt,BFS,8.3117,217.0,217.0
+100x100_spaghetti_v5.txt,DFS,6.3364,2071.0,2071.0
+100x100_spaghetti_v5.txt,A*,8.495,217.0,217.0
+100x100_spaghetti_v6.txt,BFS,8.212,243.0,243.0
+100x100_spaghetti_v6.txt,DFS,7.0348,1869.0,1869.0
+100x100_spaghetti_v6.txt,A*,12.8413,243.0,243.0
+100x100_spaghetti_v7.txt,BFS,8.3471,211.0,211.0
+100x100_spaghetti_v7.txt,DFS,6.1699,2283.0,2283.0
+100x100_spaghetti_v7.txt,A*,6.9637,211.0,211.0
+100x100_spaghetti_v8.txt,BFS,8.3499,221.0,221.0
+100x100_spaghetti_v8.txt,DFS,7.1166,2473.0,2473.0
+100x100_spaghetti_v8.txt,A*,9.5093,221.0,221.0
+100x100_spaghetti_v9.txt,BFS,8.5536,209.0,209.0
+100x100_spaghetti_v9.txt,DFS,5.4126,1939.0,1939.0
+100x100_spaghetti_v9.txt,A*,6.7365,209.0,209.0
+10x10_path_v1.txt,BFS,0.032,13.0,13.0
+10x10_path_v1.txt,DFS,0.0341,13.0,13.0
+10x10_path_v1.txt,A*,0.0399,13.0,13.0
+10x10_path_v10.txt,BFS,0.0323,13.0,13.0
+10x10_path_v10.txt,DFS,0.036,13.0,13.0
+10x10_path_v10.txt,A*,0.037,13.0,13.0
+10x10_path_v2.txt,BFS,0.0354,17.0,17.0
+10x10_path_v2.txt,DFS,0.0433,17.0,17.0
+10x10_path_v2.txt,A*,0.044,17.0,17.0
+10x10_path_v3.txt,BFS,0.0348,17.0,17.0
+10x10_path_v3.txt,DFS,0.0492,17.0,17.0
+10x10_path_v3.txt,A*,0.0439,17.0,17.0
+10x10_path_v4.txt,BFS,0.0476,29.0,29.0
+10x10_path_v4.txt,DFS,0.0475,29.0,29.0
+10x10_path_v4.txt,A*,0.0652,29.0,29.0
+10x10_path_v5.txt,BFS,0.0302,13.0,13.0
+10x10_path_v5.txt,DFS,0.0334,13.0,13.0
+10x10_path_v5.txt,A*,0.0371,13.0,13.0
+10x10_path_v6.txt,BFS,0.0307,13.0,13.0
+10x10_path_v6.txt,DFS,0.0339,13.0,13.0
+10x10_path_v6.txt,A*,0.0375,13.0,13.0
+10x10_path_v7.txt,BFS,0.0401,17.0,17.0
+10x10_path_v7.txt,DFS,0.0499,17.0,17.0
+10x10_path_v7.txt,A*,0.0489,17.0,17.0
+10x10_path_v8.txt,BFS,0.0615,29.0,29.0
+10x10_path_v8.txt,DFS,0.0536,29.0,29.0
+10x10_path_v8.txt,A*,0.0801,29.0,29.0
+10x10_path_v9.txt,BFS,0.0579,17.0,17.0
+10x10_path_v9.txt,DFS,0.046,17.0,17.0
+10x10_path_v9.txt,A*,0.0468,17.0,17.0
+30x30_empty_v1.txt,BFS,1.1046,55.0,55.0
+30x30_empty_v1.txt,DFS,0.7781,379.0,379.0
+30x30_empty_v1.txt,A*,1.9965,55.0,55.0
+30x30_empty_v10.txt,BFS,1.1246,55.0,55.0
+30x30_empty_v10.txt,DFS,0.7002,379.0,379.0
+30x30_empty_v10.txt,A*,2.0086,55.0,55.0
+30x30_empty_v2.txt,BFS,1.1401,55.0,55.0
+30x30_empty_v2.txt,DFS,0.7263,379.0,379.0
+30x30_empty_v2.txt,A*,2.0245,55.0,55.0
+30x30_empty_v3.txt,BFS,1.1038,55.0,55.0
+30x30_empty_v3.txt,DFS,0.7249,379.0,379.0
+30x30_empty_v3.txt,A*,2.007,55.0,55.0
+30x30_empty_v4.txt,BFS,1.1224,55.0,55.0
+30x30_empty_v4.txt,DFS,0.7053,379.0,379.0
+30x30_empty_v4.txt,A*,1.989,55.0,55.0
+30x30_empty_v5.txt,BFS,1.1294,55.0,55.0
+30x30_empty_v5.txt,DFS,0.7202,379.0,379.0
+30x30_empty_v5.txt,A*,2.1138,55.0,55.0
+30x30_empty_v6.txt,BFS,1.0843,55.0,55.0
+30x30_empty_v6.txt,DFS,0.7746,379.0,379.0
+30x30_empty_v6.txt,A*,2.009,55.0,55.0
+30x30_empty_v7.txt,BFS,1.1449,55.0,55.0
+30x30_empty_v7.txt,DFS,0.7076,379.0,379.0
+30x30_empty_v7.txt,A*,2.033,55.0,55.0
+30x30_empty_v8.txt,BFS,1.3196,55.0,55.0
+30x30_empty_v8.txt,DFS,0.7794,379.0,379.0
+30x30_empty_v8.txt,A*,1.9972,55.0,55.0
+30x30_empty_v9.txt,BFS,1.1088,55.0,55.0
+30x30_empty_v9.txt,DFS,0.7131,379.0,379.0
+30x30_empty_v9.txt,A*,2.0128,55.0,55.0
+50x50_deadends_v1.txt,BFS,1.7809,729.0,729.0
+50x50_deadends_v1.txt,DFS,1.7167,729.0,729.0
+50x50_deadends_v1.txt,A*,2.5217,729.0,729.0
+50x50_deadends_v10.txt,BFS,0.7362,261.0,261.0
+50x50_deadends_v10.txt,DFS,1.7627,261.0,261.0
+50x50_deadends_v10.txt,A*,0.9753,261.0,261.0
+50x50_deadends_v2.txt,BFS,0.9246,249.0,249.0
+50x50_deadends_v2.txt,DFS,1.7347,249.0,249.0
+50x50_deadends_v2.txt,A*,1.0804,249.0,249.0
+50x50_deadends_v3.txt,BFS,0.945,297.0,297.0
+50x50_deadends_v3.txt,DFS,1.7483,297.0,297.0
+50x50_deadends_v3.txt,A*,1.0832,297.0,297.0
+50x50_deadends_v4.txt,BFS,1.5487,413.0,413.0
+50x50_deadends_v4.txt,DFS,1.6526,413.0,413.0
+50x50_deadends_v4.txt,A*,1.9521,413.0,413.0
+50x50_deadends_v5.txt,BFS,0.9255,309.0,309.0
+50x50_deadends_v5.txt,DFS,1.7299,309.0,309.0
+50x50_deadends_v5.txt,A*,1.1469,309.0,309.0
+50x50_deadends_v6.txt,BFS,1.0637,337.0,337.0
+50x50_deadends_v6.txt,DFS,1.7728,337.0,337.0
+50x50_deadends_v6.txt,A*,1.3449,337.0,337.0
+50x50_deadends_v7.txt,BFS,0.7827,261.0,261.0
+50x50_deadends_v7.txt,DFS,1.6948,261.0,261.0
+50x50_deadends_v7.txt,A*,0.9527,261.0,261.0
+50x50_deadends_v8.txt,BFS,1.5551,565.0,565.0
+50x50_deadends_v8.txt,DFS,1.7707,565.0,565.0
+50x50_deadends_v8.txt,A*,2.3158,565.0,565.0
+50x50_deadends_v9.txt,BFS,0.6693,209.0,209.0
+50x50_deadends_v9.txt,DFS,1.052,209.0,209.0
+50x50_deadends_v9.txt,A*,0.7957,209.0,209.0
diff --git a/skorohodovsa/task_2/practice/results.png b/skorohodovsa/task_2/practice/results.png
new file mode 100644
index 0000000000000000000000000000000000000000..e94ceb8b8359a1c2923b333b970c3bfd9168e68b
GIT binary patch
literal 223043
zcmeFZ1yogS*EYIsFi{jFMN*VdkWQ6O1*Jn;q+1#l6{RGkHlb1?CEcJ1(jXz7(rmh$
zGZ&@L`+omBzVn^`oHNcCXOHpV18mk_>%Q+f=QXc+&H4JSl<=wJgvU`R)G1LB0T~qP
z7#0eJbrb6-{3KC}JO}>av=mgZlr_<{w9zovK}l*@ni`r|8tQA3S?icv=$jZbGu*h&
zz(Gg$$kNi(f|HTaX#X7yCgysK)IyDla20G*5k(6W3jZAP-vPad1{u@=6iQU!*8L};
z<6Xy|oPV&iJmcr87WL|?>fLFI{+ra<`z2ln@eY4`S?=EY_4Ye*tmEWY
z6mZVp54jK}elH4JCYox_xpt!{uLy^=f_l8VyKBWMTu-tytcG+ltS!f)uG1cuxXkP@
z+``Vwg^^N-YwsKQxBK!fc;wyJG8Xpjz5hpj6&Arcxc?pR?Poaq-%Ou9=eqxmi}zcy
zKi79~J$!lpSG^RJSn!y;uS@^m|0sdhpc`70moHx)prEA{eS=4TbvWEUiF>hCE7f*R
zx3cFD5v$?b^_4mCZ_keCbYvRI1=_mf(N`BTX_mM>dWEbenUv4YYMqIWiK*-^u-9oz
z)tN0m!6=fbl%d_8uHW>uiu6hE0S<@dFY_bycPjm9wXAH<5VQYWA8$#H81KkpZ0|!B
z)a}mB+I|&G)2j>ESX(-F$$oL%N8M>faCLFwn(gd>&+}tvDka&vD2p~0i57Z&kDS0O
zFT3PS_u}{kU$p`|MfF-wBDR2QN!hop$6GJg@va%Be@Au;=he=}ySQ5_iAzcxA>}L>
zY150KKXmlubqcIsDOzO%@8s1!kgCkiH%g-;vbyc!{pl2$s4G{#9lLas&#LHW6cciX
z0_S#4lbbKsRDNRuODrCvngmaFZ)}8`Ts2SnJ6{Jd;7U+zJ`Jn)0a
z#Q*Ap&q2;wKIDQ?))VdKb2V(}1sZQ+4)caJUtiy9%;OTbvqMwJ3h+nmn1;)hde^Qb
z)x7E{cy_yh4x7=2(gb;SlWy)gUJ}(zyM@Qh58|jp=a)Q2uu2J89+%%a!$Ya=xbSYg
zGpA9)=(F>1S{<*SR2XM)i57dKB7<@!UE^8r%s|y%r3E%KH
zXZY5CuIJBIUixEeb5b#{QSRd1Il7ML-YH4hQf5T9cU0+j7
zn0(A1E$EKN;vA`7nq=S7_)nyed)%Hb5`#ubd;QZPylN0?vqC{ljCW1
ztfD!ZrEh`-e7!mwGe(&rDb`<}CLx^7$eYZqq6}>UE43&#;CyCO;Y;=Ho>}gs#ud)h
zFN$fpLrXS2j%?rAZ|X{Z9G#DOy0CH3lAebo>{Dd-&6w(u^RWj)vMs;EaeVAF#`*L?
