import streamlit as st
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import datetime
import traceback
import io
from src.config import cfg
from src.utils.helpers import load_employees_from_json, check_hours_balance, minutes_to_time
from src.utils.visualization import get_final_coverage_matrix
from src.utils.health import calculate_ibe, interpret_ibe, analyze_convergence_quality
from src.utils.demand_processing import sanitize_weekly_demand
from src.utils.generator import generate_scenario_files
from src.utils.hf_storage import load_json, save_json, list_activities
from src.problems.my_problem import process_demand
from src.engine.evolution import run_genetic_algorithm

# --- SETUP INTERFACCIA ---
st.set_page_config(page_title="AI Workforce Scheduler", layout="wide", page_icon="🧬")

# ==============================================================================
# 1. ROUTING E GESTIONE WORKSPACE (SIDEBAR)
# ==============================================================================
st.sidebar.title("🏢 Seleziona Attività")

# Recupero dinamicamente la lista dei workspace dal repository remoto (HF Datasets)
available_activities = list_activities()

if not available_activities:
    st.warning("⚠️ Nessuna attività trovata nel Dataset remoto.")
    st.sidebar.info("Utilizza il Generatore per istanziare un nuovo workspace.")
    st.stop()

selected_activity = st.sidebar.selectbox("Attività da gestire:", available_activities)

st.title(f"Gestione Turni: {selected_activity}")
st.markdown("Pianificazione intelligente dei turni di lavoro tramite intelligenza artificiale evolutiva.")

# Gestione dello stato di sessione: se l'utente cambia attività, forzo il ricaricamento 
# del Singleton di configurazione e pulisco la cache dei risultati precedenti.
if 'current_activity' not in st.session_state or st.session_state['current_activity'] != selected_activity:
    try:
        cfg.load_configurations(selected_activity)
        st.session_state['current_activity'] = selected_activity
        if 'ga_results' in st.session_state:
            del st.session_state['ga_results']
    except Exception as e:
        st.error(f"Errore caricamento config per {selected_activity}: {e}")

if st.sidebar.button("♻️ Ricarica App"):
    st.cache_data.clear()
    st.rerun()

# ==============================================================================
# 2. VIEWPORT & TAB ROUTING
# ==============================================================================
tab1, tab2, tab3, tab4, tab5 = st.tabs(["⚙️ Configurazione Attività", "👥 Dipendenti", "📈 Domanda (Fabbisogno)", "🚀 Esecuzione & Risultati", "⚡ Generatore"])

# ------------------------------------------------------------------------------
# TAB 1: PARAMETRI DI SISTEMA E BUSINESS (CONFIG L2)
# ------------------------------------------------------------------------------
with tab1:
    st.header("⚙️ Parametri Generali")
    
    config_filename = "activity_config.json"
    config_data = load_json(selected_activity, config_filename)
    
    if config_data:
        client_settings = config_data.get('client_settings', {})
        curr_slot = client_settings.get('planning_slot_minutes', 30)
        
        # --- 1. SETUP GRIGLIA TEMPORALE ---
        st.subheader("🗓️ Calendario Operativo")
        st.caption("Definisci la granularità della pianificazione e gli orari di apertura del servizio.")
        
        new_slot = st.selectbox(
            "Granularità Pianificazione (minuti)", 
            options=[15, 30, 60], 
            index=[15, 30, 60].index(curr_slot) if curr_slot in [15, 30, 60] else 1,
            key=f"{selected_activity}_slot_select"
        )
        
        with st.expander("Modifica Orari di Apertura/Chiusura Settimanali"):
            st.info("I turni generati dall'algoritmo non supereranno mai i limiti impostati qui. Seleziona 'Chiuso' per impedire la pianificazione in un giorno specifico.")
            
