fix(search,g69): re-ancrage GA + décontamination sac/créneaux + coût WEAK ≠ satisfaction — App-10-Portfolio / CSP-7-Soft-Csharp

MyIA.AI.Notebooks/Search/Applications/Hybrid/App-10-Portfolio.ipynb

@@ -146,6 +146,13 @@
     "print(\"Environnement pret.\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : PyGAD 3.5.0 et l'environnement sont prêts, validant la configuration de base.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "p1yavcoqvca",
@@ -255,6 +262,13 @@
     "print(\"=\" * 55)"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Les caractéristiques des actifs montrent un rendement croissant de 5 % à 25 % et un risque de 10 % à 22,4 %, avec un ratio Sharpe individuel allant de 0,30 à 1,03, reflétant le compromis classique entre rendement et volatilité.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "c7khflhfcd",
@@ -371,6 +385,13 @@
     "print(f\"  Sharpe    : {sharpe_ratio(w_equal):.4f}\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Les fonctions utilitaires calculent pour un portefeuille équipondéré un rendement de 15,00 %, un risque de 8,98 % et un ratio de Sharpe de 1,4469, ce qui valide le calcul des métriques de base sur l'ensemble des actifs.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "n3pbaud98c",
@@ -481,6 +502,13 @@
     "> **Note** : La zone au-dessus et a gauche de chaque actif individuel est accessible uniquement par la diversification. C'est la puissance de la théorie de Markowitz."
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Le graphe place les 5 actifs sur un axe risque-rendement, montrant leur alignement caractéristique.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "rq8m0slcbm",
@@ -583,6 +611,13 @@
     "    print(f\"    {name:<15} : {best_random_weights[i]:>6.1%}\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : L'échantillonnage de 10 000 portefeuilles en 55 ms produit un meilleur Sharpe de 1,4807 (rendement 18,43 %, risque 11,10 %) avec une allocation concentrée sur les actifs les plus risqués, confirmant que l'espace de recherche est bien couvert.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "zjbowh2c8r",
@@ -822,6 +857,13 @@
     "    print(f\"  {key}: {ga_config[key]}\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : La configuration PyGAD utilise 150 générations, 50 solutions par population et 5 gènes (un par actif), avec une sélection parentale SSS, un croisement uniforme et un taux de mutation de 20 %, ce qui définit un espace de recherche adapté à ce problème de 5 dimensions.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "17ml9o6bmwa",
@@ -926,6 +968,13 @@
     "    print(f\"    {name:<15} : {best_ga_weights[i]:>6.1%}\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Le GA tient son optimum tôt : « Generation 50 : best Sharpe = 1.4839 » — puis ne bouge plus jusqu'à la génération 150 (avg finale 1,4422). « Optimisation terminee en 203 ms (150 generations) » ; meilleur portefeuille : rendement 17,97 %, risque 10,76 %, Sharpe 1,4839 — un cheveu au-dessus de l'échantillonnage aléatoire (1,4807) pour une allocation voisine : Obligations 2,4 %, Immobilier 18,7 %, Actions EU 24,3 %, Actions US 26,4 %, Emergents 28,3 %."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "o0and0yvl7",
@@ -1213,6 +1262,13 @@