zyxb`akI(XwKGR}iRyR`-X4Pw{%SJsWBKVqo(nXA`rcJ-DXl{PBykAK{0IzJCdN0&yq5-(r|;vs*Y#r
zuyA8^n3pB^N!``z_~b$*uulKco-2x}+S5x@g=pIix&xP4
z7AN%T?g70VHYpREl0TkWB{4ht(Vc-w^!uwzP72M5%7J}rmXd|lQI4v9h6fP$m#Nhh
zcQfsri0=_!UB30{=LFcF42aasN-roDstfmelJc}mB!0$j{7UE=8)mI^U1J5TqAD&R
zLyYVAb(PrJDR33)(>5DRp>NVtj&1TFw_*BuCm8ViQ&Lfhwj`<6OqF?G3XGGD)y+=y
zBCC>UZ(+#^*tAi7&Nw0RBY{+L^yi1?1YN8K&2(+~wrTmBtC%5M$@v%P^4x`H<-tI8
zCm)DCItIsonvSM_7Q=npW_5L|FkSRpdPQ+4R!I_eufxi0SVIpID_u}KOMoK?27ii!
z<&hm6pz8UlD8~Y^cUQmlSe2kx=j!+dr~AI2qYX(I>&!_b*jR>GS{^0pS8dUzY9Wmq
zsC0DI2HYM6xQr9jv}+3(8?hVIG&JZ4`=v=1=bm`y9s<44v+ElW8U1BvmU^5c-j44?
zA+p^lG!MUWW$_$=xcc2jy)=X@?b_~I+BJMF|CzpphujYPgFUdZwYioo
z>UxB9ZE1=v@@TAdgt0HLJ3ixSFKdIYT&tJP!oo+qh}fi(iZ<>1#v3w5lZ>lTvHM$v*WWV5T0=IPv{Kie_o=qe?J#24QE4
z*sa2+hmMKCBR=1%RW{BM9I8R60XywdUSB
z@{l-UNpI`65ij}g&+$o>=4gvr4q@HeP}&@e;aXEPgg{kRqjv3c`X6GB)5|A?BKYBQ
zEbXs>NU3{v-%qgx#j!@%4iU_iyCogDm_#o4CP>)Y^AcY-B?AlXr>z(!ok}+%OQpN2
zckWhE)0nSLaZRK*4pcD~-NaUvl#&W%ujfwHS{!d1((@!_c^1i!U@@|D7k5q}Y2(7^
zRrw@3@RaYcajDB2qQwUxg4E4A=7x7c1Thfu8&!G&pogV`LiPJpi@NhEFNG6=xDuSI
z(VL#I3!*EtgEea`1PYmkigRq2oY&2mIqwOd%N1?;b;83gANF;y@>;UxL>k0(22lwK
z|5HS)+UzoQ^daf0*`^;P!nxa;G6He}Z0bJ>M#J@V@ArWlx&pV#Ia)wVOUnd7Xl|{`
zriWyv{vEQM>-691f3pUi%({aoVhsz+h8I__cP-Ji&+Sx
zI&WL9Rs8vDa&+yNk-u`I@Yq4hB^j~dc9oP$R_Q~vVO&&rCrLPOvKRXfkinZ=L@0LF
z$ISp=#q?>XWuv6|bnh*Kn~&bMO2ys|VG8d@m0aHODK6Pd;3$GJ
zF7-U=Kh>6LglcAfxbsT$91!Xs8Jj{L+bzL!ZjhT^V?TI
zzLdBCNZLy=&Te&hkj=YLAM+;R8Y&gu{!rviWT%O_tg8otI=^DwK66;;bdo|!vAg%S
zb3uO1?-8$>mucXPKI@8nyZ!p#lF98a7;;J1GBe^i{&5izk?UvBf2E0E6dphRJl>Tj
z567KC*o*kJHGBEfeA_uOu;eHaA9CNIiyPRyqJNfFK}`6BaYtqiCDz$IFJcbOu^Djs
zGBFatpS-Vl#2@a1Fgt)?#)A8W%fC;|tp(64N8NsLJgIaW
zcp$g-HWz7hCeL;4pYtUzuTf_QhtZo5N}9`5E3vr&HOwpWI={8Sr)cfq&Ck{>t?n;&e4*d3HUPcVk{QnBD9n_e=?{4CI}UUhSU?
z(_-^S^%B&VnHrik(gSndg7lGPdCU6T)hZ^CBvQ2gAYQgo!v)(+0w9vSu3TSiuPaCxTR*WaJA%!|aYL_p5V
zePPvdGb<@-(N_0CL~dAf0g*!bTtZssSJ#t$JbpiU*vjN{-=BiZD(q-+Pfl74?zA
zT1njwT+gNf#spk)TD~RZMNCU29^g^lqmrU27(;P_Vu1sN!)P5fdD?)hkZ;Epdt1)x
zK?a+(!ecYp8SKTLmpObgrK|dKBE=?~RY1859K$LIyp)Zx(t&Wm%HbIY!7uV^thu@#
zo|}7fE$J;p4%chEg5K2xUi^ZhOJt&JtLigdfHI)4POV-zFY2{vV#YWFbSonw}=Ou42sjC-CUXrxze3*RD5R{Bhi4T!#SnkDfkgz1W1BM$#_%w0ko
ztqxl?MNngTU*ZezFG{l*mYPeuA17lbPZBI`j1YS}uadVt&RboS$E+ULkNt`tUY-hd
zS{)sVWq4rI`}M$U8nbs~p)3XgHw{~_FSFatf3oGBu*f~N_s6K;?$k4Y8Hn_I3JX@Y
zAeR$|AZW3^lxsPv8AGR9=#X*okV(m=tR8N=h0}#kejIu^D@aaPME=R2mHAdC?^fa{&ae9Q8VN
z@jCzK2l3SMYPLG%ORA6%AgyMUq?{!c{^U2d?b<{ZRY1uv!awn6It$5ZRc*SckQAfu`zzt~
zsXzwRcFK!Zhd+eC{*(~z1n=!9b-VW9^Zgrqkdk29_0k{J7q52$g#4Gc03Uaq@5F_x
z{{2OL>{2nwnE8*NA;CCj@E5m9W;{aZYErNeu(E-`zL}oU_KbM$xoYNAIGlcJ$^~{A
zfLt5byOUJ8UbEzUB-vkR)LUF|4#zj0=11(pj=P|y{i
z6yCWr7Pe9zWwHHKH`s(pE@Eg=vGA-8W)_B%Myu{H^8y$beh3`Y015($jI(dSsU!!)
z8lZ6J4`oaCqlUOaX`M2D;Q;e2X3%nf?m}CG4
zBl*W*;o77h_%%_wiVG9_3xRS89cfL8TnUEVghcTji$QaFwpqXScx#GGft^+Gb&Y4p
z-YFLH6)@LvGcT|4ZLL!vnHZgVVJ9Uyi>N}93I~U2uM3@Wri7aP1j`EWF9Q%00~Buk
zy(>mf7VT10f6>GUuA4wQGZZ!43~|t#Z!=pWm`N~%&4d9c5r1H#UT$p8hue+O`Vlu3
z&CHZt5(hXh{lszRcj@eCY=juyU);J&_Psnrn@wFxmAlQ&4sJ?-y*>ei;9KiLE+}A!RW8}z?+YLeyzTPhPcJd
zI01PEJ(yPB@XS7PAu|^XpwoAnY)hjVz+i7xQAIl&c4ptm_8jt^_u;ZJR?K+(u0k-w
zsH53~j(cr9P4f5MIjI!Nz!Dz_HkH8b7Pnh}e|gG$rW7CDQw7MIUMc-;R1~FR{*#n^
zSPLez-vYrr_L(>J8%hR0?c?m;mtXzg6P&t&0fM=F7+lTyb)FkH?j1cvNO^{P+C?Ia
z^8p^60vX~~5o!|*H3|+ClU^-xFa*6eR=ko2&!!<2@rR>ZZaW;NM~cKh0L8AIayG72
z40#gU&J@jdX7XZgffpGuv#v*{c@=%CaTllGS)@?4{o*&=PN3mtXWk}zBZ+a*12}>?
