myia-ai-01 · Oct 14, 2026 · Oct 13, 2026
diff --git a/MyIA.AI.Notebooks/Search/Part1-Foundations/README.md b/MyIA.AI.Notebooks/Search/Part1-Foundations/README.md
@@ -16,7 +16,7 @@ Trois extensions complètent le panorama. La couverture exacte et les Dancing Li
 
 ## Pourquoi cette partie
 
-Cette partie est l'alphabet de toute la série : la formalisation en espace d'états, le backtracking et les heuristiques qu'on y construit sont réutilisés tels quels par la programmation par contraintes (Partie 2) et par les 40 notebooks d'application. Mais son véritable enseignement est un réflexe d'ingénieur : chaque algorithme y est présenté comme un compromis — complétude contre mémoire, garantie contre temps de calcul, exploration contre exploitation — et jamais comme une recette. C'est ce réflexe, plus que tel ou tel algorithme, qui distingue celui qui applique une bibliothèque de celui qui choisit une stratégie.
+Cette partie est l'alphabet de toute la série : la formalisation en espace d'états, le backtracking et les heuristiques qu'on y construit sont réutilisés tels quels par la programmation par contraintes (Partie 2) et par les notebooks d'application. Mais son véritable enseignement est un réflexe d'ingénieur : chaque algorithme y est présenté comme un compromis — complétude contre mémoire, garantie contre temps de calcul, exploration contre exploitation — et jamais comme une recette. C'est ce réflexe, plus que tel ou tel algorithme, qui distingue celui qui applique une bibliothèque de celui qui choisit une stratégie.
 
