Projets : structure par projet (jeu_de_la_vie, labyrinthe, mastermind, wator)

Projets/mastermind/JALONS.md

@@ -0,0 +1,80 @@
+# Jalons — Mastermind & Algorithmes Génétiques
+
+> Progression suggérée sur ~10 séances (septembre → février)
+
+---
+
+## Phase 1 — Comprendre les algorithmes génétiques (Séances 1-2)
+
+**Objectif :** Saisir l'analogie entre évolution biologique et optimisation.
+
+- Lire la fiche `../src/src_mastermind_fiche.md` du début jusqu'à la section "Les individus"
+- Répondre aux questions : qu'est-ce qu'un individu ? une population ? le fitness ? la sélection ?
+- Schématiser à la main le cycle d'un algorithme génétique :
+  ```
+  Génèse → Évaluation → Sélection → Croisement → Mutation → [retour Évaluation]
+  ```
+- Expliquer en une phrase comment cet algorithme peut résoudre le Mastermind
+
+---
+
+## Phase 2 — L'individu : la classe Combinaison (Séances 3-4)
+
+**Objectif :** Implémenter la brique de base.
+
+- Implémenter `init_value(self)` → génère une combinaison aléatoire de couleurs
+- Implémenter `cross_with(self, other)` → croisement en 1 point (renvoie 2 enfants)
+- Implémenter `mutate_gene(self, gene)` → remplace un gène par une autre couleur aléatoire
+- Tester chaque méthode indépendamment avant de passer à la suite
+
+**Point clé :** le croisement en 1 point prend un indice aléatoire et échange les parties.
+
+---
+
+## Phase 3 — Le problème : la classe Mastermind (Séances 5-6)
+
+**Objectif :** Définir comment évaluer une combinaison.
+
+- Implémenter `create_individual(self)` → crée un individu aléatoire du bon type
+- Implémenter `evaluate_fitness(self, individual)` → compte les gènes bien placés
+- Implémenter `best_individual(self, population)` → renvoie le meilleur de la population
+- Implémenter `tournament(self, first, second)` → compare deux individus, garde le meilleur
+- Tester avec une combinaison cible connue et vérifier que le score est correct
+
+---
+
+## Phase 4 — L'algorithme : la classe AlgoGen (Séances 7-8)
+
+**Objectif :** Assembler toutes les briques.
+
+- Implémenter `genesis(self)` → crée la population initiale
+- Implémenter `evaluate_population(self, population)` → évalue tous les individus
+- Implémenter `next_generation_tournament(self, population)` → sélection par tournoi
+- Implémenter `crossover(self, population)` → croisements entre les meilleurs
+- Implémenter `mutate(self, individuals)` → applique les mutations
+- Implémenter `solve(self, nb_generations)` → boucle principale
+
+---
+
+## Phase 5 — Tests, ajustement et documentation (Séances 9-10)
+
+**Objectif :** Valider et optimiser.
+
+- Tester avec la combinaison exemple : `Mastermind(["bleu", "blanc", "blanc", "rouge"])`
+- Faire varier les paramètres : taille de population, probabilité de mutation, taux de croisement
+- Observer : combien de générations faut-il en moyenne pour trouver la solution ?
+- Tracer la courbe de convergence (fitness max par génération)
+- Compléter le `SUIVI.md` et préparer les questions pour le Grand Oral
+
+---
+
+## Idées d'extension avancée
+
+- **Nouveau problème** : adapter le framework à un autre problème (labyrinthe, sac à dos, TSP...)
+- **Roulette vs tournoi** : implémenter une sélection par roulette et comparer les performances
+- **Mastermind jouable** : ajouter une interface où un humain joue contre l'IA
+- **Parallélisation** : tester plusieurs populations en parallèle et garder la meilleure
+
+---
+
+Auteur : Florian Mathieu — Licence CC BY NC