     "print(f\"\\n{len(frontier_portfolios)} portefeuilles calcules pour la frontiere.\")"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : L'exploration paramétrique de la frontière efficiente montre que le ratio de Sharpe maximale de 1,4838 est atteint pour α=1,5 (rendement 17,76 %, risque 10,62 %), illustrant le compromis optimal entre risque et rendement pour ce jeu d'actifs.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "qz1h36magf",
@@ -3010,4 +3066,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 5
-}
+}

MyIA.AI.Notebooks/Search/Part2-CSP/CSP-7-Soft-Csharp.ipynb

@@ -182,6 +182,14 @@
     "Console.WriteLine($\"Existe : {File.Exists(dllPath7)}\");"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Le répertoire CspDir7 a été trouvé — l'imprimé le confirme : « DLL Choco trouvée : org.chocosolver.solver.dll » et « Existe : True ».\n",
+    ""
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 2,
@@ -259,6 +267,13 @@
     "Console.WriteLine(\"IKVM 8.15.0 pret (home=\" + Path.GetFileName(ikvmHome) + \", tzdb=\" + tzdbOk + \") - Choco-solver charge\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : IKVM 8.15.0 est prêt avec les packages `IKVM` et `IKVM.Image` installés, et Choco-solver est chargé depuis `ikvm-home-8.15.0-win-x64`, confirmant que l'interopérabilité Java-.NET est fonctionnelle.\n"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 3,
@@ -297,6 +312,13 @@
     "Console.WriteLine(\"Choco-solver 4.10.17 chargé — WeightedSum + CostRegular disponibles\");"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : La DLL Choco-solver `org.chocosolver.solver.dll` est trouvée et accessible, ce qui permet d'utiliser le moteur de contraintes Java depuis .NET via IKVM.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "d67a3cc6",
@@ -321,6 +343,13 @@
     "- Objectif : `model.Sum(participantCosts, \"=\", totalCost).Post()` + `model.SetObjective(totalCost, MINIMIZE)`"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Choco-solver 4.10.17 est chargé avec les modules WeightedSum et CostRegular disponibles.\n"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 4,
@@ -529,6 +558,13 @@
     "Console.WriteLine($\"Total créneaux distincts : {seen2.Count}, coût optimal = {lastCost}\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : L'énumération ordonnée ne trouve qu'une solution : « Créneau 9h (idx 0) → coût total = 1 », « Total créneaux distincts : 1, coût optimal = 1 » — les autres créneaux sont éliminés par les contraintes dures ; la pondération ne sert plus qu'à ordonner ce qui reste."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "ee6a1744",
@@ -694,6 +730,13 @@
     "Console.WriteLine();\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : « Sac multi-objectif résolu en 9 ms » et la solution est vide : « Coût pondéré = 0 », « Poids total = 0 / 12 », « Coût total = 0 », aucun objet pris. Avec α=5 (poids) et β=1 (coût), prendre un objet coûte au moins 5 unités de pénalité sans rien rapporter — l'optimum du scalaire pondéré est de ne rien prendre. C'est la limite de la scalarisation multi-objectif : la pondération peut rendre toute solution non vide non rentable."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "d7865b08",
@@ -843,6 +886,13 @@
     "**Modélisation Choco** : pour chaque paire (i,j), on définit un booléen `same_{ij} = (x_i == x_j)`, et le coût total = somme des `same_{ij}` × coût_unitaire."