zkk{2vTsIm8C`<{Fnn~76D&%IxK!D~g@a1qLB#W7x??yUvETrw!VhJ4kJ=q3;{=FI8
z1D;0|EQx}ccJCulos00Rpom=Shf!fx&5BIs10u|haYOIG#x5{p7q?y<9!WupAK>Gv
zr+`rKv}WJ`+wzzK`=yXLzIV0MqXBsIN}<=4Zs5HoJ9!J=w=-Q|*3@x3aoT=+NkBM{
zedV|3$7)h7b0xaslC*-(swPRjV^mkuJc3<}W9iij;87$_COQgWS$E5yC~vL}8`$vS
z&N1c8lic#E7i?BW1QNt~iTf?}kkd8u}ho#zjrBRB(agF#eO)O@`4hNy(cgqixP
ziCa1xavlY_wZ#d)41<EBWd#7wt@F1yRQEARi;MoL(k+%>QDk06P
z9w~`%TCJd*5({K7niWF;E?_Ifi7fMl)ED%nb~V(^-kz$H32%;`ro8Z{x&
z!K**02P$#Ob6C+3ZvHBa;;{X`daE@~mSzs?74_yWC%%2TuZ#`_e@ADwzy1pKzqy>s
zU#$d=j*^lxsLbWSq0~+%1ko$=Rs9_lO&_;QPZ~R(l^VU?`K|~~-_%j(2ndDTko3_Q
zS%5KAz=K1zMFB6ljOZ_Bgp68W6VQD(b5S6ztPrd)1swPd(T=7#S>bT!P1`wpC4}cd
zcx^~z&&}Ze0}a7hjT>*z5GQ0arh|xGCrWYro!3cXCT%y{!duUeemnddcAgw;E&%Fy
za%v7Ug8y;>Km%-ifbitz?)uS4^XfDeJb0Qj!(
zbX|>nt-q@Jnw75DxFu%9`YlOe12yO+*Or46#{scla$vY`emyZk&6{nPxkEmcUqXs;
z6>KM%q*g0&6ern?+9}^%eZbkbQ2Fi}df;QkZcTjq{nbCM4m*R7oLd9fQ%!MR
z^5B@rcc9=q`>`g<&PVP%34C=Ucp7)-lI_4*zr!aNe)_!7&nkWW_nuKlMMZ5F0;bry
zEM;GIs9M$w$`m@-GB?~6CjKq(mnq@k0%oe`YN0bn4`&WLsv&OO#-Wntq$N?GZH@LX9G38t%9VT`2E%8Z8LWl~+2v4UyQ0|lT
ztvDCk51x)a9+8-qA>LicDe91g~!Cd4E*Js7&?DMQAr0jU6JHeEAy!XQh
z{{;q>*7eRp$2`Q|y)N+?3w@k%3u9sjCNGXF@q4-zp(Nz>kE|2a3fd+3ls@05jl27y
zSTq^PtDbda4$UUA`C{1f_sAfp-)4=B-vTMaB)O#fsv4
z{--Ci>M1`Y-T8!FZ2Ho^88Xy?IZR7(AlOwE)S0C&YkpO(cwGv?dV`a7K7#Eg#wdi3
zQca7`BDs^Db?0>b7T47Lc%D{9fVk|&nG!EoSJ&Q<=bYE+Re;q`qQZ4V@6hnb;<^oL
zb*eVY8pM=jy8$uF5&MP3oB9zv?A5jpb4
z#OR&v;WrdFH@hm+lXUBoMgC`qs1)A^-b*nmB`BnP!Tl4AT_zmRWKi&p0T&~0J=sYM
z>DI7lG9%j|>4Qs+PJFBPh@uj8-=l+2^Sc@Hf?+}(<5iIoa_>;#!tMtIpiNJeFs
zW?|o6nErkS9Z|)*u$#`(mzSWDlyiacr8%XI@q>OFT#-;BqQ(#lD;_I
z!1;N6$wYHRWnfbF4k@a{FIx;}%96D;^`G=wl=A6t>5>2g`&ul6
zyx==Zd8B(BIoaAjy%q(eiqkiQTzA>R&F?$aj_n8fe^f2DU1RuKkulaNV!|qxwlOWHr_qwEkL^cMksH?j_L0|uqpTokz<;+|c
zTK3+~F9#upLGl87!g4lUR@`dIO?7|1#%p{0>BBQI7x(=d>i>)u?kwmPUL(i?ESCmh
zZ$NfXDTuF187b_IS7!E6Re0|fQ2ZqW=ORGO69O8VTTrlwa@ts>zL5>o=L!IcLC_ia
z)bVYpP)h{iOkCf8QWv-B1*~E~LRCCVom#%nLk_EC8U{mIPZ9BmE8x4L5y1_TKNg8y5CqOo770^P^0
zT2svvOD0q_F9R>08J;S=<7h{s9Myk3mX{(Y;>Fq$c}|4j>P0uoqNd&YjY~Nsh&P^h
zb@pP;x;}<1!5kb|6_7OyVDJS9X@}roB=@>}=Veg6>vkC|Xm2G^`~u5%hx>psjE4LO
zG8sB3*`}Nax6AGPgFp{alh8tn%~I!0$Rd_&GZjAAqr6jt0H%SU&-vE+s)5PwQzYJP
zSftBp^BEJE?;(&f?AuJ-&fge9i}24Zj9MA`cwGx!^%!u%o9uCiucKOIzUwj(yLUof
zmRSG%_tIHcgq??yqJ&bWA%Vo{m|umC_H!1HW#4lf!LVIfrh=hDmvEB_+(!Arw|1AWV}SR4{whh^+!
zN8nYNAlPij?T_a!?SCGQeojf*SW7aaH}|Yt{(OVDIVgh45t0-RmM@e=DiP-%7Z+y^
zGO$Xd&NFfM0NIe?lf~5pw$I_?f>(Ag<#N*@jO;!LCIf)1tpJul8~CVH5a!XUWPiD7
z)P5hZC^dp3)9)PK|8(*nOW3!6Wg02Z@vkG0EuceU)b#hwwEZ{Cl>aB6yzMH&C5ID&
z8VGj&#Es#ctD8PicmZ$zsd$<^lH;gQrozVE%RPBYEA(d_|7Y1BQdWk`5oP>)^$th$
z9|-e5$apnQ-A1`-{C$@@cSt7mZ?4mgV}iz}&Kylk^3wj?URXh;y!^jjbQVc^1U}y-
zkd@os@d=TfwDo>{-0k>3Lcsq_x4g~rmpnUFrxr2D>iC)F)j}53I!T|p?QRCDoInU?
zvktKFppP)A4-_ZF5c~liRHn$u(RRLG*g_$F@4YA&$BVbFkOS4^hp25gH`h$!p!l9{
z+@%Cn78(#WA$eA1@3-fXs?sj86n!4og}0Ts$OT+lf3F?>;6-fMmKwbdBny+)kCXbp
zKL5f#k`ABt>A@f4!_kNO>msH_8tR`^pvGGjt+-_cK1VqJ=l;2Ic{H;?=*s!nbbWaS
z)U~%pf%*HZM2b=w24^K6$nXxTlHz{Ul9bMy>j*hhj^LSBXD$UG84@sD(LgiRpT^yP
zLbr=x`0`Ntasq9YI0UC^LRWpB&EEotIy7KbJ7IqqA<~?|OeHF$kT?3gfa-9yS%TACOZRlTb!WND$|#@h`h_g7jjQ#W_l=zy^&>G>jWvL>Hr
zpZT92)E#(e$4URGJw@x)aLWG9qKv1(vx2s6Xc&m`YYg?qIe!^CF9Gy^w3J{>;zT3~-4$(mQ}PTl?$FVC1W7@$0WoNW$^ArWwfHFF60
zh16}=oxmLnbBKMt^zX)p`W-NZ>&n*SkX8+8BNDC=M+`nSm{u5{UP(KKWCHfE6AIAv
zNxN|pKAVi(A%g5aAf138oaP+qT7MozLE>0t>lWjeLsX8WpvfX_4+0ah!3?frak(#Ym&Wsq6~=3p}_*1*GgOL
zg>su?@f`SnRv=C1r1hH$P`G1SR?JtfI^*=PSeGP%}9&EfGDuz5jFVR0i*e*^|;7q-DBlj%4fj{cT
zKho3x@NoNu-DSHP`DXhgsO3}tNPPdIssH=B#Q$02R|OTXHS~J~gBr6sltUJg(jamP
zL{SdO-ymeIfe7_~9EzuZWvo#f1CxpY#r~(i)6!~Jv`}EtNQGWO^si9$3odyWFPAs~
za(G|Jrc@DeDIolCD9=;0Yy3GoXZr!pAlWqZHpn9MCI==V?OEN{LW{aNC~vBuRpy~u
zqX7B#;rSZZS#v3oYn4DBNBt9&ws5fF971bUJ$J)3<;(;`%8v8`tw6bO0C*i=8tL#)
zCEK~CON*hD^#Qfsi*TKpT1Z~1LqR$`Gz_wXfvKV`R?$1#AAqCk5suuO6bW|mNhmB`
zWITP20alVLkL$bNIk}0Odyi8swjHKr}J)DQ6nef;8ywS}MQ5^=H>zL3>pN
zY-`QPH{hmTss=&*a{
zn&}dY*VFMp#q=>;kko?m&UkQzHZ=QuicV4I73Rw7sj}Eavo>O)7Fv|%kskd`=yTe2
zQ9?K|X^($h%>i+LsTnZ=_Y+f7`rA8?17FEV;Z8llXEaLC=IYgv+JeAt@aZwqaybpq
zqwWGE?svJf?}`>*W~qLNn$R%HqWD!|jyA>6_@=zTm5~2c_LELDq7{AP=$@gbZ_ie)vOD
zyk)NoQo~6#9~47cp9VlW7ywl1m*czWihn?*!$L@*19Uban#XWvd_3QrEu22oLxTma
zVdRjC27orT>Vmw=Wq{S@R^`;YizM*8rs6DG>yXQn0nA|yF|jv@hItlvz-{*DlEd`V
z0Vq1PYwThlx4XARKhwwtpiogrH4}(&Y7lE^nAX?YPv+1JSm%;ncDLIz0K;#es+Nl-
z&rF9TB8*C!}ko|OJ~nZf2i+;aGK
z)uTfaswWEyD8AhuK-5E@e_X3wrA_J3j)6DHUbK0hEj9zLVxX
zFE#5MXL!IlVWEuE*=1`_nZjS~{gR^X$P@J4H*zwswee8`M|ZD5ZumW|MX%uAf_5c5
z@W8UJhejzaH;O}e*YQSRT{DXlQPV{%19ju=eew^7!GfN&wiuEMo)9>`cPDUL1ItI#
zK1)kP&TF3B{V9%>hwt4REiPM;R5cRfT)G)ZR
zna3%Zl_UJ0A#OL})jSs&>vEBgH=f4+tXTDz1+JRrY(vryQ5T~Rli^(-Yv|cqm9O|B
z)^MKIoh5Gk0cQVgZTkN#23&>=7y)odtr)4|S3oty|C+oMqE-WHUoRa4`TXw7?FyL9
znM=HMhy({w=fHnaAjUICB>3QZqan>ng}PRGz#oALjv%5w2G!myfRzeRE?zNcPVfQK
zse*a{
zZ{Hf3Ip7-=Xoo=RL%?6^#^6dO1Ns{phC|8Wva!S
z4114=`brPf6{|_Np_AOFyO#$rPlur@I-sutZ*WTQYr}kRPa4B*Ecwy8dSCi9#stiQ
z`{3Dcb!GhQYlLgtd=VKlwpTy)dm_P<1^C$c)1yWNa~X}u2E
zR7#kgY*p8NqxCh6NtXD~Vqoy^i>9&F=gV9+bYj?#USZ~QHo4+;pmO~F;&xyOR$mp0
ztPgy-H3zUy9BNtG(8+sFpAw5l1Sd(YKxuZkjuAws9wO0~wV-^(#%HA}+R;jgMuHA}
zq1BA6ZmnbIUFq)4lQZ-B-6?AS+?sGgxV@zi7<1RE%;`W_?x&i$8YiI#Laf^^c*8COvamkyRYdb8~Rk5dk%EhKTd&q
z4{OD)cLjRXYzhCs+Fm?hI_e3UgSp-^8G);xv_o1EVk_yP(4x|04l)!
