fix(search,g71): lectures dupliquées/désancrées reprises sur sorties imprimées — App-13b-TSP / CSP-7-Soft

MyIA.AI.Notebooks/Search/Applications/Hybrid/App-13b-TSP-Metaheuristics-CSharp.ipynb

@@ -333,6 +333,18 @@
     "Show(\"Tournée [0,1,2,3,4,5] longueur = \" + FI(small.TourLength(t)));\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : La matrice de distances affiche les distances euclidiennes entre 6 villes, avec une tournée initiale [0,1,2,3,4,5] de longueur 309.75."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "d6a170c7-dcd5-402d-961a-f54f4524caa3",
@@ -434,6 +446,18 @@
     "Show(\"Croissance : (N-1)! -> N=10 = 362880, N=12 = 4e7, N=15 = 8.7e10 (inatteignable).\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : La force brute énumère les 5,040 = 7! permutations (ville 0 fixée) et trouve l'optimum exact de 293.19 en 1.0 ms — tournée [0,5,4,7,1,6,2,3]. La croissance (N-1)! devient vite rédhibitoire : N=10 = 362880, N=12 = 4e7, N=15 = 8.7e10 permutations."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "56e04982-f0d6-4f1f-869e-b8edd28c22ce",
@@ -511,6 +535,18 @@
     "Show(\"Tournée NN : \" + TourStr(nnTour));\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : Le plus proche voisin construit en O(N²) la tournée [0,5,2,3,4,7,1,6] de longueur 344.77, soit un écart de 17.6% par rapport à optimum 293.19 — rapide mais systématiquement sous-optimal."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "fb07ce8a-bfbd-4795-9bc8-f676801decc4",
@@ -600,6 +636,18 @@
     "Show(\"2-opt rapproche fortement de l'optimum en O(N^2) par passage.\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : Parti de la tournée NN, le 2-opt converge en 4 inversions vers 293.19 — exactement l'optimum de la force brute (gap 0.00%) — chaque passage coûtant O(N²)."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "1e409b28-9f9b-432c-a1a1-8ff9db1dc39a",
@@ -678,6 +726,18 @@
     "Show(\"Recuit simulé N=8 (depuis NN, 20000 iters) : longueur = \" + FI(saLen) + \" (\" + saAcc + \" moves acceptes). Gap vs optimum = \" + FI(100*(saLen-bl)/bl, \"F2\") + \"%.\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : Le recuit simulé, lancé depuis la même tournée NN avec 20000 itérations, atteint lui aussi 293.19 en acceptant 2056 moves malgré le refroidissement (gap -0.00%) : l’acceptation de Metropolis tolère des dégradations temporaires pour échapper aux optimaux locaux."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "833095d7-ec99-43b5-b3e3-67282e2ddd2b",
@@ -873,6 +933,18 @@
     "Show(\"la force brute est infaisable (OR-Tools dans le twin Python donne la reference industrielle).\");"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : Le benchmark quantifie les écarts : à N=6/8/10, NN rend 328.09/344.77/365.98 (gap 16-18%) tandis que 2-opt et SA rejoignent l’optimum exact (278.24/293.19/314.41, gap 0.0%). Dès N=30 la force brute est infaisable et SA bat 2-opt : 461.97 vs 475.12 (N=30), 792.55 vs 803.45 (N=100), un gain de 1-4% — la valeur ajoutée de la métaheuristique à grande échelle."
+   ]
+  },
   {
    "cell_type": "markdown",
    "id": "ccfdb229-0fe2-4894-9b20-74350424a5f4",
@@ -934,6 +1006,18 @@
     "Show(\"Synthese affichee ci-dessus (tableau markdown).\");"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : La synthèse confirme que chaque approche a son domaine : force brute pour l'exactitude (N≤10), NN pour la rapidité, 2-opt et SA pour l'équilibre qualité/temps."
+   ]
+  },
   {
    "cell_type": "markdown",
    "execution_count": null,
@@ -1215,6 +1299,18 @@
     "Show(\"dedie cote utilisateur : toute la logique vit dans le moteur Google, comme en Python.\");\n"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {
+    "tags": [
+     "lecture-ancree",
+     "pedagogie-density"
+    ]
+   },
+   "source": [
+    "**Lecture ancrée** : Le routing solver OR-Tools confirme la parité avec la force brute sur les petites instances (278.24/293.19/314.41, OK en ~1 s) et domine à grande échelle : 750.22 vs 792.55 pour SA à N=100 (+5.3%). Prudence : RoutingModel est une métaheuristique GLS, pas un solveur exact — aucune garantie d’optimalité, contrairement à CP-SAT."
+   ]
+  },
   {
    "cell_type": "markdown",
    "execution_count": null,
@@ -1479,4 +1575,4 @@
  },
  "nbformat": 4,
  "nbformat_minor": 5
-}
+}