 ## Objectifs d'apprentissage
 
@@ -71,6 +71,7 @@ Cette partie est l'alphabet de toute la série : la formalisation en espace d'é
 | 11 (.NET) | [Search-11-Metaheuristics (C#)](Search-11-Metaheuristics-CSharp.ipynb) | .NET (C#) | **Jumeau .NET** : PSO (inertie décroissante + clamp velocity), recuit simulé (acceptation Metropolis, pas proportionnel à √(T/T₀)), algorithme génétique (tournoi, croisement arithmétique, mutation gaussienne, élitisme) from-scratch, fonctions de benchmark (Sphere/Rastrigin/Rosenbrock/Ackley), convergence gbest monotone, benchmark comparatif PSO/SA/GA, optimisation de profit (retrouve l'optimum analytique x≈17.14, y≈15.71), TSP par recuit 2-opt — parité #4956, tables texte au lieu de matplotlib | ~1h30 |
 | 11b (.NET) | [Search-11b-Metaheuristiques-Deep](Search-11b-Metaheuristiques-Deep.ipynb) (+ [T2 PSO](Search-11b-Metaheuristiques-Deep-Part2.ipynb), [T3 ABC](Search-11b-Metaheuristiques-Deep-Part3.ipynb), [T4 Benchmark](Search-11b-Metaheuristiques-Deep-Part4.ipynb)) | .NET (C#) | **Déclinaison deep-dive** en 4 volets — un algorithme from-scratch approfondi par tranche : recuit simulé (T1), Particle Swarm Optimization (T2), Artificial Bee Colony (T3), benchmark comparatif capstone (T4). Complète le jumeau 11 (.NET) (survol PSO/SA/GA) par un traitement détaillé algorithme par algorithme | ~4×45 min |
 | 11c | [Search-11c-Empirical-Algorithm-Selection](Search-11c-Empirical-Algorithm-Selection.ipynb) | Python 3 | Distillation du projet L4 EPITA SCIA 2026 (Th. Deguest, PR source #42) : **sélection empirique d'algorithmes** sous protocole commun (timeout 5 s, budget nœuds explicite, métriques uniformes) sur deux terrains — Sudoku (BT naïf/MRV, DLX, CP-SAT, Z3, GA, recuit simulé ; tranche 1) et Puissance 4 (random, minimax, alpha-beta, MCTS ; round-robin double, tranche 2) — front de Pareto qualité-coût, sweep de budget qui **inverse la sélection**, carte problème × paradigme : No Free Lunch mesuré (Rice 1976, Wolpert 1996), écho App-14 | ~1h30 |
+| 11d | [Search-11d-Descente-Sous-Budget](Search-11d-Descente-Sous-Budget.ipynb) | Python 3 | Variante de Search-11 et Search-11c : la loi derrière les descentes sous budget (op 11 du chantier ICT, [#12204](https://github.com/jsboige/CoursIA/issues/12204)). Les hypothèses de `SymbolicAI/Lean/mimo_lean/Descent.lean` sont exercées au runtime : décroissance stricte et confinement vérifiés à chaque mouvement accepté, plafond d'évaluations vérifié à chaque exécution, sans violation sur des graines fixes. L'hypothèse `hnostall` (un mouvement améliorant existe toujours hors de la cible) y est réfutée : à budget généreux, tous les blocages sont des optima locaux hors cible. La courbe qualité-budget plafonne ensuite, car les arrêts restants sont des blocages et non des interruptions. Bibliothèque standard seule, trois exercices (restarts, barrière, voisinage 2-flip) | ~45 min |
 | 12a | [Search-12a-Composer-Regards](Search-12a-Composer-Regards.ipynb) | Python 3 | **Composer des regards** (op 12 du chantier ICT, [#12204](https://github.com/jsboige/CoursIA/issues/12204)) : play forward (`g`, Dijkstra depuis le départ) × coplay backward (`d`, Dijkstra depuis l'arrivée) sur un gridworld pondéré 10×14 déterministe — corridor optimal isolé par `f* = g + d` (19/140 nœuds), associativité de la composition à relais (toujours vraie comme opérateur), exactitude conditionnelle (écart 0 sur route, +2 hors route : inégalité triangulaire), **paire de lectures incompatibles exhibée** (coût × pas : divergence dès le pas 1, route à +32 de coût ; A* 24 vs 75 expansions) — 2e attestation directe, substrat indépendant de GT-21 (#12245) | ~1h |
 | 13a | [Search-13a-Traverser-Murs-Certifies](Search-13a-Traverser-Murs-Certifies.ipynb) | Python 3 | **Traverser un mur** (op 13 du chantier ICT, [#12204](https://github.com/jsboige/CoursIA/issues/12204)) : pavage hexagonal de 61 salles (coordonnées axiales), deux chambres séparées par une double chaîne de murs (8+9 cellules de coût 3 contre sol à 1) fermant l'anneau de bout en bout, six swaps générateurs (les six directions hexagonales) — chemin minimal **certifié** par quatre organes indépendants (Dijkstra L=12, audit de potentiels : 312 arêtes, 0 violation, égalités serrées le long du chemin ; 0-1 BFS : épaisseur m_path=2 ; flot max Edmonds-Karp par nœuds fendus : largeur m=8 = coupure minimale, certificat de coupe par BFS) — distinction **épaisseur** (murs sur un chemin) vs **largeur** (murs à démolir, Menger), test négatif de l'opération : percement Δ=−2 et certificat rejeté (pas un morphisme) contre swap silencieux de feuille Δ=0 et certificat préservé (morphisme), balayage du coût c_w qui bascule le point de passage (3 → 2 murs franchis) — 2e attestation directe, substrat indépendant de GT-24 (#12364) | ~1h |
 
@@ -84,7 +85,7 @@ Les notebooks absorbés forment un **triptyque** aux stratégies complémentaire
 
 Les trois premiers notebooks forment le socle commun — on y apprend à poser un problème, puis à l'explorer systématiquement — et tout le reste s'y greffe. Au-delà, le parcours n'est pas linéaire : cinq branches indépendantes s'ouvrent, à prendre dans l'ordre de vos curiosités :
 
-- **Recherche locale et évolutive** : Search-4 (LocalSearch) puis Search-5 (GeneticAlgorithms) puis Search-11 (Metaheuristics)
+- **Recherche locale et évolutive** : Search-4 (LocalSearch) puis Search-5 (GeneticAlgorithms) puis Search-11 (Metaheuristics), puis Search-11d (Descente-Sous-Budget) pour la loi de terminaison des descentes
 - **Recherche dans les jeux** : Search-3 puis Search-6 (AdversarialSearch) puis Search-7 (MCTS)
 - **Couverture exacte** : Search-2 puis Search-8 (DancingLinks)
 - **Boîte à outils de graphes** : Search-2 puis Search-2b (NetworkX, ou son jumeau C#) puis Search-2c (QuikGraph)
@@ -192,7 +193,7 @@ Le véritable enseignement, au-delà du catalogue d'algorithmes, est un **réfle
 ### Prochaines étapes
 