zJfoTl(7?1vPXvHA0j@vVV=~P>Cxcvt_cxF#yO9gN{aYIGe;?*-9szZg2O-PVs)-*S
z1X`Id3UqW0RNl1yc28X3c=#2yG7{;X+Gz|@BVFZIBVe#op{PNZr3`(>ZFp{MpfC&o
z-b62_3uI{3nO}$&u%SD&`NIJcbsZtYnFqQmPxN{aEhuD&ipD^N^aL9fXd5`Tdq^Ev
zCc*caDQ#YDnyUp4#Bb0VQEx)S{2Teta*0<#0at6DS4L_tfrzoyQZuRzJrU@V0Tm2T
zt(4Mb*^fpCR%gO*c%i?J5jq0u%()6S?ZNGpinF%p$;kM2nw60#8n+}WvsJvi7Wf2_
z5-~mc`JOJT(cGvzKj%qBGgBH1gP>s>qEJG3$h6KR`DC@2t^q1#OykgEWX%Hh)LSxF
zt4I80^1)}79o`Y(cek~G`Utd#Hn1#ENpHxp(3|m1T+lc8-aRCB0A1zL`a8bbu)r-n
z2fBSt>!1-rvddlvPHHM-(R5iIpu28s7E%jTOel+Xo7i#yXr21_*JrvaLxA^8&YKP?
zK8Xv#fEi!E?zXOPQ;7gAlyG*39c^gc949rps=7J*V1%%te{e*HH|wQC(_UHfW&Ff9
z-vcvBoQ5w@eAUA-@2
zsBIA3Mi@w*Io_x(4?IGtP-b&%;)HMq1~<00mYEypDB({y1|@iWIzL|6)B=#dCB-#y
zGsUy!zg)5PZrZm_tGP&T<#*Z%5EU>W1$w08*(j@vnzd^@lI?gcnoatuT*AoeaGR2D
z<_|%`?pA2f4^}Gz);GyHAaPA;HEzY~hnGhTrX_pcUJFs@fdDYYGjJi;=_&^7P@BEL
z>U}5ZSTL*p4x@oj6|#&~Uy9#3{CgF8e4`;&{%%1I2CTw7Mt^MSk&uDm(J_nKP!1XB
z88t)KtcAc6qA|Gjpz@V_|Myu}U(L7-o~Z0(i~Gr@Sk`ieym6)(IPRTavNB}94lz+=
zE?;F?d9poE=VO
z*>-{l;I(u~6&-uV=KG8p3C_BSJCDttSS_cE0d;?ctTYdm6FswXKY3;-W13GUZ$?K*9wmW72EMu~OM^Kyhwx~>rX%Z$HOJ)3vR+F8I47np8PwKsTO^wDhHn+~NcSBXu78Kn3R*wLO
zaUR}261bt$`!|%9K~Xxy)OdP4J}FlWnog)PQ{XlV@22gXXx2)P4UhgtNpQk}(EDPa
z8lg{~3q?zrG+oKpI%)xm+$GU&lEt~Alya>~5r|C2oA~v+)h0Bd)nd#!Dlq{r{~(QB
zC$g+*;P^v)?W~zZ?8PIRzhF=Y&qh8pS+Vyx%z5Hg<%89bfd!>OI~oUTYEHG`kdC8q
zXLdaz=hlnBKV!(Sy@YA+YIGJsM#llP#~bU5H@2H~GfjHJA;#d*nL=yu_!FI_$u13(
zJSeG_iSIeRLf{5p7EFM-5Hq$ZMF5YNWdWTK5bmI@#R6no9BQdKybw?D7c(K=*yPWG
z`Mt>K0_q|Z`n-NZ9N3ATsU`rJG)&e&8_0zOD5LF-o<5CzTjAAFO9&$=rSidMePND_
z`O~)*I`qq|Vg3yX@|l^e<3^L`zvNWA(HB-$H@k~KK#_VnE-oTs3i{&-2MAIG-Q#nu
zTHYK0PtAc_AWrsYRPSE-?as*5Ma{zU%NAz5gn|HyeJ5tRx0(+D!D0ptFu{Y?P_D6o
zZoe@IeU6g-oIvn|!sHLV>>8*ej3NbdXlAy|*S2tkKFU@CmdE#FI!0J5plyhUo-MHs
z(QG%OX`ELE@j+6<8Qv1R_q@_YcOszSf(98HV+7m}<1jpWEU(u4jYk%a#axtF8YH`M
zz!`}Hi&Y6g)6{~FnyC|d#yORmx%drtBAupLuV>?_o5_#IoAaL%H6L>^B9!S
zZKl+Qp<$5KDg>qpz|Kz^*mc*NSE1RG=fL-)rFzrZuriIi+DoEatdTaSekwF34H{dA
zETBkeHw*+7@8|-M6I?Lz=K9vrjnQ{o>%)9Q%y7~OXJg{FHkXQG5-f@6xnMK5gA<1=
z^v=jeK!f;6+vnYIN_t`bPeW5|=IeZIOrfsDTK&+ftBnXwG3U+q{qft|?r~yjyiv+L
zu@0JKxqtxS)c0?L8o?#Q>%34T^a?aglvXBMWVJcosse#kT}Kxq7*(Sq6w6=xC@c(+
zYD{e{_ngGs7KCs%tHe6!5wp6CX_w^uSO~B+M#^fS2A+k`0qF~2p)kCe33b+D%E|&=
zt>89d{1lxCFUo5&QEnVZEvet6udP6nLe0zvtIup=qo-um(yY|iKoVAybFV59kh5-X
ztu*gSNvJGK(g}v_uZjQ*hs_}FJT*AGu?}dLJ;HG@*j6ps6NHnGgxW?7ko?O6q=t3B
z8!%bNNS}Q55AMFX0Fuj)`Z$niSRny(&H*}`Lto?4aH^#tun&%~&{`CXd(s+{Sc?KP
zB$>-^?gGE4;dLOf5r#@lx)##$O&PFeT{23Ne)8(@d#%g7kOj!)MbdV*2eiWKYF){VAhP(%{B#H)-nK-f!0xX%*|8hpqr5kP%P^N
zd14Es$*t*uA4|dNI^H}bI(CTp+oNEZf5Q0LAgV(p0$LE6+3t>c`maKY{i+cF^TPxJ
zNgB+N0$V22#`_Rh!oX7=*7JffAr?))x4|&1ij;}mna=k%aI(3e3VEjXWd<~;(kK~r
zwHTW4wJSwT15Kmge$;Z^9~_SQw!=Ym+yss>3!fTm^o#FeGC?mBEG0kMvYMWuVPX;M
z0_O;U?U`xV`_GTL+hzk5PN(fgpfqbEV!3e0DCL_Nm{k4
z77u}(r|i*ONA~>x0(rv_Q=}}JLoOpyjrm3tWqDp4dMsRYJoZ5F|SXW2=G|FbB){VI0{K_?0|I3G}
zUen@#aZHP28%@DUcQmO(1vwNM(8Zl>FgSKIWi{W+vi>Y%y+V)B)ME40225<|@{o|^
z((#wNMtW-Rz9wLD7RV$XnEt>H!=t}07_F8(B7}1`Oj$J$j3%?3|detIAo(RpPD})zDOLl!DPHJsx!BaGM>g2`iWb9TswQ|$o
zI78Y5(+fVBg@FsG1r12(qc17dhF)-tbzw@@H=>B-oFPIBitt*7b3rR&ffPS=us?nS
z^x3=^IkA9k@^5Jv(u^Dn>Wdg&kOvzKg|wWgf_ZMG0FS-m>JX_s%jbOE9q0{q-Hfd3
zwH@e<1Qp@BKqYS=xvUqbdYl_Dpy|fyX8#4L>o)5`v6(g&4zC^+`R9m4Rohi_mCQa2{}3Yg!#om7ABfUkHclmz>u
zT3($Z(&c=`!cg#SJ2QPqB0!=aNnz{-qm7Cs4%lr(rHqac@$}dWns_zT(W~aBGXoum
ztJY}MvG7BUUYbW9hT0VW31}pome&`eDZH!(%#`d-IlvJ-X7Y0l_%lEdxyfxi2J=r0
zw+$*W=CH?A5(MaG1hBj!wY$Q;njjs)`yV38;%IIX=PWOCNKoO}=Xi+%JHaI*5)Ec3
z^t??rX-h3dikodxdZ(uMk&pC}(MFOZB;jHH{{DVy>baJ27Jx`XCM;u)AONSmyE#~c
zDGjEFrNv~ll)2O_#6`qK8p7Ne{8=m2?;DvN#wWZAXP6iYI39yrBrs++A1LpYlm+Bf
zZRi1~MNJp{CY$&v*Nl1
zv5@dI#SZTH3dS9*I78mBi1>=NG+Nhdjvw16&;kc344FPsm_S>icDuzs^-yc<(5Tc2nyh3
zU)Kity@N3OYN2cR)oOaq4t{)nP=Oj0t%%^9E(`ct^g!i1@qA<)15i4W0Ue2|d2&ee
zyjsc*a83X^aTb^>-5k|qwSp+1SAJhWS4mWTfJq=gLjigg1xHyTp4mK%h?ii(NTqom
zP>~7Lk20I?VP7;)3zl6JP?xnpeaiyCoJEUeRtH@MIwbwcAWV1g1!XaO2+}Qy5MR5Lm_B+M;CqF6-is6X
zAv^Tizxe*#)Jng>>``N;EVJmaP_#II(F=DrGKWi=D
zW6Df$?Yg?XUafZK*(5`=LCaj7=fbLlsHjhgz*;UVlp)4fJmXT-0QyF|(XWArdu%+A
z351sZHqb4JOPe!1;`;Qc<+#5hJCfocSeNU`^!tI@FlFG9{>%7QWOE$Y>0Z~Z9+=1>
zT6ct)&#AN1?FMuOBg(*5T`2t`Q)zNGId%dX+6EB(RhZmqzF`5*80rQN#aoxyO?#t;
z8_HNnJcHCo96D!95Kc=T
zEG1q#lyl84saO0jsBW^v<(k0@ecd#`$?0e%CAF^g@6Oyc5ZicA?b$1+aK;k9bVq+9-YHeVO*ZM4gG$@hyDH5G#j
zhB=g0puZjZbhd|vyirG30SIDMhEWS3unwPBXy4KpO5O^7%xFymsdzC*8U?^>MRm3p$pC+Mt$tgtJ5r}Mm#vX`VqFK
z=ik^GYkxs&O-x5tGDfxs{H8w93@5z?FcvjSM(n575;#@J+i2f6ejOue+GdetA3`f>
