diff --git a/heur.py b/heur.py
index eca8013..facf3aa 100644
--- a/heur.py
+++ b/heur.py
@@ -19,37 +19,49 @@ def generer_mouvements(etat_jeu):
                 mouvements_possibles.append(nouvel_etat)
     return mouvements_possibles
 
+# Fonction pour appliquer un mouvement à l'état du jeu
+def appliquer_mouvement(etat_jeu, tas_index, nb_objets):
+    if tas_index < 0 or tas_index >= len(etat_jeu):
+        raise ValueError("Index du tas invalide.")
+    
+    if nb_objets <= 0:
+        raise ValueError("Le nombre d'objets à retirer doit être supérieur à 0.")
+    
+    if nb_objets > etat_jeu[tas_index]:
+        raise ValueError(f"Le tas {tas_index + 1} ne contient pas suffisamment d'objets pour retirer {nb_objets} objets.")
+    
+    nouvel_etat = etat_jeu.copy()
+    nouvel_etat[tas_index] -= nb_objets
+    
+    return nouvel_etat
+
 # Classe Noeud utilisée pour l'algorithme A*
 class Noeud:
     def __init__(self, etat, parent=None, g=0, h=0):
         self.etat = etat
         self.parent = parent
-        self.g = g  # Coût du chemin (g(n))
-        self.h = h  # Heuristique (h(n))
+        self.g = g  
+        self.h = h  
 
-    # Priorité des nœuds basée sur la somme g + h
     def __lt__(self, other):
         return (self.g + self.h) < (other.g + other.h)
 
 # Algorithme A* pour trouver le chemin optimal vers la victoire
 def algorithme_a_star(etat_initial):
-    # Initialisation de la file de priorité
+
     open_list = []
     heapq.heappush(open_list, Noeud(etat_initial, g=0, h=heuristique(etat_initial)))
     closed_list = set()
 
     while open_list:
-        # Récupérer le nœud avec le plus faible f(n) = g(n) + h(n)
+   
         noeud_courant = heapq.heappop(open_list)
 
-        # Vérifier si c'est l'état final
+    
         if est_etat_final(noeud_courant.etat):
             return reconstruire_chemin(noeud_courant)
-
-        # Ajouter l'état courant aux états visités
         closed_list.add(tuple(noeud_courant.etat))
 
-        # Générer les mouvements légaux
         for mouvement in generer_mouvements(noeud_courant.etat):
             if tuple(mouvement) in closed_list:
                 continue
@@ -59,7 +71,7 @@ def algorithme_a_star(etat_initial):
             nouveau_noeud = Noeud(mouvement, parent=noeud_courant, g=g_nouveau, h=h_nouveau)
             heapq.heappush(open_list, nouveau_noeud)
 
-    return None  # Si aucun chemin n'est trouvé
+    return None 
 
 # Fonction pour reconstruire le chemin optimal
 def reconstruire_chemin(noeud_final):
@@ -68,9 +80,31 @@ def reconstruire_chemin(noeud_final):
     while noeud_courant is not None:
         chemin.append(noeud_courant.etat)
         noeud_courant = noeud_courant.parent
-    return chemin[::-1]  # Retourner le chemin dans l'ordre correct
+    return chemin[::-1] 
 
-# Test de l'algorithme A* avec l'état initial [3, 4, 5]
 etat_initial = [3, 4, 5]
 chemin_optimal = algorithme_a_star(etat_initial)
 print("Chemin optimal:", chemin_optimal)
+
+etat_jeu = [3, 4, 5]
+
+nouvel_etat_1 = appliquer_mouvement(etat_jeu, 0, 2)
+print("Nouvel état après retrait de 2 objets du tas 1:", nouvel_etat_1)
+
+nouvel_etat_2 = appliquer_mouvement(etat_jeu, 2, 3)
+print("Nouvel état après retrait de 3 objets du tas 3:", nouvel_etat_2)
+
+try:
+    nouvel_etat_3 = appliquer_mouvement(etat_jeu, 5, 2)
+except ValueError as e:
+    print(e)
+
+try:
+    nouvel_etat_4 = appliquer_mouvement(etat_jeu, 1, 5)
+except ValueError as e:
+    print(e)
+
+try:
+    nouvel_etat_5 = appliquer_mouvement(etat_jeu, 0, 0)
+except ValueError as e:
+    print(e)