Méthodes — comprendre ce que calcule le moteur

Cette page explique les deux méthodes stochastiques du simulateur avec les valeurs réelles de votre session : la méthode de Monte-Carlo qui résout les combats (étape 8 du cycle OODA) et la chaîne de Markov qui gouverne l'état opérationnel des unités (étapes 1 et 9). Voir le pipeline en direct : page Processus · décider : revue de tour · documentation technique (EN) : aesop_simulation/docs/METHODS.md.

1. Monte-Carlo — résolution des combats

Pour chaque engagement, le moteur calcule un rapport de force déterministe puis y ajoute un bruit aléatoire pour représenter le brouillard de guerre. La probabilité de victoire n'est pas une formule fermée : c'est une fréquence observée sur N tirages.

1. Rapport de force : ratio = VC3_attaquant / (VC4_défenseur × terrain × avantage_défenseur)

2. Tirages (N par engagement) : effectif_r = ratio + ε_r, où ε_r ~ N(0, σ)

3. Probabilité de victoire : p_win = fraction des tirages où effectif_r > 1.0

4. Classement de l'issue : victoire attaquant si p_win > 0.60, victoire défenseur si p_win < 0.40, indécis entre les deux.

5. Dégâts asymétriques : le vainqueur inflige ratio × 20 (ou 1/ratio × 20), répartis pour moitié sur le matériel (VE1) et les effectifs (VE2).

Contrat de reproductibilité (prévision = exécution). Le générateur aléatoire est re-initialisé avec la graine de session à chaque tour : la prévision affichée dans la revue de tour consomme exactement les mêmes tirages que l'exécution réelle. Un veto ne retire pas l'engagement du calcul (cela décalerait tous les tirages suivants) : il est tiré normalement mais ses dégâts sont annulés.

2. Chaîne de Markov — état opérationnel des unités

Chaque unité porte un état opérationnel qui évolue aléatoirement d'un tour à l'autre selon une matrice de transition : la probabilité du prochain état ne dépend que de l'état courant (propriété de Markov) — et des dégâts subis pendant le tour, qui déforment la matrice vers la dégradation.

Modulation par les dégâts. Soit d la fraction de VE (matériel + humain) perdue ce tour : w = min(1, 2.0 × d), puis P' = (1 − w) × P + w × S, où S est la matrice « un cran vers le pire ». Une unité intacte suit la matrice de base P ; une unité laminée (w → 1) se dégrade presque sûrement d'un cran.

Effet. L'état multiplie toutes les capacités (VC) de l'unité à l'étape 1 du tour suivant ; un état « Détruit » échantillonné détruit l'unité (en plus du seuil dur VE < 10, toujours actif).

Ce que dit la matrice actuelle (sans combat)

État de départ	p(détruit ≤ 10 tours)	Espérance de survie (tours)
Opérationnel	0.229	25.4
Dégradé	0.515	16.8
Attrité	0.742	10.0

Ouvrir l'éditeur de matrice

3. Où agissent-elles dans le tour ?

Étape 1 (Observer) — les VC sont recalculées depuis les VE puis multipliées par l'effet d'état Markov.
Étape 8 (Combat) — Monte-Carlo : N tirages gaussiens par engagement, en une seule opération vectorisée.
Étape 9 (Conséquences) — un tirage uniforme par unité échantillonne le prochain état opérationnel.

Vue d'ensemble instrumentée : page Processus.