Jeu de Reversi en C.

Ce jeu a été réalisé dans un cadre universitaire, en tant que projet de programmation impérative pour la seconde année de licence en informatique à l’université Jean Monnet.

Les personnes ayant participé au projet sont :

• Adrien Defay
• Gaultier Peyrard
• Dorian Breuil

Pour exécuter le Makefile du projet, il est nécessaire d’installer la bibliothèque MLV.
Pour plus d’informations :
👉 Installation de MLV

• src/ : Contient le code source de l’application.
• fich/ : Contient les fichiers de configuration et les scripts auxiliaires.
• build/ : Contient les fichiers objets générés lors de la compilation.

Le code est organisé en plusieurs modules :

• Main : module principal
• Gamewindow : gestion de la fenêtre de jeu
• Plateau : gestion du plateau de jeu
• Arbre : gestion de l’arbre de décisions
• Coordonnee : gestion des coordonnées
• Graph : gestion des graphique d'annalise

Contient les informations relatives au plateau de jeu :

• mat : tableau 2D (0 = vide, 1 = noir, 2 = blanc, 4 = jouable)
• l, c : dimensions du plateau
• joueur, bot : couleur respective (1 = noir, 2 = blanc)
• scoreb, scoren : scores des Blancs et Noirs

Représente un arbre de décisions pour l’IA :

• val : valeur du coup (basée sur une grille stratégique)
• coord : coordonnées du coup
• branches : tableau de sous-arbres (coups suivants)
• nb_fils : nombre de coups enfants

• x, y : entiers (coordonnées)

• len : taille du tableau
• tab : tableau de coordonnées

L’IA sélectionne une case aléatoirement parmi les coups valides. C’est la version la plus simple.

Utilisation d’une matrice d’évaluation des positions :

 {COIN,DANG,BORD,BORD,BORD,BORD,DANG,COIN}, {DANG,DANG,MAUV,MAUV,MAUV,MAUV,DANG,DANG}, {BORD,MAUV,BASE,BASE,BASE,BASE,MAUV,BORD}, {BORD,MAUV,BASE,DEFA,DEFA,BASE,MAUV,BORD}, {BORD,MAUV,BASE,DEFA,DEFA,BASE,MAUV,BORD}, {BORD,MAUV,BASE,BASE,BASE,BASE,MAUV,BORD}, {DANG,DANG,MAUV,MAUV,MAUV,MAUV,DANG,DANG}, {COIN,DANG,BORD,BORD,BORD,BORD,DANG,COIN} 

Légende :

• 150 (COIN) : coins, prioritaires car irréversibles
• 10 (BORD) : bords avantageux
• 1 (BASE) : positions sûres
• 0 (DEFA) : neutres
• -10 (MAUV) : risquées
• -150 (DANG) : à éviter absolument

Utilisation de simuler_cou_prof_3() :
Elle simule 2 coups du joueur et 2 coups du bot. Elle retourne un arbre d’évaluation des coups possibles.
Si plusieurs coups ont la même valeur, le choix est fait aléatoirement.

Approche récursive avec simuler_coup_prof_n() :
Cette fonction permet de simuler une profondeur arbitraire de coups pour l’IA.
Elle prend en argument :

• un plateau
• la couleur du bot
• la profondeur de l’arbre à calculer

le problémes que nous rencontrons à cette étapes est le temps de calcul nécessaire pour trouver le bon chemin on utilise l'algo minmax on parcour l'entièreter de l'abre pour palier se problémes on utilise l'algoritmhe alphabeta :

L’algorithme Alpha-Beta est une version optimisée de Minimax, utilisé pour explorer les coups possibles dans un jeu comme Reversi, tout en réduisant les calculs inutiles grâce à des coupes intelligentes.

• Deux joueurs :

  • MAX : cherche à maximiser son score
  • MIN : cherche à minimiser le score adverse

• Paramètres clés :

  • Alpha : meilleure valeur que MAX peut garantir jusqu’ici
  • Beta : meilleure valeur que MIN peut garantir jusqu’ici

• Recherche récursive :

  • À chaque niveau de profondeur, on explore les coups possibles.
  • On met à jour Alpha et Beta à chaque nœud.
  • Si une branche ne peut pas influencer le résultat final, elle est coupée (non explorée).

• Si MIN trouve un coup pire que ce que MAX accepte déjà (score ≤ alpha), il arrête d'explorer (coupe Alpha).
• Si MAX trouve un coup meilleur que ce que MIN tolère (score ≥ beta), il coupe aussi (coupe Beta).

• Évite d’explorer des coups non pertinents.
• Permet une recherche plus profonde dans le même temps.
• Plus efficace que Minimax simple, surtout quand l’ordre des coups est bien optimisé.

L’algorithme Alpha-Beta est particulièrement adapté à Reversi en raison du grand nombre de coups possibles à chaque tour. Il est essentiel pour une IA efficace dans ce type de jeu.

pour la phase 6 nous avions déjà effectuer un arbre ne stockant que les valeurs de poids et les coordonnées des coups donc on utilisait déjà un seul plateau. On a implémenter une fonction qui permet de ne plus stocker les arbre qui n'ont pas été visité par alphabeta pour améliorer le stockage de l'arbre.

• ajout de la possibilité de faire s'affronter deux bot
• ajout de la fonction de graph de fin de partie

L'effet d'horizon survient quand l'IA, à cause de sa profondeur de recherche limitée, n'anticipe pas une menace ou une opportunité majeure située juste après la fin de sa vision. Cela peut la pousser à :

• Sous-estimer un danger à venir,
• Surestimer un coup avantageux à court terme,
• Reporter une mauvaise situation sans jamais l'éviter.

L’IA peut prendre un coin trop tôt car elle ne voit pas que l’adversaire pourra retourner toute une ligne juste après la profondeur analysée.

• Décisions stratégiques faibles ou dangereuses.
• Mauvaise gestion des coups clés en fin de partie.
• Comportement artificiellement optimiste ou pessimiste.

1. Profondeur adaptative : Augmenter la profondeur de recherche dans les situations critiques.
2. Fonction d’évaluation plus sensible :
   • Intégrer des indices stratégiques à long terme (mobilité, stabilité des pièces, etc.).
   • Valoriser les positions durables plutôt que les gains immédiats.

Un réseau de neurones peut améliorer la qualité des décisions de l’IA, notamment en :

• Remplaçant ou renforçant la fonction d’évaluation des positions.
• Apprenant à partir de parties humaines ou simulées, pour reconnaître des schémas gagnants plus complexes.
• Réduisant l’impact de l’effet d’horizon en anticipant des conséquences à long terme.
• Étant utilisé en complément d’Alpha-Beta, pour mieux évaluer les feuilles de l’arbre.

• Complexité d’intégration : Nécessite souvent des bibliothèques externes ou une liaison entre plusieur langage comme le C + Python.
• Entraînement nécessaire : Il faut des milliers de parties bien évaluées pour produire un réseau efficace.
• Moins rapide qu’une fonction classique d'évaluation, sauf si on l'optimise.

• Pour une IA avancée, visant un niveau expert ou de compétition.
• Si on acceptes d’introduire une couche logicielle supplémentaire (ex. liaison avec Python ou C++ moderne).

Un réseau de neurones peut grandement améliorer ton IA, mais il nécessite plus de ressources, de données et de temps de développement.

Toute forme de distribution non autorisée à des fins commerciales est strictement interdite sans l’accord explicite des auteurs.