# 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