suppression de certains tirets

Programmation_Dynamique/EXERCICES.md

@@ -1,6 +1,6 @@
-# Exercices — Programmation Dynamique
+# Exercices - Programmation Dynamique
 
-## Exercice 1 — L'escalier
+## Exercice 1 - L'escalier
 
 Vous souhaitez monter un escalier de `n` marches. À chaque étape, vous pouvez monter **1 marche** ou **2 marches**. Combien existe-t-il de façons différentes d'atteindre la n-ième marche ?
 
@@ -24,7 +24,7 @@ Vous souhaitez monter un escalier de `n` marches. À chaque étape, vous pouvez
 
 ---
 
-## Exercice 2 — Rendu de monnaie revisité
+## Exercice 2 - Rendu de monnaie revisité
 
 On dispose de pièces de valeurs **[2, 5, 10]** (en centimes).
 
@@ -41,7 +41,7 @@ On dispose de pièces de valeurs **[2, 5, 10]** (en centimes).
 
 ---
 
-## Exercice 3 — Sac à dos : à la main et en code
+## Exercice 3 - Sac à dos : à la main et en code
 
 On dispose des objets suivants, avec un sac de capacité **6 kg** :
 
@@ -62,7 +62,7 @@ On dispose des objets suivants, avec un sac de capacité **6 kg** :
 
 ---
 
-## Exercice 4 — Triangle de Pascal ★
+## Exercice 4 - Triangle de Pascal ★
 
 Le **triangle de Pascal** est construit selon la règle suivante :
 - Les bords valent toujours 1

Programmation_Dynamique/SAC_A_DOS.md

@@ -189,7 +189,7 @@ print(f"Objets choisis : {choix}")
 
 Avec n = nombre d'objets, W = capacité du sac.
 
-> **Attention :** si W est très grand, cette complexité peut devenir prohibitive. Le sac à dos 0/1 est un problème NP-difficile — la programmation dynamique le résout efficacement pour des valeurs raisonnables de W.
+> **Attention :** si W est très grand, cette complexité peut devenir prohibitive. Le sac à dos 0/1 est un problème NP-difficile - la programmation dynamique le résout efficacement pour des valeurs raisonnables de W.
 
 ---
 

Programmation_Dynamique/TP_Donjon.md

@@ -1,4 +1,4 @@
-# TP — Le Donjon du Dragon
+# TP - Le Donjon du Dragon
 
 ## Contexte
 
@@ -26,7 +26,7 @@ Un chemin possible : (0,0)→(1,0)→(1,1)→(1,2)→(2,2)→(2,3) → or = 3+5+
 
 Est-ce le meilleur chemin ? C'est ce que vous allez découvrir.
 
-## Partie 1 — Comprendre le problème
+## Partie 1 - Comprendre le problème
 
 **Question 1.** Sur la grille ci-dessus, listez tous les chemins possibles de `(0,0)` à `(2,3)` en ne se déplaçant que vers la droite ou vers le bas. Combien y en a-t-il ?
 
@@ -34,7 +34,7 @@ Est-ce le meilleur chemin ? C'est ce que vous allez découvrir.
 
 **Question 3.** Pour une grille de dimensions `n × m`, combien y a-t-il de chemins possibles en tout ? *(Indice : c'est une formule combinatoire.)*
 
-## Partie 2 — Formulation récursive
+## Partie 2 - Formulation récursive
 
 Notons `donjon(i, j)` l'or maximum qu'on peut ramasser depuis `(0, 0)` jusqu'à `(i, j)`.
 
