Search-1 : Espaces d’etats et formalisation de problemes (C# / .NET 9.0)
Navigation : Index | Précédent | Suivant >>
Search — Algorithmes de recherche
Série pédagogique niveau 1 — BFS, DFS, A*, métaheuristiques, CSP
Série Search du dépôt CoursIA — algorithmes de recherche uninformed/informed, métaheuristiques, CSP, planification. Point d’entrée idéal pour débutants en IA.
Search — Algorithmes de recherche
Point d’entrée idéal pour les débutants en intelligence artificielle. La série couvre l’ensemble du spectre des algorithmes de recherche : exploration non informée (BFS, DFS, Dijkstra), exploration informée (A*, heuristiques), recherche adversariale (minimax, alpha-beta), Monte Carlo Tree Search, métaheuristiques (recuit simulé, algorithmes génétiques, essaims), et résolution de contraintes (CSP).
Vue d’ensemble
La série Search comporte 19+ notebooks répartis en 3 parties complémentaires. Chaque notebook est exécuté et commité avec ses sorties (règle C.2), prêts à explorer.
| Partie | Notebooks | Focus pédagogique |
|---|---|---|
| Part1-Foundations | 16 (+1 companion formel) | Exploration uninformed/informed, recherche arborescente, A, MCTS, PDB, LDS, Weighted A |
| Part2-CSP | 5 | Satisfaction de contraintes, cohérence, propagation, scheduling |
| Part4-Metaheuristics | 18 | MGS — métaheuristiques hybrides avec analyse de paysage |
Kernels : python3 · GPU : non · Prérequis : AUCUN — série adaptée à un premier contact avec l’IA.
Parcours : Parcours 1 — local sobre · niveau 1
Foundations — Algorithmes fondamentaux
Aucun article correspondant
CSP — Satisfaction de contraintes
Aucun article correspondant
Advanced — Recherche avancée
Metaheuristics — MGS
Aucun article correspondant
Companion formel — Lean 4
Le lake search_lean formalise la correction de A* sous heuristique admissible puis consistante (0 sorry de production, prong-B Epic #3801 : terrain pondéré où l’heuristique discrimine, pas un cas dégénéré où A* ≡ BFS). Le companion de la série Search est :
- Search-03e-AStar-Optimality — visite formelle Python de
search_lean, descente tranche 1 #13662 depuisSymbolicAI/Lean/.
Le second lake de la série, discrepancy_lean, formalise la discrépance combinatoire (distillation Bansal–Jiang 2025, arXiv:2508.03961) : colorations ±1 de systèmes d’ensembles de degré ≤ k, borne de Beck–Fiala assemblée, borne inférieure d’Erdős–Spencer à constante explicite. Ses companions :
- Discrepancy-02-Komlos-Lean — compagnon formel, kernel
lean4-wsl:#checkdes énoncés du lake et témoins coloriés ±1 énumérés exhaustivement sur des instances jouet ; - Discrepancy-01-BeckFiala-Lean-Python — pont Python vers le même lake (CP-SAT en oracle exact), sans Lean au runtime.
Démarrage rapide
git clone https://github.com/jsboige/CoursIA.git
cd CoursIA
python -m venv .venv
source .venv/bin/activate # ou .venv\Scripts\activate sous Windows
pip install jupyter papermill numpy networkx matplotlib
jupyter notebook MyIA.AI.Notebooks/Search/Ressources complémentaires
- Catalogue :
COURSE_CATALOG.generated.md— inventaire exhaustif de la série avec statuts READY/DEMO, kernels, GPU. - README de série : Search/README.md — table des matières détaillée.
- Séries connexes : GameTheory (jeux combinatoires), Sudoku (CSP appliqués).
Pour aller plus loin
Une fois la série Search maîtrisée, les parcours conseillés sont :
- Vers l’apprentissage : RL — Reinforcement Learning (PPO, DQN, Decision Transformer)
- Vers la planification : SymbolicAI/Planners — OR-tools, planificateurs
- Vers les jeux : GameTheory — équilibre de Nash, théorème de Folk