"""
Paysage d'Énergie Apprenant

La fonction d'énergie évalue la cohérence d'un état du système.
Elle doit être :
- Locale : les mises à jour ne dépendent que des voisins
- Apprenante : s'ajuste avec l'expérience
- Discriminative : basse énergie = cohérent, haute = incohérent
"""

import numpy as np
from numba import njit, prange
from typing import Dict, List, Tuple, Optional, Set
import logging

logger = logging.getLogger(__name__)

VECTOR_SIZE = 4096


def compute_local_hamming_energy_fast(
    state: np.ndarray,
    neighbors: np.ndarray,
    weights: np.ndarray,
) -> float:
    """
    Énergie locale de Hamming : somme pondérée des distances aux voisins.
    Version numpy vectorisée rapide.
    """
    N = neighbors.shape[0]
    if N == 0:
        return 0.0
    # XOR vectorisé : state ^ neighbors[i]
    xor_result = state.astype(np.uint8) ^ neighbors  # (N, 4096)
    # Somme par ligne
    dists = np.sum(xor_result, axis=1)
    return float(np.dot(weights, dists)) / N


def compute_bit_flip_delta_fast(
    state: np.ndarray,
    neighbors: np.ndarray,
    weights: np.ndarray,
    biases: np.ndarray,
) -> np.ndarray:
    """
    Calcule le delta d'énergie pour chaque flip de bit possible.
    Version numpy vectorisée.
    """
    N = neighbors.shape[0]
    if N == 0:
        return biases.copy()
    
    # Pour chaque bit, calculer le changement si on le flippe
    # dist_actuel = sum(weights[i] * (state[j] ^ neighbors[i,j]))
    # dist_nouveau = sum(weights[i] * ((1-state[j]) ^ neighbors[i,j]))
    
    state_expanded = state[np.newaxis, :]  # (1, 4096)
    # XOR actuel
    xor_current = state_expanded ^ neighbors  # (N, 4096)
    # XOR après flip
    flipped = 1 - state_expanded
    xor_flipped = flipped ^ neighbors  # (N, 4096)
    
    # Delta = new_dist - old_dist pour chaque bit
    delta_xor = xor_flipped.astype(np.float64) - xor_current.astype(np.float64)  # (N, 4096)
    # Pondération
    weights_col = weights[:, np.newaxis]  # (N, 1)
    weighted_delta = delta_xor * weights_col  # (N, 4096)
    
    deltas = np.sum(weighted_delta, axis=0)  # (4096,)
    deltas += biases * (2.0 * (1 - state.astype(np.float64)) - 1.0)
    
    return deltas


class EnergyLandscape:
    """
    Paysage d'énergie apprenant avec mises à jour locales.
    
    Components:
    - hamming_weight: poids de la distance de Hamming
    - association_weight: poids des associations Hebbian
    - structure_weight: poids de la cohérence structurelle (binding)
    - biases: biais par bit (apprenant)
    - local_weights: poids par voisin (apprenant)
    
    Apprentissage:
    - Renforcement des associations dans les états de basse énergie
    - Affaiblissement dans les états instables
    - Ajustement des biais locaux
    """
    
    def __init__(
        self,
        hamming_weight: float = 1.0,
        association_weight: float = 0.5,
        structure_weight: float = 0.3,
        bias_learning_rate: float = 0.01,
        association_decay: float = 0.99,
        energy_threshold_low: float = 500.0,
        energy_threshold_high: float = 1500.0,
    ):
        self.hamming_weight = hamming_weight
        self.association_weight = association_weight
        self.structure_weight = structure_weight
        self.bias_lr = bias_learning_rate
        self.assoc_decay = association_decay
        self.low_threshold = energy_threshold_low
        self.high_threshold = energy_threshold_high
        
        # Biases par bit (apprenant)
        self.biases = np.zeros(VECTOR_SIZE, dtype=np.float64)
        
        # Associations apprises : (id1, id2) -> strength
        self.associations: Dict[Tuple[int, int], float] = {}
        
        # Poids structurels pour binding
        self.structure_weights: Dict[Tuple[int, int], float] = {}
        
        # Historique pour apprentissage
        self.energy_history: List[float] = []
        self.min_energy_history: List[float] = []
        self.stable_states: List[np.ndarray] = []
        
        # Stats
        self.n_updates = 0
        self.total_energy = 0.0
    
    def compute_energy(
        self,
        state: np.ndarray,
        neighbor_vectors: np.ndarray,
        neighbor_ids: List[int],
        neighbor_metadata: Optional[List] = None,
    ) -> float:
        """
        Calcule l'énergie totale d'un état.
        
