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]

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.

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

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

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

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