 - **La programmation par contraintes** : la suite naturelle est la [Partie 2 (CSP)](../Part2-CSP/README.md), qui réutilise le backtracking et les heuristiques de cette partie pour propager des contraintes plutôt que d'énumérer — la réduction de l'espace de recherche y devient systématique plutôt qu'heuristique.
-- **Les applications** : les [40 notebooks d'application](../Applications/README.md) (détection de contours, TSP, VRP, optimisation de portefeuille, hyperparameter tuning) mobilisent directement les métaheuristiques et la recherche locale vues ici sur des problèmes réels.
+- **Les applications** : les [notebooks d'application](../Applications/README.md) (détection de contours, TSP, VRP, optimisation de portefeuille, hyperparameter tuning) mobilisent directement les métaheuristiques et la recherche locale vues ici sur des problèmes réels.
 - **Les ponts vers les autres séries** : les Dancing Links irriguent [Sudoku](../../Sudoku/README.md), Minimax et MCTS se prolongent dans [GameTheory](../../GameTheory/README.md) (OpenSpiel) puis [RL](../../RL/README.md) (politiques apprises), et les prédicats Z3 de Search-10 ouvrent sur [SymbolicAI](../../SymbolicAI/README.md). Reprendre un de ces ponts après avoir posé les fondations de la recherche donne aux primitives une nouvelle profondeur.
 - **La série dans son ensemble** : le [sommaire Search](../README.md) cartographie les quatre parties et les applications — celle-ci est le socle commun.
 

diff --git a/MyIA.AI.Notebooks/Search/Part2-CSP/README.md b/MyIA.AI.Notebooks/Search/Part2-CSP/README.md
@@ -120,7 +120,7 @@ Pour le setup complet, voir le [README de la série Search](../README.md).
 | Solveur CP-SAT trop lent sur les grandes instances | Préférer les contraintes globales (AllDifferent, Cumulative) aux contraintes binaires équivalentes ; utiliser LNS (CSP-3) |
 | Comment choisir entre CP-SAT et un solveur SAT ? | CP-SAT pour les contraintes globales et l'optimisation (objectif), SAT pour la décision pure ; CSP-6 détaille les compromis |
 | CSP-9 : les algorithmes distribués ne convergent pas | Vérifier que le réseau de contraintes est un arbre, ou utiliser AWC (Weak-Commitment) au lieu d'ABT |
-| Où sont les applications concrètes ? | Voir [Applications](../Applications/README.md) : 40 notebooks (N-Queens, Nurse Scheduling, VRP, TSP...) |
+| Où sont les applications concrètes ? | Voir [Applications](../Applications/README.md) : notebooks d'application (N-Queens, Nurse Scheduling, VRP, TSP...) |
 
 ## Ponts vers SymbolicAI
 
@@ -160,7 +160,7 @@ CSP-1 (Fundamentals) ──> CSP-2 (Consistency) ──> CSP-3 (Advanced)
 | Série | Lien | Relation |
 | ------- | ------ | ---------- |
 | [Partie 1 : Search](../Part1-Foundations/README.md) | Fondamentaux | Prérequis : backtracking, heuristiques |
-| [Applications](../Applications/README.md) | 40 notebooks d'application | Mise en pratique des CSP |
+| [Applications](../Applications/README.md) | Notebooks d'application | Mise en pratique des CSP |
 | [Search (parent)](../README.md) | Vue d'ensemble | Contexte et parcours global |
 | [Sudoku](../../Sudoku/) | Résolution par contraintes | Application directe des CSP |
 | [SymbolicAI/SMT/Z3-Linq2Z3](../../SymbolicAI/SMT/Z3-Linq2Z3/README.md) | Solveur SMT | CSP-6 (LCG) et automates symboliques |
@@ -215,7 +215,7 @@ Le véritable enseignement est une **sensibilité à la modélisation** : le mê
 