        Args:
            state: vecteur courant (4096,) uint8
            neighbor_vectors: (N, 4096) voisins actifs
            neighbor_ids: IDs des voisins
            neighbor_metadata: métadonnées optionnelles
        
        Returns:
            énergie scalaire (plus bas = plus cohérent)
        """
        N = len(neighbor_ids) if neighbor_ids else 0
        if N == 0:
            return float(np.sum(self.biases * (2.0 * state - 1.0)))
        
        # Poids des voisins (apprenant)
        weights = np.array([
            self.associations.get(
                tuple(sorted((-1, nid))), 0.5  # Default weight
            ) + 0.5
            for nid in neighbor_ids
        ], dtype=np.float64)
        
        # 1. Énergie de Hamming (vectorisée rapide)
        hamming_energy = compute_local_hamming_energy_fast(
            state, neighbor_vectors, weights
        )
        hamming_energy *= self.hamming_weight
        
        # 2. Énergie d'association (Hebbian-like)
        association_energy = 0.0
        if len(neighbor_ids) > 1:
            for i in range(len(neighbor_ids)):
                for j in range(i+1, len(neighbor_ids)):
                    pair = tuple(sorted((neighbor_ids[i], neighbor_ids[j])))
                    strength = self.associations.get(pair, 0.0)
                    # Distance entre voisins : proches = faible énergie
                    dist = np.sum(neighbor_vectors[i] != neighbor_vectors[j])
                    association_energy += strength * dist
        
        association_energy *= self.association_weight
        
        # 3. Énergie de structure (binding)
        structure_energy = 0.0
        if len(neighbor_ids) > 1:
            for i in range(len(neighbor_ids)):
                for j in range(i+1, len(neighbor_ids)):
                    pair = tuple(sorted((neighbor_ids[i], neighbor_ids[j])))
                    struct_weight = self.structure_weights.get(pair, 0.0)
                    # Corrélation comme proxy de structure
                    corr = np.mean(neighbor_vectors[i] == neighbor_vectors[j])
                    structure_energy += struct_weight * (1.0 - corr)
        
        structure_energy *= self.structure_weight
        
        # 4. Biais local
        bias_energy = float(np.sum(self.biases * (2.0 * state.astype(np.float64) - 1.0)))
        
        total = hamming_energy + association_energy + structure_energy + bias_energy
        
        self.energy_history.append(total)
        if len(self.energy_history) > 1000:
            self.energy_history = self.energy_history[-1000:]
        
        return total
    
    def get_bit_flip_deltas(
        self,
        state: np.ndarray,
        neighbor_vectors: np.ndarray,
        neighbor_ids: List[int],
    ) -> np.ndarray:
        """
        Calcule le delta d'énergie pour chaque bit flip possible.
        Utilisé par l'inférence pour trouver les meilleurs flips.
        
        Returns:
            deltas: (4096,) négatif = flip réduit l'énergie
        """
        N = len(neighbor_ids)
        if N == 0:
            # Juste les biais
            return self.biases.copy()
        
        weights = np.array([
            self.associations.get(tuple(sorted((-1, nid))), 0.5) + 0.5
            for nid in neighbor_ids
        ], dtype=np.float64)
        
        return compute_bit_flip_delta_fast(state, neighbor_vectors, weights, self.biases)
    
    def update_from_state(
        self,
        state: np.ndarray,
        neighbor_ids: List[int],
        energy: float,
        is_stable: bool = False,
    ):
        """
        Met à jour le paysage d'énergie à partir d'un état observé.
        Appelé après chaque itération d'inférence.
        