zA>Foz7PtTQi9}PU(%%P}9+2QJ!WK)AkyG7ZjT)JcMMk20p&-XWTeCloby162O9B3h
zgq_BdgsZtp50>$cF`7o2lolqCsX%`VA~>D-oln4i>7~U=D2T2g%3JfW?gaLUrVg*Z
zpIVgag$}x^t;js2_3Y$mNtN0NK6OaG!}^vC$&!%iV34er8Ue-Jes;6ZsiztGGI^JK
z56QQP*GZ{xQb@e#g`rBew0GaT7?|m>As4U8cB?@%HTJ*XrNffY{f_Es+s=)g6LP=f
ze;ueP**pUU;b&tnG=xsYr7y(27SD<`-6wu<7!iOjudAji(5?mmJydCBbmcM7J?D(<
zlJ4g^>&qzl{e;Ok!ZE{=1^0ep^m~o2rYX1qbN*zW`qkH^;O_PJY}}xx><(cRS_jb6hfK0QKZ$c;+sfTjhVz&W+rj>)+@}5%wBa0#;qOeVY>gqSk1%%1Aq)g5CaeW
zk>ohe1v^|75X&MuvZ$k}W~YC((ZC#04b@;sCjqDhxHIHl`5t#Lk}95vE^?o_k7Xu>
z)Tgc!$AIX6LD>frTLr
z33G)8J^YKI+C&sFh`iMv97rSyC?SxZAve*#HxXg74x-j464GjYkzVy^6hdZaJ^}ht
z8<6_Y5{zjRGt}I@>Nxs_)=MapwyZ;AN0z%JlHvEK7Vt*E>=z5wguxgLX~*x>Dh5A*
zKIrWESjj&Tld=q;lcXbZpPIOPOYpj!?3P;)B*EZdVHb*~^bln!ER-?4#{`Hj8{+LygobfF^Tq$qk_U)Kp+f47I`|H
z?a(laClIP|BV_%Q?UTTG4bFq|6DGV23;|9#B^-!|EQUIoaUQEnvF??So&kf!0G2NC|
zHH|D_8VWx&u3v`HO>b61oItC<*QeAAqapl&+{)W*Yd21miGI^*he;d)`b^J_9+~+j
z%NK$r4Q-_z#(9#+pahGPpyw7?U7B((CbWWnVb+##HEGFY(Prqlrya=P2kC-je&!lb
zS=!LAt{aEXHqnt)m!QsVF(fg!5#3^@ub(q&%kN#mpqg8b44qJGnCk^S9zE=7AaoY!
zpg4yN0c3kqfJy6ZNIedVJw{dX|rs7olM>ng22}ePgMcT4cUW6Y*M!iV4lOXJfy(3
zc-Hd${m<(`!LJrz=@|EHIYlk-j5?&NdAza7BmmH68i0lv0s`PGGI=8mP7xRM^wwFf
zLHb_?ofK&pGw4*PwuMpDVL%LZBYh8{Fs$>iI+D{gLXid}gWOWkZ7ZAp=-x2s;7m`G
za*worg!`dpC4$-Rb+#~}C=|Aw3mLZ82(vSWp;%U(nna-k?0YRtIK;px?Mc^RVEQr8
zE!gcZyIKY_>iVI1w)j^zQ0EfCQ27R2VU+G<$%ix-%R*O}MQBV+Oh^mN{Q4aVbI)k}
z+aMy1C#d8!q%FhvBd%d&q{z&R&vzVQd{-j@3|6p!iB@HD2$BFbHl{*vly|FVYqMqC
z22ni6<f?^BT|R^YOSp?t_Q|j6}VxAjas_
zOC?yw05#qlI6^v16hgKqW>qm-vNH#8ZI?E*qP{f$_!8WlGGeMjTZdQ820}n{8rKQ|
zb+Pf#QWT$E)F3scdSf{lq7q>b@7`VdBRr8IfqqCTJg2z^SO3{j&|3tWG!CtOi-1o|WzSAc^3EFgj2z
zfh?_QL3w5z=DB6q5ACW3V4CZ2dyU8jo7QSN9Dcr<>hZd;?p1>*=t~=-w&Z-ivPivt
zYGy7ow*wZjc1?b1>sjHg^Dt=(BrbOXfv!KlAGCe`>?I@B64-J{Kk)_>B_^y+;rp%!
ziSTnRAk3uwyv*I8uu!8Xhm#6SdxNbnxSD;)NUTcQ#qGZdF
zLidTIjf&KsOM8chA+yXc3X{(rHMj6dHK{HL{wf+lpYf_O9g65(t#jPr;IWqYOgpOO
z>JAQ6yI$;?l!xC%VY$mb+s+be;>mtDk+_z>b@{7Tar{8@WSJADJ!<3UaMTFwNo+OF
z$UST4TIG89)f~BJK=R9A)OvdCkVSaiArt0Pn0j^6l*bpA;pX{%RGTtLT#)s+?*0zl
zv_BedsPbwOL>e9>)a7d;0FWE{ty#P`dd*XGmaGLl@50qx-ETbRpPAKlgclXS0-jaw
zYg3Z9MXE1&B{O>_&nKF4=psiAp
z@0Tg%nH_LwvJ1r=$~P1y%g>dsc+lu6dnW*^?zXI+Ynbg56cD#?rt^6!=vAvjuRcrMd+EYLEtvD>LBM|*#{=$JOuxm(SXCS1e4
zX4cO0nfrWIC=7m1D~RG&VnYm?kMMEa_`aU2&E2Y68FQEj=as
z`GRJJ2$jTHaCNX)ev8Vp>X1Xa%lpT!>Hr-}=*&Td$Dt{*&m^OAFfl)xUbHu{P<(av
zUcOWCq2w3NUR^tzN@Mb6hhywa>6E2jb#JtjU({1a<-wbfVIcZZ9nz3(j#s^%cZ4p0KP9+SP3L`HlOj)&pZ{j|!ei
zCV8|CIVxB!{e!OvM${Yb9JLax-c>~x-y2a#l>8x3AqBb|_4$gDRmM{K>mAW|)bm1I
zwlq3x#9mXWbp};b>#_IXjf6Lg&$$~N&-H2knNTgaDEr=~=UCQrb1x1Sd?%x&l>Awe
zkLHbOG^-0;@Am)XqB5>BsJCuMhJl%?4(C{Q_>zfi%jS$u+F^t0w0nL&Y4lL%AIh3x
zTvK2I>wBqL)m9lDHL9R~GF$DXQ65A~d|a5o|9#dh)tMHHc^+ID0b6Njv8VTG*&+%o
zPu?zCoL#JuTQYbi(!g)5qIFQpWyfECs<+yzzM;@LQ6i
z!okMb!ddoq0S;-2+Q|iWNwcNR2KOB}_~o@SHz#!sRfkyk+)`Pg$B;=G+M|v>z>pmH-L8<3vK}w@k$NwynpVN!PjJ-(4
zQ+OWudV~%)|5UF|GyD8=y?P_%Ri(wCY`D_Z1IIp>S@Eca$;HJj@O`t`F))wyW6u#-
zblHBr)3SE$1xOfd=~=D`8+aLv^J20WGhE)E+PEnqq>@$%d=ISqw`DIy1YP~}WzwZxCAjn&dRnSk43
zyl2tp^1Q7}HPg~K7|bj+lHMmFo6S%+TDZ!Se?e;Y^YPH2lnLI~e@|i7cSTYHsTGZU
zW~`=!klMq(@1!?tCZ1*$Ts`koa;J9i4NQ*CjyWb(C)6?LWv{LX;%$nOj5TvH)$PTk
zM!YqZ>XI<-{MaJOWga8lWy5PwNY(T(U|k{yul3ib_O+pxmX!31&E2GKP&beew9o7Q
z!r^6J+y_{Jdc*RvoP+1Srm)7f#!bZ%z@=|Uea%wJXN@Phh88??xfkAb{-|ssvvjUy
z)ml5ZYO`h8>I?O@m;}uB-pjKyWQc!_$oa4rwYs#UU!;v56hw6_?^Zf2dt>ltwB*Tj
z(I~ks|Bv#{D&nIs4T&(7rj0&wgGV
z#=!V~Vwt+JFE+Ximx~8Ji?*QlT@hMW<|;eGtc1GL-*x4!H9YU7xzt63swhI;b37c5
zbQv>QP7H>!rp7fIgK;4Ca?7f?v-c_$W96z&R?GLFRXif&H1lG9Ojw`>qvp(5hQkHC
z&mz)l<~mf53+FCwpC^1ld|Bs#0LGzWVo}}{@+j?lg65g-4<#sqo4?Hj#$jtB6r(+{ur9|>&vSi07k|yuetR8&4seUx^Y-C{@rm$TND8ciOSd6_9
ze0wM6L2bX7+DL}7%#%S;meU|+dGc{aLV=pa*QJ+qIqH3_;GQiSA-RZQ|5BF~vt`0t
zjR_xj3F~NH?NC4d53InC%w3w&TRgn$tH1u$JA6%ROW9!4bLBDC%wo|lHA;Bb;#{2;
z%c>wRR#t*$wMRtnBujDwVBO{ir=K{ScN
zdvO6Z`G%htg*Pf&!hU?uA%3w?Srw5Z%+uNL*7o6bd(iq$7Jd;IJwo0+{ZMnI;dqlO-KfJ@w
z;cpMr6px0Yh7N3zyN5TcBTDhjvp7mhGR2pZmd-02VspTEi=_jLneXS#^`UFPzQuG0
zuf<){!k7L$?`aC3;`pnp?|Hk={acWF@ODdd8-MSSI^RH7Z*|_lWr;F#_KD91m)Cm5
zdl+Nvat`AUukz`>5IG}c^2#CZ>Hz&Fsb2-h+0R!iP6+R3t;-V3X2s`)PHjD>V|<_A9KnMtSXn(x%{>GYAg=AA(Ce7P2EqyRU
zbmIJ63$ugcIvbOj?kTJr+G^%=Vl-7`+M0HNfU+!So!40D`EFMc>1uKJu*#b?Z@!0j
zL@9qxVV$fD5@}x9#jNbV+q0)BwD(}Ks?}d*!r5un!x_ruAp!ca=XdRS5%1|O#@V#;
z3r=JomkG%1xGw&ej;LdQ5lN@r=dXWUBk7m)mWr?5&ymwZU31DW5TG?guDHd27ECuQ)P#
z9;^o#FGOO%`1o(QJ%OgJh%_86Oh0r)x){?u{6fz~{02M)6(HI2AwA6xv?w>VI3aKV
