.
├── .github
└── workflows # github actions 自动化部署配置文件
└── Documentation.yml # 文档部署配置文件
├── .vscode # vscode配置文件，本地化配置文件，一般不上传
└── settings.json
├── Docker # Docker文件
├── Dockerfile # Docker配置文件
└── nginx.conf # ngnix服务配置文件
├── docs # 项目文档内容
├── Project.toml # 文档环境配置文件
├── make.jl # 文档生成配置文件
└── src # 文档内容
├── index.md # 介绍文档API
└── assets 静态资源(如图片)存放文件夹
├── backend #后端代码
├── src # 项目源码
├── Controler # 静态仿真PID控制仿真实验
├── Jumulink # 动态仿真源码
├── Optimization # 设计优化源码
├── data # 数据文件夹
├── function_Electricity.jl #发电设备
├── function_Financial.jl #经济计算
├── function_Gas.jl #产氢气、用气函数
├── function.jl #补充功能函数
├── optimize.jl #优化功能重载总文件
├── optimize_test.jl #优化板块测试文件
├── simulate.jl #仿真功能重载总文件
├── simulate_test.jl #仿真板块测试文件
├── function.jl #补充功能函数
├── function.jl #补充功能函数
└── structs.jl # 能源系统组件
├── Simulaiton # 静态仿真源码
├── HeatExchanger.jl #顺逆流换热器仿真
├── Thermodynamics.jl #热力循环仿真
└── venturiMeter.jl # 文丘里管压力分布仿真
├── backend.jl # 后端服务总文件
├── function.jl # 补充功能函数
├── head.jl # 头文件
└── test.jl # 测试文件
├── Dockerfile # 后端镜像本地打包
├── .dockerignore # docker后端镜像本地打包忽略文件
└── main.jl # 项目后端启动入口文件，启动服务
├── mock # 前端登录验证文件
├── public # 全局静态资源
├── .dockerignore # docker忽略文件
├── .gitignore # git提交忽略文件
├── src # 前端源文件
├── package.json # 前端核心配置文件
├── README.md # 项目说明文件
├── Manifest.toml # 依赖配置文件，Julia自动生成，无需手动修改
└── Project.toml # 库环境配置文件
采用vue3技术。Vue 是一种用于构建用户界面的渐进式 JavaScript 框架，功能强大且易于使用，且适用于构建交互性的 Web 界面。不同于完全成熟的应用框架，Vue 是由底层到全栈的解决方案中逐层选用的，并提供了一套声明式的、组件化的编程模型，能够高效地开发用户界面。
Soybean Admin 是一个基于 Vue3、Vite3、TypeScript、NaiveUI、Pinia 和 UnoCSS 的清新优雅的中后台模版，它使用了最新流行的前端技术栈，内置丰富的主题配置，有着极高的代码规范，基于文件的路由系统以及基于 Mock 的动态权限路由，开箱即用的中后台前端解决方案，也可用于学习参考。
Julia是一门灵活的动态语言，适合用于科学计算和数值计算，并且性能可以与传统的静态类型语言媲美。它拥有着与 C 语言相似的高效运行速度以及类似 Ruby 的灵活动态特性，并且能够像 R 语言一样适用于各种统计分析场景，还如同 Matlab 一样能够对矩阵运算进行高效便捷的处理等，执行速度远远快于解释型语言 Python。Julia 语言在设计之初就针对高性能计算等应用场景进行了深度思考，此外还结合动态类型推导、即时编译等技术，使得运算性能超过了其他动态语言。
整体采用前后端分离式的云计算架构。前端为 Web 界面，采用渐进式 JavaScript 框架 Vue3 构建交互与展示；后端为集仿真模块、优化模块，采用新一代开源科学计算编程语言 Julia 开展仿真和优化计算。前后端交互，实现数据可视化。在这种模式下，前端通过发送 HTTP 请求到后端，后端收到请求后进行数据处理运算，并返回相应的数据给前端。最终，前端对返回的数据进行渲染，生成相应的图表和动效，形式上大大提高了软件开发的灵活性，允许前端和后端团队在独立的环境中并行开发，彼此之间不会产生太多的依赖和耦合。这样可以加快开发速度，并且允许团队成员专注于自己擅长的领域。同时，前后端分离的形式使得部署和维护变得更加简单和灵活，也有助于降低系统的复杂性和维护成本。
1.对项目文件进行本地打包生成 dist 文件夹
npm run build
2.执行命令运行 Dockerfile 文件，对采用 ngnix 服务的前端项目进行 docker 镜像封装
docker build -t front_end -f .\docker\Dockerfile .
3.对生成的 docker 镜像进行改名操作(dockerhub 用户名/镜像名)
docker tag front_end chenghd/front_end
4.将镜像 push 到远端 dockerhub 仓库
docker push chenghd/front_end
5.在服务器端拉取远端镜像
docker pull chenghd/front_end
6.在服务器端运行 docker 镜像生成 docker 容器
docker run --name front -p 80:80 -d chenghd/front_end
1.在本地打包镜像
docker build -t backend .
2.将后端的本地镜像压缩成 linux 系统可识别的压缩包 .tar
docker save [image] -o image.tar
3.将镜像压缩包 tar 上传至服务器（这里可以使用 mobaxterm 终端工具）
https://mobaxterm.mobatek.net/
4.在服务器端对压缩包进行解压
docker load -i image.tar
5.查看镜像
docker images
6.运行后端镜像
docker run --name [容器名] -p 8080:80 -d [镜像名]
GitKraken 使用详情请见 https://ai4energy.github.io/Ai4EDocs/dev/WorkFlow/gitworkflow/
如果你是学生可以使用学校的邮箱注册，学生包有 gitkraken 的会员 https://education.github.com/pack
首先创建一个空的文件夹用于存放项目，在创建的文件夹中 右键选择 Git Bash Here 输入
git init
git clone https://github.com/ccchhhddd/IES-DOPT.git
如果克隆过程存在问题参考这篇文章进行解决 https://blog.csdn.net/m0_63230155/article/details/132070860
前端需要下载 node.js 使用 npm 库安装相关库以及运行相关代码
npm install ——————配置环境以及安装相关包（在IES-DOPT文件下的环境运行即可）
npm run dev ——————运行程序
运行时建议单独进入 backend 环境运行进入包管理模式运行如下代码进行环境激活
activate.
运行后端（文件路径: backend\src\main.jl）
include('main.jl')
若出现缺包现象，进入 julia 包管理模式运行如下代码进行自动补全
instantiate
或可以手动添加所缺的包
Pkg.add()
初次进行运算时间会略长，请耐心等待
本地编译 markdown 文件到 html 请使用如下命令：
julia --project=docs/ -e 'using Pkg; Pkg.update(); Pkg.instantiate()'
julia --project=docs/ docs/make.jlPS:./src中包含了文档中的一些代码与相关资源
本项目起源于西安交通大学 2023 年大创项目，同时也在Ai4Energy开源组织的大力支持下才有了这样的成果。
在该时间段中共完成了平台版本从 v.1.0 到 v.2.1 的版本迭代。
采用git版本控制工具，以及Gitkraken版本控制图形化神器
利用飞书软件进行团队管理，例如建立甘特图、时间进度表、思维导图等