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : La séquence de routage optimale `[0, 0, 0]` a un coût total de 3 et est résolue en 3 ms, démontrant l'efficacité de `CostRegular` pour les problèmes de coût pondéré sur graphe.\n"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 8,
@@ -953,6 +1003,13 @@
     "***## 4. Fuzzy CSP : degrés d'appartenance et combinaison min (~20 min)Le **Fuzzy CSP** relâche la dichotomie satisfaite/violée au profit de **degrés** dans $[0, 1]$ :- **1.0** : contrainte parfaitement satisfaite- **0.5** : contrainte partiellement satisfaite- **0.0** : contrainte complètement violéeLa satisfaction globale d'une instanciation est le **minimum** des degrés de toutes les contraintes (principe du « maillon le plus faible »). Le solveur cherche l'instanciation qui **maximise ce minimum** — c'est l'optimum d'équité max-min.### Exemple : planification de vacancesVariables :- **Destination** ∈ {Paris, Londres, Rome}- **Mois** ∈ {Juin, Juillet, Août}Trois contraintes floues :- **Préférence temporelle** : Juillet (1.0) > Août (0.7) > Juin (0.4)- **Préférence géographique** : Rome (1.0) > Paris (0.8) > Londres (0.3)- **Budget** : satisfaction = max(0, 1 − (cout − 1000) / 500) si 1000 ≤ cout ≤ 1500, 1.0 si cout ≤ 1000, 0.0 si cout > 1500 (dégressif entre 1000 et 1500 EUR, le seuil idéal est 1000 EUR)L'optimum doit combiner les trois — pas le meilleur mois tout seul ni la meilleure destination toute seule, mais la combinaison qui maximise le minimum des trois.### Encodage ChocoChoco n'a pas de primitive floue first-class, mais le pattern « variable de satisfaction + min + maximize » est idiomatique. On code :- deux `IntVar` pour les variables de décision (destination ∈ [1,3], mois ∈ [1,3])- trois `IntVar` ∈ [0, 1000] pour les degrés de satisfaction (encodage entier pour éviter les flottants en propagation)- un `IntVar` global_sat ∈ [0, 1000] forcé à être le **min** des trois degrés via `model.min(...)`- l'objectif : **maximiser** global_sat (`model.setObjective(true, globalSat)`)Les degrés sont attachés à la valeur de la variable par `model.element(sat, table, var)` où `table` est un tuple indexé par la valeur de la variable. Pour le budget, on linéarise la fonction d'appartenance avec un test sur la valeur de destination (coût moyen par destination : Paris=1200, Londres=1400, Rome=1100)."
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : SoftAllDifferent trouve la solution `[4, 1, 0, 3, 2]` avec un coût de violation de 0 en 1 ms, prouvant que toutes les valeurs peuvent être distinctes sans pénalité.\n"
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 9,
@@ -1173,6 +1230,13 @@
     "Console.WriteLine($\"Boolean  : Project(true, false) = {booleanSr.Project(true, false)}, Combine(false, false) = {booleanSr.Combine(false, false)}\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Le cadre algébrique s'instancie en trois semi-anneaux dont l'imprimé teste les neutres : Fuzzy — « Project(1.0, 0.7) = 0,7 » (Top neutre), « Combine(0.0, 0.7) = 0,7 » (Bottom neutre) ; Weighted — « Project(0.0, 5.0) = 5 », « Combine(+inf, 5.0) = 5 » ; Boolean — « Project(true, false) = False », « Combine(false, false) = False ». Chaque triplet (Project, Combine, neutres) définit une sémantique de composition des préférences ; le commentaire du code ancre le cadre : Bistarelli-Montanari-Rossi 1997."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "semiring-md-2",
@@ -1364,6 +1428,13 @@
     "Console.WriteLine($\"Accord exact framework vs moteur : {Math.Abs(bestValue - chocoBest / 1000.0) < 1e-9}\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : Les deux approches (cadre semi-anneau par force brute et moteur Choco par propagation max-min) produisent le même résultat `Rome en Juillet -> 0,8`, validant la cohérence entre l'implémentation framework et le moteur de contraintes natif.\n"
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "semiring-md-4",
@@ -1600,6 +1671,13 @@
     "3. Verifiez que la solution respecte le budget de 1200 EUR"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "**Lecture** : La configuration imprimée (i5-12400, MSI PRO B660M, RTX 3060, Corsair CV 550W, NZXT H510) : « Prix total : 815 EUR (budget 820) » et « Score total : 145 (min 145) » — les deux contraintes STRONG sont saturées. Sur les quatre WEAK, seule la couleur (noir, préférée) est satisfaite : le « Score objectif : 5 x 0 (strong) + 3 (weak) = 3 » est le coût des violations WEAK (deux marques non préférées + garantie courte), pas un décompte de préférences satisfaites. L'imprimé clôt l'accord : « le jumeau Python (CP-SAT) trouve le meme objectif = 3 sur le meme catalogue »."
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 14,
@@ -1953,4 +2031,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 5
-}
+}