z9x2Tjg%w6n7_jy~MsqObDZ(sH-|IQz2!6mF^&{d*Hj#`iJ=iuUoqj*}WhF_HDu*G(
zx!0v`lLNe?=r#4cBH;q_1E9eN&>>bhCm^`0lMXt8sByot3l3
zg}%`MrD|Lv&U-)b-!fO%OcCKQ=wM9>I4-5SRu@oTQdzeTW5QaESam>n*SX7P;@23H0P)xgi-`BUa94Gp9
z=PV@t(a6?|M9-Bj*9EMA$O+rhAk@8aXZwYO@(*B%M*({hJ~%v8
z%%(B5uA=d0jd2-}MER$T0s!Zm|2d|
ztU7JWN{8#Ak-L_^R#$f05lLSxIWBn|m6n>bj#fsw$M|k=N%g%{8WTbJF8w>#J*`?E
zFxIKYx*gOUDG-TvIqR3lQGa%qgF>Z@d8Q&IR!K*xP8}|SV)CN5waa-eDe@#EA;{(c
zSNHIj$P!=I5d-U2T|}atl70w3hUGoxRZ0`c>{^=i-f-mGmmk}I+xACapg`e&lGS15nSU5OJyF5A6Xr<CI2-?&sMhMUu!jmxNp5L0uPPTb9}bv%g{9
zdL!d4GbYG#7yS-=;$L$G@xLLao=UUxGO$TUA68BYw+4g6;=M+IZLuj
zF0yxCw)WNwe{`i@b}jF=Ck{UvreR$d6CAFX>Nc&Wm6>CPo^DMj5`=`BKBNs4W!Eha
zctQlVN6E4H7wss->I~v`w9l;`hzd2ZpQ;{s%CE%g-1=%o47D^|vh)U9%av5c3`k))
z74(|f>z2;~X6h5Ck-ZF*G6PwYFb$OzZxgeA+*XcfrhbHkooQ-L<1Fcp5y&p9;&vS@
zxH#c$(vTFLE@AKMD!@>?#9)-p8Ef`y@cI_W$9lKbU(fJkA8avpE>O%qR~2+HLT!Ah
z*gD=zv&XLQ%G{}E)hYaU{3ElSjEfnQE*6UzYJM~kJ7SY9Q3cqC51gx=_G`K%M*!8A
zy2eQIFx6-h6=R>=`Ki^(L-R0(`t)gku5#H#&61
zOv%#p1LfCgomG3K87A_!J{x3992Ig4tEyc7;=0Q5`JSLRW%eC{@BHzymN8|n>-6Ve
zgYWR?SL(fy5zX+jeAbV7s;8N?xK&G&sy?_V_k>=Bh?(497m=_egukM9S2cBkcyF}&
zt)-?5!#MO0Zclc6(fn9*fFZU<+L=<LuB6Sm2U9gEu~#0W(ffj;lSU|(LBLCD2it+yQv$iWozp_c_C)y!UJ{Lgs#ma
z$q1C^3fr&<_N)?1^tT);J`meiVxKJ)e3;d637JVUh67*)3j$=BU8Q{pRi&VwlJ!101+{7
z8N(6w8!86wsmrXs1d2{w-rWZ2r_%O5u1hja2sXaskBPpj)LSf>Exjop#wK_lQ4Tfk
zB}~x(^eb+V*2GIM!NmU!156L5*~~dH6;=HW93iwl-zJ__e_%X#VzQW5t|@DSsZPeB
zsyJS83H@@JniSm(xraG&_T4qUw9pKRyShMd??)3dOKDCb2q;&f^urMK$i!A|
z8YdT$7BM{m#1Ydtn`S>o5h-I>WqpSzSp;}{a9C4lsBSDzb@|D3o3r)(z@M%<`lx&I
zEY7fesxB4R5i#ydS+n2BG#vvTDr^4e2K_>PgSu@+O^`Ln4@gO;rn`E016)qIIQTP;
zJ|iUQSmHcO*u;DeY?Qu^J6wKXfcnNlIyF;WIly(>!#67@bqq{mWfq%9j_aSRPE&e^
zWRp^3hNC|7h`({g#CedU&wVuXiiV{PW=?*tOC;d%?rSF4+?s@|P%ifoN#Y};{A!gb}HJrgDrzO>#^$%EQ`d+D(dG4!JveG^(jghce>=pNw!y>1W
zyDR>9_@w&AwS;-g7wdRXZE9bq8Xcw!4rdtcjyyP)`ngJYdHiB;O!U(?gh|v6?o*@x
zxx`rQHOfILGGGz`_PJP1%{$8CGqazz?U|R5TGh2bB`xav>tDYARL>enT_F(Zxx|Iy
zyPLs%cPuMGsC4i5#yPYe2U1iXM6kBtQ^wd+j^wLYn8L+*Dh`EIe)u2PNu
z-gxUlrDEecO0d6q|C*|xUKW3iLVB0iYIkvwRA*La4@>es5|xU5>r+H@$3?0VO4p9)
zk4sb~J{(6~9%$Q#RDwOXmb9o;OkEP!SvLQG#|h?2zKqUm>dHpkA%CjJE?5wsdB1XH
zfV-ly$91KzbW}--p62GRvANQN`n&C(N`)96iuJ9CGiZuns&$Pm)G~0fudm+P
zeVku8%-dMFt`&)K8e}~knF&j#44y(lO{%}*>X{qU-DG-kZ#0Ahll9DZr)ngA-nC!4Koy*Ng;g+7b
zksu#owz1ppnKX~DpQri^w%>l7m))P6^q;B6eje#}n_?DSd|cZA%dgUvtKIGSW|_ry
zvo`5?Fmfa94{r;RXn3CLZufL?h^2Du%S#v_ymxKI2v*HJBlJ$A-P4uNw=_@9s_u=6
zwSQjS*;R96jHj1h-$*kyyvjt^PNy}#D<`J<9l=!=|;P0N9C@q4OI!kp;B
z6m_5H<5%if>k~BhF?3R;#k~`ZV+)^Z(cMvno~_TRVBCWaDC~>eV@(5wV~vHheH+o2
zt>9PvU>C9{Wavn4P_tYZb2u)o+%97`H=`y;N78-UsGa_{5GD0oy4~$fUi!o0&xaMb
zkL6C;Ej<3p1#@6_YOu-BaoSqD-qRrqWqJcErJL_1FrJL-j@e!d>#9kYmJL#mOsIC9
z6SKU|;jW*5-#AsSE^f`T%oNK(y~M2Z26@XvHf!cKCS|OyFq+{|O|2P$O<@3j^Dz@pS{>=J0Ss^in>AL#vCHrmTHtvT_!$#E%
zN{GbrUCfmgQI8ywwxlt&eK|kI%oT0(k%&sQ{dX%e9`(R6tgJCInSV3(nW
zO3p1Y^+dt)53A$a#io#1oFCj#cLkUv+tIe>xdtrbK3m{g@IAnHk$9fQKmXE~?hR3|
zi{ElA@paomM~Hr}My4&(omNKK`1MppbJ~5>Z-f{O#1SVK(5DJZR3B^VF^{cz*@+$F
zp7qxP$FYE4td8HBv~a1fXj>OAj_US6gkt@314IVxrCW_KK+7xqcD3#d)iFixN)4V8atM
zQa!}D3=nZm&O-%f5IQen@Je@vuS^*zwmiBAn0wf~rZsFc00-V_!H7z~UUlUfsz6Xn
z4CVTeJ1s@sE;@db&KVPYzk*k(KG3vLWto@PK2
zLxBbt=XbKmFkFE)ypNn9?BR6IV^;VUK9FTM^j5@M`~j89FZY20r!C?%I$MDK>vpAD
zwaUdJw&iWVe+MRH
z*3XY180Bu{a5km`$iwP{H|OBc7L30J!k7OS4i)51{2zdt=Xi_;Tg!5XScOwg6O6)Li>6sZ%{T29=
zC}**k8M1a_ezKf0z#&L*IS1gSw6t~15v|AR+f^e!>B#;v|ir$W10M3Esuo`|mfM0QKf=HQaVtj8pkbP}+uZx$_
z#>tOr6M)RhfHd|&HotYPE|8%RGWh>g{`^SzmC-#RTvC29YrW2q&zviUTiw#kjx=Zv
zjls|?gQc!%?I+H>qadLgf4IA;3{Ac4t*=mSN`y^-Ij-%-`69Z+aI3JPj6F$ZhuY`}
z9a6`|wa?V$W9-pqoENo^@h9>w!V&+Y9xGDxe8onr(6R*u(H;1=iZQ%O%fSE8oA`+e
zyUaO3J$23Yx|x;2$tOLhU&Krwjn_Vq$gu#XNQ3er&fGdD=aC&xG+q>u#x-5BZ6q8c
zYzoNH$=0q1F0|iYbxseyu9yl
zi23JAAl7==Ljj64z~veNU*bexQ;m-TanP-5yx*11Ga?^R`o()8~%EX7BQP%cz3G
zv6t0;9}4uiKaWOStIl@1NC!dQI>H3NZRdCj7@Arr7--cgqEDiQO
z^)J`=OTY=k4qPJcd(FatMKP9gi#Ic9)MNj_w2{LOL?}$oPLgR-2Jnct_b^yo(^+=j(qhg1J=zG)NuS91FvakeolewYJ-k*1J?ry
zRrc2c&IWTl_DSLlZZkI5^oOmvgg|E7OSxw6?G&b_F$Xjpjw$bNZu{S3`X12#lQCEu
z$Xmr(D1sC(pOZp!7OuQY;-QJJheUE*NfpkE5>FSe389>i79e^Pvu}D=Hd5j5Bktm6
zE77$o!NM%@WmvvJ`ivJEIDl<_wg9%)g@R&z<)sUzZK-m^q6diL#SS)(z1*isDEZPI
z6?RE-uK)Y39!P;WINEMBt}*>yzwJ%Fh4aIIEpn2JN!G~yr(lqJItX%H7JLHP7=pny
zC{)JQQGD~bSsV%_(Bz#_gjC`T83KUt`*AUc^G$X5`X}O@EXD#60tqXF%o=`xT0@MN
zB6wDFyx9`C{wJ9AQ4pIP!!CiaS(P(b|4G;fy5W@P3)7c|Z%9IC$G4H3N-|SG?wP{q
zjLSY1h!C3`#5X90D&_^nZe)>K(r&mTK3EA=eX<%0X08jl7jX?
