diff --git a/README.md b/README.md
index 302ecde8d1b81662c728e19692fc2c5f8c835ed2..5c77e8c21c6db4b34380d9f3f37095d3ada1f7ae 100644
--- a/README.md
+++ b/README.md
@@ -1,13 +1,13 @@
 # Group 5 - Projet de Machine Learning
-
+ 
 Ce projet vise à implémenter un jeu de "Snake and Ladders" ainsi que de l'entrainer afin d'obtenir la meilleure stratégie.
-
+ 
 Ce README présente la structure et résume notre projet.
-
+ 
 ## Python Libraries :
-
+ 
 Pour exécuter les différents scripts et notebooks, assurez-vous d'avoir installé les librairies Python suivantes :
-
+ 
 ```bash
 pip install numpy
 pip install TransitionMatrixCalculator
@@ -16,41 +16,41 @@ pip install matplotlib.pyplot
 pip install random
 pip install MarkovDecisionSolver
 ```
-
+ 
 ## Codes Python
-
+ 
 Ces codes permettent d'implémenter le jeu du Snake and Ladders, de déterminer différentes stratégies possible ainsi que d'analyser les résultats de celles-ci.
-
+ 
 ### tmc.py
-
-Ce code définit une **classe TransitionMatrixCalculator** qui calcule les matrices de transitions en fonctions des trois scénarios possible. Les règles de ce jeux diffèrent de celles traditionnellement utilisées, en effet à chaque étape le joueur à le choix entre trois dés : safe, normal ou risqué. Ils ont une influence sur la suite du jeu, effectivement le choix de dé occassione ou non la présence de pièges sur le plateau de jeu. 
-
+ 
+Ce code définit une **classe TransitionMatrixCalculator** qui calcule les matrices de transitions en fonctions des trois scénarios possible. Les règles de ce jeux diffèrent de celles traditionnellement utilisées, en effet à chaque étape le joueur à le choix entre trois dés : safe, normal ou risqué. Ils ont une influence sur la suite du jeu, effectivement le choix de dé occassione ou non la présence de pièges sur le plateau de jeu.
+ 
 ### markovDecison.py
-
-Ce code contient une **classe MarkovDecisionProcess** qui définit les algorithmes de Value Iteration relatifs aux différentes stratégies. La fonction **solve** permet de calculer la politique optimale. Ensuite, la fonction **markovDecision** faisant appel à la fonction **solve**, permet d'obtenir la stratégie optimale. 
-
+ 
+Ce code contient une **classe MarkovDecisionProcess** qui définit les algorithmes de Value Iteration relatifs aux différentes stratégies. La fonction **solve** permet de calculer la politique optimale. Ensuite, la fonction **markovDecision** faisant appel à la fonction **solve**, permet d'obtenir la stratégie optimale.
+ 
 ### validation.py
-
-Dans ce code nous définissons une **classe validation** dans laquelle nous créons différentes fonctions de simulation du jeu. Cela va permettre d'obtenir le coût empirique de notre jeu (pour la fonction **simulate_rounds**) et le nombre de tour moyen nécessaire pour atteindre la case finale du jeu (pour la fonction **state_simulation**). Ensuite, nous implémentons des fonctions permettant de comparer les résultats empiriques, des simulations de jeu, aux résultats théoriques attendus, obtenus par value iteration. 
-
+ 
+Dans ce code nous définissons une **classe validation** dans laquelle nous créons différentes fonctions de simulation du jeu. Cela va permettre d'obtenir le coût empirique de notre jeu (pour la fonction **simulate_rounds**) et le nombre de tour moyen nécessaire pour atteindre la case finale du jeu (pour la fonction **state_simulation**). Ensuite, nous implémentons des fonctions permettant de comparer les résultats empiriques, des simulations de jeu, aux résultats théoriques attendus, obtenus par value iteration.
+ 
 ### plot.py
-
-Ce code permet de réaliser différents graphiques afin de comparer les résultats obtenus des stratégies. 
-
+ 
+Ce code permet de réaliser différents graphiques afin de comparer les résultats obtenus des stratégies.
+ 
 ## Contact
 Pour toute question, suggestion, ou demande de collaboration sur ce projet, n'hésitez pas à nous contacter. Pour des discussions plus approfondies sur notre recherche et notre méthodologie, nous pouvez contacter :
 - Audrey Ghilain à audrey.ghilain@student.uclouvain.be
 - Nathanaël Kindidi à nathanael.kindidi@student.uclouvain.be
-- Adrien Payen à adrien.payen@student.uclouvain.be 
-
+- Adrien Payen à adrien.payen@student.uclouvain.be
+ 
 ## Remerciements
 Nous tenons à exprimer notre gratitude envers plusieurs parties qui ont jouées un rôle crucial dans la réalisation de ce projet :
-
+ 
 - **Professeur Saerens Marco** : Pour son enseignement en Machine Learning. Son soutien et ses conseils ont été essentiels pour l'adaptation et l'amélioration de nos codes dans notre projet.
-
-## Auteurs 
+ 
+## Auteurs
 - Audrey Ghilain
 - Nathanaël Kindidi
 - Adrien Payen
-
-## Références
+ 
+## Références
\ No newline at end of file
diff --git a/plot.py b/plot.py
index 0873e38f216b3208c22fef117109412d1279ca4d..79d563954a0a648eee6c87904e094c9542d74ad2 100644
--- a/plot.py
+++ b/plot.py
@@ -102,16 +102,16 @@ if __name__ == '__main__':
 
     layout = [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0]
     # Indicates whether the board is circular or linear
-    circle = False
+    circle = True
     # Number of games to simulate
-    num_games = 100
+    num_games = 1000000
     # Initialize Validation instance with the specified layout and circle type
     validation_instance = Val(layout, circle)
 
      ##### Launch Plots #####
 
     # Run the defined plotting functions with specified parameters
-    plot_strategy_comparison(num_games)
+    #plot_strategy_comparison(num_games)
     plot_state_based_turns()
-    plot_state_based_comparison(num_games_list = [10,100,1000])
-    plot_state_based_comparison_once(num_games)
\ No newline at end of file
+    #plot_state_based_comparison(num_games_list = [10,100,1000])
+    #plot_state_based_comparison_once(num_games)
\ No newline at end of file