 ### Prochaines étapes
 
-- **Les applications** : les [40 notebooks d'application](../Applications/README.md) (N-Queens, Nurse Scheduling, VRP, TSP, Picross, Minesweeper CSP) mettent en pratique CP-SAT sur des problèmes concrets avec benchmark baseline-comparison.
+- **Les applications** : les [notebooks d'application](../Applications/README.md) (N-Queens, Nurse Scheduling, VRP, TSP, Picross, Minesweeper CSP) mettent en pratique CP-SAT sur des problèmes concrets avec benchmark baseline-comparison.
 - **Vers le raisonnement symbolique** : la modélisation déclarative de cette partie est le premier contact avec un mode de raisonnement qu'approfondissent [Z3/SMT](../../SymbolicAI/SMT/Z3-Linq2Z3/README.md) (SMT solving), les [Planners](../../SymbolicAI/Planners/) (PDDL, HTN) et [Tweety](../../SymbolicAI/Tweety/) (logique formelle) côté SymbolicAI. CSP-6 (LCG) fait explicitement le pont vers SAT.
 - **Retour aux fondamentaux** : après avoir vu la puissance de la propagation, reprendre [Search-2 (backtracking)](../Part1-Foundations/Search-02-Uninformed.ipynb) — le DFS y apparaît comme un cas particulier de CSP sans propagation, et l'on mesure le saut qu'apportent AC-3/MAC.
 - **La série dans son ensemble** : le [sommaire Search](../README.md) cartographie les quatre parties et les applications — celle-ci est le socle déclaratif qui prolonge la Partie 1 (recherche) et prépare la Partie 4 (métaheuristiques) et les Applications.

diff --git a/MyIA.AI.Notebooks/Search/_archive/README.md b/MyIA.AI.Notebooks/Search/_archive/README.md
@@ -7,7 +7,7 @@ Ce répertoire contient les anciennes versions des notebooks Python qui se trouv
 ### `CSPs_Intro.ipynb`
 
 - **Date d'archivage** : 2026-07-03
-- **Raison** : Remplacé par la sous-série `Part2-CSP/` (9 notebooks dédiés : `CSP-1-Fundamentals.ipynb` à `CSP-9-Advanced-Topics.ipynb`) qui introduit les concepts progressivement (contraintes, propagation, backtracking, AC-3, recherche locale) plutôt qu'en un seul document monolithique.
+- **Raison** : Remplacé par la sous-série `Part2-CSP/` (notebooks dédiés : `CSP-1-Fundamentals.ipynb` à `CSP-9-Distributed.ipynb`) qui introduit les concepts progressivement (contraintes, propagation, backtracking, AC-3, recherche locale) plutôt qu'en un seul document monolithique.
 - **Contenu original** : introduction aux CSPs (Constraint Satisfaction Problems) — définitions, formalisme, exemples jouets.
 - **Nouvelle structure** : `Part2-CSP/CSP-1-Fundamentals.ipynb` couvre les mêmes bases avec un cadre unifié (variables/domaines/contraintes), puis les notebooks 2 à 9 développent chaque technique.
 
@@ -17,13 +17,13 @@ Ce répertoire contient les anciennes versions des notebooks Python qui se trouv
 - **Raison** : Remplacé par la sous-série `Part1-Foundations/` qui sépare clairement exploration non-informée (`Search-02-Uninformed.ipynb` : BFS, DFS, UCS, IDS, profondeur itérative) et exploration informée (`Search-03-Informed.ipynb` : greedy best-first, A*, variantes pondérées) en deux notebooks distincts plutôt qu'un document mêlant les deux familles.
 - **Contenu original** : survol des algorithmes d'exploration non-informée (BFS/DFS) et informée (A*) en un seul notebook.
 - **Nouvelle structure** :
-  - `Part1-Foundations/Search-1-Landscape.ipynb` — panorama
+  - `Part1-Foundations/Search-01-StateSpace.ipynb` — formalisation de l'espace d'états (le « panorama » annoncé n'a pas de carnet homonyme)
   - `Part1-Foundations/Search-02-Uninformed.ipynb` — exploration non-informée
   - `Part1-Foundations/Search-03-Informed.ipynb` — exploration informée et heuristiques
 
 ## Vérification de la migration
 
-- **Part1-Foundations/** : 11 notebooks (Search-1 à Search-11), couverture exhaustive incluant uninformed + informed + variantes (IDA*, SMA*, RBFS) + benchmarks.
+- **Part1-Foundations/** : séries Search-1 à Search-11 et leurs accrétions, couverture des algorithmes non informés et informés (BFS, DFS, UCS, IDDFS, A*, IDA*) et des benchmarks de métaheuristiques.
 - **Part2-CSP/** : 9 notebooks (CSP-1 à CSP-9), couverture CSPs du fondamental aux techniques avancées (AC-3, forward checking, MAC, recherche locale).
 - **Recherche linéaire dans la racine** : `find MyIA.AI.Notebooks/Search/ -maxdepth 1 -name "*.ipynb" -not -path "*/archive/*"` ne renvoie plus que les sous-répertoires `Part1-Foundations/`, `Part2-CSP/`, `Part4-Metaheuristics/`, `search_lean/`, `archive/` (C204-PR #5187) et (C205-PR #5193) ont déjà migré les autres familles.