zX2!pFH#!XhnLOB``?uxmFLMLrT%;u*%;GSF&(=n6JJw@~F%k#d*;F_9D&^=1R51A+
zDYhJ!S5%U}X%7&p7{twum?(%!B8!P`24M9=
zusl9OL)wnb>mH^q#L>9}E$?H!85`Bf7kb?l;n|M!Sd6*M6%|X2<_Labm-EPl0rcme
z1o=2_+CqExfW$wr7P+8+Bi0as%dSxs)79k{a$N4kZI(I$yQp-W#%BqBa=IHr;KO*!
zN>UW1*SH{og=Ann*ujw}B|V4ZO)FI9JMgXiwrR#Z3Yt&iQmoe(-q|&qV+2vh_w{h-
z5y$jLXH6c2!k+tuK5^B~%YdDQ<7fAIB}P!`{=kJ5AxJFWZaK&2_v-G5H9v%Rw;h{%
zv?g524B<{e6tn>V5YsmtkscJ}*f>pS`SiWyL&>
zjdJ7>I8>=?hxD~B1}%S4%gPa8!pexEHkqme<344=3UA{!cs=HENfrxjfPQPW!8C6@
z#8o6yJUcc)_8I*$Xkv5a=~)A1qRMX((EMm!jN!eYv#Wi6*;K)8;vT8-v;xIU+Qy8#
z=I^ywYD#~Dp;@W_X%booYsMHO(EEh%o@_f1(DB>0s-a`(y3QVlg%_;3v2&T}NfhG$
zT)ow-UK4c~LSdCj0?zZ{ZtCT+3s(!4zutC4rWd&-=c*^=VS2zvV{dAk(?(Prh-8vW
zD_#IoAKF&D58|5Rv65##EOi7dra#(5w0>b=XfA14n~+<0<@`hK_UM`u$fU0%>D9Y{Ce3@34Q-0c+>V3A%xXhEMdq9nX6{$c)OqJRJD3hb3pzF*2bkMhzZ)PUG)+*vG-Hs{9yoxpmlIbV<`n(T;B|R>P2Yuo
zS`_7qsr|dY%s-=rAX&amoAyFkFNHkJl+mdRjB#XRGPJ{)JS(JQvs$*+rdjAFf3p+&
z->v$(4QM~wkbM4xL;`!bl4b6ML%AW9tPiQr!131*ebtO#75h13E@N3bD7c5yz_~Bm
zOXh?!eXrjKXR?ORBSz@b2bm}DUt$ibjY`|BHJ5$V5E(U>nR^(Sel=luY(w~1R4-zI
z!9GBZsB3dq1oZV$thTtm6Eg8AUIVaN9dP~sdNWA1I?u-j$
z?{E`(u&(fObD_YV_S3tT&sRQZ*u}E|5E193+v_DRVg69Q-upV-oofXo&6-@|KgU#b
z-76~t(PJ_f>g=B!6l;@S1#gcl)zIq`Gn{F&HL37ObGwvMxH8i*u_$!*z!p@T4%eSx
zWLfWqHHvzCS52I+z(1Ed1PW|^$>Sqvc~1rHbE~VIHx{^<)PHx1JICUWM&77?ar*s=
zP$#@AYQbb)GL>t`IHq}n#7`NzH_~TJ3!B)w3{p<5-Fx#1(PxgvnGNG;5gD2KVoFPi
z%ew+^{$fZZFp%Gx00%2U_?(IlC68=>l|mBYNcMGl(CEkQi4TaSJsM8YrW_Q`ZLbCt
zgkWYeeRcO-g&n=bxu~w&CAnaD~Yaa99-UY=m|N^
z;b&na`ca{ABPPva%wER%l)SwCx5%@E+~uX5ed%_d(kEMVXArr&*OwG?HG^eDgyjjFiY`UR6R1ao6v4lK#rj$$;L(LF&MEtJV
zDZ5g(G1|OCC`wpo!aV2vUMpy?RUoix$KCdY;`_rLrRvnX7`4EXgdBCC+8mu$*}pb_
zS`LlJM<7sFrsU0Pg_1dY(6CV7IpF$zage>-1SSr6Dk`e^pAZy#V_46($d;clCR;pa342lIHqC
z+^DkPS%8xut=1T1zfxloU<)5wE!90bmXOp-otAN##94CT|8H#&3zo6`8tlJ9uQI=S
z%N$x-pzzPP^;I$j3p)hfVY|QQmHro$>8Vn`1?vMT)Nz~+MhN0AqbhsVsdu@gJ)35Dy
zJb-;YkG1zLkzX?3gqT0H${>mw^V@r1>)dGio4yZsH1!W2>El@VYekt$yYnwk%4i-t
z)|NvqYrxRJNZvEdMx~YG1WM9}B*=34iWSj7caDYcn={}27A%Hexu8yH~^siQzQES^9l{m*R`j?KHaZzz&1AE#Z(o>bz34cdEL@NLMd%D*u
z*aEH|d}?RIQ{~fNi~T!O2Re$4`*c)tFFZ8>{K{Ux(|<_QGF&?1ee{&y$@CB2?Y{uB
z>4swo_ccEn6GHyKL9KR8(EQy3-&n)JZE-~q$IM|S8@K({5t3~d*G?+HJF
zVHj?oetgg6s>^KduLw*@3!%6juvsq2J~2p{#lDoAQX3L3&c8-(t#$ghxS&PH(1rdw
zzT2h{;~c5o#LaP6Y9gTr#C*T}8gOyzXm$4_5LZo#oE%tgu$BFYpSOm0*uxG7@KCJL
z2oejbu@rIP#%|4G<*A7Vm)R}Go_On|u`etdrQt;g#!Rfhg?(fkJ;&bHZ*EY+BF!i`
z0nrBB7k}jdk_6klnfml%pWl7IvBMlCi8Kf~s(axswT-AQ)~#B%hy->MDSba%6bWgn
z#;f&vE*&9dKPB$(=YhyKEsg&|=EmmPS_hfNVutde#X`0C{zGmOmQ8|)NGM4vL1T0_
zEftdXbzWr8d?O@a!Z`mC;IWGP%sC}@_=z;E+zMXV@E0`u*h8xB)=~;7ib_Idby4&Q
zpnX{=Hw7l?VJMT-98FvAq`C24`s}`2YyFatRp_yT9|-Hye!9J8xggtnW$r`mC*{8&
z=IX^LlkPuyBuJ^w?7P9q^C!^sj~BQnTB-*wTQI}-KP!2+mkrhC`jn$hUNPwgM5XiI
zx`~8rR3-V_sRF5K{Rh3cw!**7AH~WcoFwhuGJSv5Eg1U+*~1(o0e3?iTTn@mWVx@l
z*>5>+bz;#;_yw#35~th|#}c2AOF#|Q-~gwd(7Zu3dCJJ|P+z;?3H=)OP<9#*O!Hrm
zSbI{z;D-2OOm?f4t-$x%^>yuwX^d<0Ij}_tJU=K(D0b4909sotzcw}{!9O4J?O^uZ
zy7N^u6Gi=Lu6PO+ERc=>EaxUss7t-KEyLQM(R)G
z<$bUq7Pu&1#@%`*<~>@OKQuDMd+L_TT_LH1MK>=mpS^$UAlcr
zDjl-3KhbddA@O6SRL*^athV}j2cS@K!Yxa2291&glR09f*8!zoisD`3wB}nt(X#C{
z1={QCrJvv@uJzSs!nt4=2uNdi-}21Uy(?C&I?LT=H-Aqe=_(vfPK}TR+RDnxDhyx7
zozPMf%T5yU{{8+lDO>nSwB|0xo)@6V}hpG`|!)=?C*(Q?iuT$9hcib0u5g=
zNSQ|Tn5xkQ;<2>k3P~RozK)Vluw}fiW#s>iUj6B{o_yH%5IGkeP~YzMxQ^*V;wRd6
z)`vRL*k${pU75Ux2vw`;EIv38lf5{*-Ly;(PPp7sk-_P@@?SPB@erMJKguX|ypwfv
zN;)q8RXNOwHcLDcrr)Xm5U}Q~m(6O5WA*U&9XZ2lmT{Eqj0R*OeZOBORTXhy(bt*&
zwo2yhC7wx2Qj2o4Mt`D5JBLD<{{gvKf2`mA*WMPp4Nn0_Jc5dSzd8F)>wfNxUo=;%
zJocG&x~m-X(=%gvMbLVJ+KCfW@;EW}OnwcMMRW9DU#9fwTk7`Ypa@tnL~^5hvhGuC
z#ElcsX|><6>2#R5cCm`#mSui-_VQ|w_~^1kh~VL#@hwSvZ9{9kRCLhUo**lb@nI^~`IMp7iateM2h29biNp>v2tz!PNx
zXDJH+tO}}NS+CMh!Rf^8wq0JHHBO39zLl@3a{9N5I|ihjhRhpn^`|(S;mBHrV{oc<
z^F-69@;V}7Dw~i*5?Nz$yIa(O=NO8C%NlqwaP2m#z2I<(pD_q~z+
zjCjp)|sY5*`WY^GR)o5x2z~CqV
z?Jt-A>tIp#I_Ngm0a8~i2Kw6mg9pc*(wJuYl8_{?5TcidNn#!vosMF+XT>LKcF=Y$
z;eiiZd>*yBj_-JzW8nP#I*MLTz%YmR)A7#U?Cs`3%)79)wRORq>6JR_O!Q~`sI6~#
zQzMwHPf}kpu*uo839|be^~O@(A0-rg}Sf?v#+|J>80ye7q*LtmEO@5I5DZ
z3OPKaJhJ?7Dd!zYG}l>Np#!H#w5^y~e*@+h`+>b|r`V>(<2f_w)d%UyH58h(LBdeg
z-+0{j!3rmS6*HyF&5qf%ycNm)SvAS?1THkaJ2$kVoofeFpY|QlOzFUgUP(Z)_4GQ`
zm;W-uhikLDm=wg?qd56X034gH7NM-)mHoxe^(n@Jfu}C)F#gW|@uTvJYMA*6V*zxm
z9v9O;ejF=0<_@WpBgVxoXkztWW+@!v!ZanjPZ(_z30WyY0W#4D9G!Onzn*3>rX4>{
z%^yCKIyA;cC(+s+vkUHfR;Xl%HSAemrR4OGG5lp@z#p4wqwsgSL@%5N>9Q4iJIoRa
zI>ttk+}QHieW^Nvz3&1mcT&YWHqjjTRkFlugDj1bBCL}l`1z&kqrcwfcFnQD(Y7Mq
zGq>xTCE(R0Yo_bHK=S&%6*Q}H|MpSW+&rG_`lXn)pZBoHw0p9sH9|3S&at0gt{%(0
zBvq55BDF=rW_5g$63_gwEYylc67OJ2CtBoU7t|LyPVKnCZTS~Q{_0n_eN`xevEA2|BZ=vo(t|bGE8S~$BQ>4pqalh&lAFNJWy2e3aK#1Jv2lqk>n=}iILP=j
z)Lw9I>*nrMbQ7jz)e9?E-WWzq)dvE9Pk(cYzj(L8rH)?E@Eim^QHdT#_1JT*VXWb)
zq8_To3i&<0RzG?a#xM)SCh*`tR~zIy)P120Vuiytyv;yYMacu-<7tL_)b{7}QRgQ?