        Règles:
        - Basse énergie stable : renforce les associations
        - Haute énergie instable : affaiblit ou réorganise
        """
        self.n_updates += 1
        self.total_energy += energy
        
        if len(neighbor_ids) < 2:
            return
        
        # Normalise l'énergie relative
        if len(self.energy_history) > 20:
            recent_mean = np.mean(self.energy_history[-20:])
            recent_std = np.std(self.energy_history[-20:]) + 1e-8
            normalized_energy = (energy - recent_mean) / recent_std
        else:
            normalized_energy = 0.0
        
        # Détermine si l'état est cohérent ou incohérent
        is_coherent = normalized_energy < -0.5 or (energy < self.low_threshold and is_stable)
        is_incoherent = normalized_energy > 0.5 or energy > self.high_threshold
        
        # Met à jour les associations
        for i in range(len(neighbor_ids)):
            for j in range(i+1, len(neighbor_ids)):
                pair = tuple(sorted((neighbor_ids[i], neighbor_ids[j])))
                
                if is_coherent:
                    # Renforce l'association (Hebbian-like)
                    current = self.associations.get(pair, 0.0)
                    self.associations[pair] = min(1.0, current + self.bias_lr * (1.0 - current))
                elif is_incoherent:
                    # Affaiblit l'association (anti-Hebbian)
                    current = self.associations.get(pair, 0.0)
                    self.associations[pair] = max(-0.5, current - self.bias_lr * 2.0)
        
        # Met à jour les biais locaux
        state_float = state.astype(np.float64)
        if is_coherent:
            # Renforce les bits qui sont cohérents avec le voisinage
            self.biases += self.bias_lr * (2.0 * state_float - 1.0) * 0.1
        elif is_incoherent:
            # Affaiblit les bits qui sont incohérents
            self.biases -= self.bias_lr * (2.0 * state_float - 1.0) * 0.2
        
        # Normalise les biais pour éviter la dérive
        self.biases = np.clip(self.biases, -2.0, 2.0)
        
        # Si stable et basse énergie, mémorise l'état
        if is_stable and is_coherent:
            self.stable_states.append(state.copy())
            if len(self.stable_states) > 100:
                self.stable_states = self.stable_states[-100:]
        
        # Déduit les associations avec le temps
        if self.n_updates % 100 == 0:
            self._decay_associations()
    
    def update_structure_weights(
        self,
        bound_state: np.ndarray,
        component_ids: List[int],
        coherence: float,
    ):
        """
        Met à jour les poids structurels pour le binding.
        """
        for i in range(len(component_ids)):
            for j in range(i+1, len(component_ids)):
                pair = tuple(sorted((component_ids[i], component_ids[j])))
                current = self.structure_weights.get(pair, 0.0)
                # Mise à jour basée sur la cohérence
                if coherence > 0.7:
                    self.structure_weights[pair] = min(1.0, current + self.bias_lr)
                elif coherence < 0.3:
                    self.structure_weights[pair] = max(-0.5, current - self.bias_lr * 1.5)
    
    def _decay_associations(self):
        """Décroissance périodique des associations peu utilisées."""
        to_remove = []
        for pair, strength in self.associations.items():
            decayed = strength * self.assoc_decay
            if abs(decayed) < 0.01:
                to_remove.append(pair)
            else:
                self.associations[pair] = decayed
        
        for pair in to_remove:
            del self.associations[pair]
    
    def get_association_strength(self, id1: int, id2: int) -> float:
        """Retourne la force d'association entre deux vecteurs."""
        pair = tuple(sorted((id1, id2)))
        return self.associations.get(pair, 0.0)
    
    def get_stats(self) -> Dict:
        n_assoc = len(self.associations)
        n_struct = len(self.structure_weights)
        recent_energy = np.mean(self.energy_history[-100:]) if self.energy_history else 0.0
        
        return {
            'n_associations': n_assoc,
            'n_structure_weights': n_struct,
            'mean_bias': float(np.mean(np.abs(self.biases))),
            'recent_mean_energy': float(recent_energy),
            'n_updates': self.n_updates,
            'n_stable_states': len(self.stable_states),
        }