@@ -59,7 +59,7 @@ n, m = len(grille), len(grille[0])
 print(donjon_naif(grille, n-1, m-1))   # doit afficher 22
 ```
 
-## Partie 3 — Version Top-Down (mémoïsation)
+## Partie 3 - Version Top-Down (mémoïsation)
 
 **Question 7.** La version naïve recalcule-t-elle des sous-problèmes plusieurs fois ? Pour répondre, ajoutez un compteur d'appels et testez sur la grille ci-dessus.
 
@@ -80,7 +80,7 @@ def donjon_memo(grille):
 
 **Question 9.** Vérifiez que vous obtenez le même résultat que la version naïve.
 
-## Partie 4 — Version Bottom-Up (tableau)
+## Partie 4 - Version Bottom-Up (tableau)
 
 **Question 10.** Remplissez à la main le tableau `t[i][j]` représentant l'or maximum qu'on peut ramasser **depuis `(0,0)` jusqu'à `(i,j)`** pour la grille de l'exemple.
 
@@ -103,7 +103,7 @@ def donjon_bottom_up(grille):
 
 **Question 12.** Vérifiez que vous obtenez le même résultat que les versions précédentes.
 
-## Partie 5 — Bonus : retrouver le chemin optimal
+## Partie 5 - Bonus : retrouver le chemin optimal
 
 **Question 13.** *(Bonus)* Modifiez `donjon_bottom_up` pour qu'elle retourne non seulement la valeur optimale, mais aussi **la liste des cases du chemin optimal**.
 

Programmation_Dynamique/TP_Vaccin.md

@@ -1,4 +1,4 @@
-# TP — L'Algorithme du Vaccin
+# TP - L'Algorithme du Vaccin
 
 ## Contexte
 
@@ -26,7 +26,7 @@ Temps disponible : **10 heures**
 
 ---
 
-## Partie 1 — Comprendre le problème
+## Partie 1 - Comprendre le problème
 
 **Question 1.** En utilisant l'algorithme glouton (trier par ratio efficacité/temps décroissant), quels anticorps choisissez-vous ? Quelle est l'efficacité totale obtenue ?
 
@@ -36,7 +36,7 @@ Temps disponible : **10 heures**
 
 ---
 
-## Partie 2 — Formulation récursive
+## Partie 2 - Formulation récursive
 
 Notons `vaccin(i, t)` l'efficacité maximale qu'on peut atteindre en choisissant parmi les `i` premiers anticorps avec un temps restant de `t` heures.
 
@@ -60,7 +60,7 @@ print(vaccin_naif(anticorps, n, 10))   # doit afficher 140
 
 ---
 
-## Partie 3 — Version Top-Down (mémoïsation)
+## Partie 3 - Version Top-Down (mémoïsation)
 
 **Question 7.** Pourquoi la version naïve recalcule-t-elle des sous-problèmes ? Donnez un exemple de sous-problème qui serait recalculé plusieurs fois.
 
@@ -81,7 +81,7 @@ def vaccin_memo(anticorps, temps_total):
 
 ---
 
-## Partie 4 — Version Bottom-Up (tableau)
+## Partie 4 - Version Bottom-Up (tableau)
 
 **Question 10.** Remplissez à la main le tableau `tableau[i][t]` pour les **3 premiers anticorps** (Alpha, Bêta, Gamma) avec un temps total de **6 heures** :
 
@@ -113,7 +113,7 @@ def vaccin_bottom_up(anticorps, temps_total):
 
 ---
 
-## Partie 5 — Reconstruction de la solution
+## Partie 5 - Reconstruction de la solution
 
 **Question 13.** Modifiez `vaccin_bottom_up` pour qu'elle retourne non seulement l'efficacité maximale, mais aussi la **liste des anticorps sélectionnés** :
 
@@ -144,7 +144,7 @@ def vaccin_reconstruction(anticorps, temps_total):
 
 ---
 
-## Partie 6 — Bonus : contraintes supplémentaires
+## Partie 6 - Bonus : contraintes supplémentaires
 
 **Question 16.** *(Bonus)* En réalité, certains anticorps sont **incompatibles** entre eux (ils réagissent chimiquement). Supposez que les anticorps Alpha et Gamma ne peuvent pas être produits ensemble.