zh|)ZVFTz{SKcsrSl+6cpuY#DC_@j8Ix$rvm?7YQF!l{@LR<7caBXi;Nn^hhrmY5uh0A}~S7ZgWK``*MZ+Je{Ar3w(G*UNt)e5q}1~Hl4Dz
z-(Rl7HWI}DU8XgHMUQqy=B{~FwShLq*N3-I5U1G#R1HPon{1;v!b#rTsu-u7o^>u*
zxQFr7zG_?9u+PRjHcAt!&yhV@49u>h{-qI#O5<~SI|b5r)pK3R?;p{t@bUBWH%vgJ
zVm>_hs|ZmE!pN;Lw4kWc>>hUITmHXS)_Sl=K$0lTNr34@c58SxS9VO@kMD`k9(w0Q
z(2qMAnD$qIAx|5G`&(MJf{~F?2Yd&ThYdFGG!7>dN3wIia($<`L45zrZGKX==c)ld
z%w{fURz{3>wJWA
zxF=bBC)%^`tOYXver89=_+k3~nieJ~kzda?67ST;Onp2-{c-Ncw&PTn(q2-LU`vTX
z!^e+)b!go37_^OL2F)nYzHZej4rCV!aM3oT9}2_#%DM=4ke0;G*A_6e0M+V{Z36~K
zLCJums9ZtpB5wN8TcSK5kG{PmpxWCpc)g3MO4y}=``*Qgw#&WOiFV!|U(6-;LGG5_
zmv?h+u}D1-8GKY;Q^hHZv3$yQKg0PX`jUafa$kY+RrG6%V_+n37zP5ePV)a=;B!WusU%TBQgePGn~d+*su1@
z9TpVFj#VU+n$&6DhaSs+txigeTzS4c4$~>MtoC2q6rGeVdRj$Zv@fZ!tSA_o{b^iQ
z`eJ{yT~Lci6=iouKkOU$sz@<>yZ*zvj*{lF1^pEY^XaHy3ON(QeH{hF?+s&Cb_O+X
z6;cQ^j6@6Sw?<>5@A&u9xl<;QIyco1u0)Fb8ljV?JeWtvI0|q8@L9EFwMAerRZcZ#jOfCoVQL$=12+r!r<5FXYjlnPXo+7ZDNB
zlZFbR#rKXd=cXC%p+oOl+8)v`!
zgdHlu)LmCkE=<}#%vBOY;>K0r7ewZ_)dS;BL;xxPED^U5YnqKV3pPr9+gJnYMC=j##Bs&fuiy
zki+mhOy7D1H&IIyWtkY?cjxvIm;#|8YlbLyhYBjqE{MvTWjb($v>P?65^IH}C#zv^qj>bVj;_eJ71A#u9S
zkCPeqK0QR%NutOFvyzo5Da=`GyTNu}G;-G|JXBPR%tgH>Ms`vdPNP4wpUD;xepHwxkfB!;GI_NyscQ>2XkxJjJe`;Bc75l{x)A
zevGobKHocrjbU}-Ks5aXoxe5LEmvO)v-9zd;c`b#CY@3K9{7KD*O0_tynoxy?)r|FJqe2&B;$EZPJ-LL=J!@kpw}%1jXK|q
z)GuG&do)^)y@JRR$%%)43=F-yz9=-mnb?DR5A}LZ1C#77zy^}nc
zSXLLovU-a$y@wt`@nn9pA-L;)>U6t&N!%eFU7}a<;J^Y7jy;APg+y@(JiawbBdjF~
zz+OYX8E~v!M14gn6|bZISn{Kg(-21P5uQske)A<&;{h5L5y@7IFCs(pby)h
zBi5Pm2DvSJ5KX~vToybesxdrRg$C9FV5@1X?i455zs8f;ih@6jzJ^ygp{k8g&7+ZT5YUx!4_Hq%ho-f#s408_=pa1M>~f`
zTDdQ>(T=ydPK7oS6ZYy?4J!e_?uD1-VYjfqPG3Q8*f5c-?#6eus6|v3s~$gwk*Xs7^H=^oK%YgSBSQx7y#Kwojy&WD|4L=+LiLQf7eXS
z$3XFCq&2_a+)u!=ajLSsndi!Fh8WcvyCIu}e%4?T1F-YlZ7^@x@joA>LcZ5~bN$%o
z5EUHz=XgJ;sG}iL!%^bpuU8uI?Ejo^{zBS@yjf+w0zT`|Q);84KRZkj)_Z-*wh;*-
zx!+LU7Nibl;_RMvVt
zMs*#D*^>S515=^fegxE?G>!*WEI;h4MIt6i1%IaGQKfuhn6%qumYY8QV>GDXyFdhR
z#DIHi6+x<|t8rqU=qF+zOh!iVvZj?EUz1>qT0#V6fgk#it)l_Y1|Iyb(EmBmb_^01
zxT%SLHw!70gg&qHJ`FI~Jr-dRQH;wG!%al!U2?GXdeMmC@@H*5=_QV6z=1FDkH9#`tyDNw<0YE2`B>_yv${*_F9gF(weW7~)g
zrUS?`96gKf=L^f_6r^Ej$X~Bvl>{;q@Bi#Q(UP0xetuI-zw|vq%&b-w8C-vY{`~;8
znn7CERY#Pc54C!n@Y2>u%%qrtnotGa0k?0!e}DLQVKU#i&x(PX-eGqMeB<=fupE0Ga#l7U93DJ|Aqecm2Y=?e
zfePpERfyl@NSG=zD?|Q!({N2^;OyKLwrFd5{&qa?o#ZHUbM?dP)xdPsXE|N5D%*zN
z=#`7&TWm8MN%nJ?w`7ADQRvIYLMxV5w;C;JhIysgCXsZVT0OE6#|>afj)
zTD%>C!7`m_;Ge}LIWMo)n{yDa}!C9plE?uPpD=hiS86x{q@
z;8~x`SjS(XFfOc@cJ%ZZ3pFKZrPRNJ?G2nw?Er!<)%}|qLRE6oWIBLqjK;27D
z)Nh;aV@c;lo_)pDrF-kpmKyUj)Qk2I-r#*=u<-PF+-7V|$uGgZ9d@vM2V!tT`W!-)
zG69)rKPkUS&FYwH$0?x2FdmPVRRkg<_^Qdqv*giEMbzm0gw=@yzQJ*RcH6%N#=~uz
z{Be5eNv{j)GOG^!Mon7KX-0$bxC@n@wb$<}A~3QuV49)HcNp(SVPQGA0A!ocPs|+5
zQN;#eQLZZDbgg?dn2hUDu^_pum+#=I1uQ|H@cUTQ|KP7O4wr40v@V&yNHbRbAygPA
zY7-5@PPw3MK8vXdAw16BA%OyO;{$s}RleM%*!Sx;rA)V|$26>#cHd=DMJvUBzb}8f
z2ofB~h74Rb+^y9OAY?{3HY(!|%X)5$i(9)qawl_E`@PWr!GOh<&eYml*j?usV`sVA
z#Z|zi!`uhb(f^{jY}J1)R-P@;I=fKuEA;#2zZ|#(Y3+R&HYjvN^1MV^xD=PRI=G0Ocsfh<_dpgk>Ck#)
zX;-lR;_2==6TFi}>s=@WVZ9?B~fKJV@fBDh#ecDw8#Kf^-~7
zAhC{5D1ZG`j$ZeQhKu2(3n@uS5*V(L_uj8TZ_Nx0das}#-W>~+I|f#OMSZd3Vo>o-
z5qEAia20ViV1M_H=jG?G`!yD$JP`k=JK(5(1AE`WEv*$piPGt&k=ifU8@B(
zLPtHutOuy(WK1S%TqXt@e!L@Ul~SD0KO2Du8-t)@JpBD5M)0OqV}w8b`eSNv`i3COwg93*!i)!DxrL?jd}A
z+LA_d`!krrMSeSiFn1_Te$BE1nBpq9MuhSJ$dNKo{@y*J*qw9C$$ae+yVYCsGCHJ8
zLm#1SPCHm(Q$G(9j%sF^F