            # Costruisco i form per le regole orarie. Uso un dict temporaneo per raccogliere gli input.
            day_names = ["Lunedì", "Martedì", "Mercoledì", "Giovedì", "Venerdì", "Sabato", "Domenica"]
            user_schedule = {}
            current_hours = config_data.get('operating_hours', {})
            default_rule = current_hours.get('default', "09:00-18:00")
            exceptions = current_hours.get('exceptions', {})
            
            for i, day_name in enumerate(day_names):
                day_idx_str = str(i)
                rule = exceptions.get(day_idx_str, default_rule)
                is_closed_init = (rule == "CLOSED")
                start_init, end_init = datetime.time(8, 0), datetime.time(20, 0)
                
                if not is_closed_init:
                    try:
                        s_str, e_str = rule.split('-')
                        sh, sm = map(int, s_str.split(':'))
                        eh, em = map(int, e_str.split(':'))
                        start_init, end_init = datetime.time(sh, sm), datetime.time(eh, em)
                    except: pass 

                c1, c2, c3, c4 = st.columns([1, 1, 1, 1])
                c1.markdown(f"**{day_name}**")
                unique_key = f"{selected_activity}_day_{i}"
                is_closed = c2.checkbox("Chiuso", value=is_closed_init, key=f"{unique_key}_closed")
                start_t = c3.time_input("Apertura", value=start_init, key=f"{unique_key}_start", disabled=is_closed, step=900)
                end_t = c4.time_input("Chiusura", value=end_init, key=f"{unique_key}_end", disabled=is_closed, step=900)
                user_schedule[i] = {"closed": is_closed, "start": start_t, "end": end_t}
                st.divider()

        # --- 2. PESI DELLA LOSS FUNCTION ---
        st.subheader("⚖️ Obiettivi di Business (Pesi)")
        st.caption("Istruisci l'algoritmo su cosa è più importante. Valori più alti indicano una priorità maggiore.")
        weights = config_data.get('weights', {})
        wk = f"{selected_activity}_weights"
        
        # Espongo i pesi per permettere il fine-tuning degli obiettivi di business direttamente da UI
        col_w1, col_w2 = st.columns(2)
        with col_w1:
            new_under = st.number_input("Peso Understaffing (Evita Buchi)", value=weights.get('understaffing', 1000.0), step=100.0, key=f"{wk}_under")
            new_over = st.number_input("Peso Overstaffing (Evita Eccessi)", value=weights.get('overstaffing', 10.0), step=5.0, key=f"{wk}_over")
        with col_w2:
            new_homo = st.number_input("Peso Equità (Bilancia i Carichi)", value=weights.get('homogeneity', 20.0), step=5.0, key=f"{wk}_homo")
            new_soft = st.number_input("Peso Preferenze (Accontenta gli Operatori)", value=weights.get('soft_preference', 50.0), step=5.0, key=f"{wk}_soft")

        # --- 3. HYPER-PARAMETRI DEL MOTORE GENETICO ---
        st.subheader("🧬 Motore Genetico")
        st.caption("Configura le prestazioni dell'intelligenza artificiale.")
        gen_params = config_data.get('genetic_params', {})
        
        c_gen1, c_gen2 = st.columns(2)
        new_pop = c_gen1.number_input("Popolazione (Soluzioni per generazione)", value=gen_params.get('population_size', 500), step=100)
        new_gen = c_gen2.number_input("Generazioni (Cicli di apprendimento)", value=gen_params.get('generations', 200), step=50)

        # Nascondo i parametri avanzati dell'engine JIT in un expander per mantenere la UI pulita
        with st.expander("🔧 Parametri Avanzati Algoritmo (Fine Tuning)"):
            st.warning("⚠️ Modifica questi valori solo se sai cosa stai facendo. I default sono ottimizzati per scenari BPO standard. Valori errati possono bloccare l'algoritmo.")
            ac1, ac2, ac3 = st.columns(3)
            
            p_mut = ac1.slider("Mutation Rate", 0.0, 1.0, gen_params.get('mutation_rate', 0.4))
            p_cross = ac2.slider("Crossover Rate", 0.0, 1.0, gen_params.get('crossover_rate', 0.85))
            p_elite = ac3.number_input("Elitism Rate (Protezione Migliori)", 0.0, 0.5, gen_params.get('elitism_rate', 0.02), step=0.01, format="%.2f")
            
            st.markdown("---")
            bc1, bc2, bc3 = st.columns(3)
            p_tourn = bc1.number_input("Tournament Size", 2, 20, gen_params.get('tournament_size', 5))
            p_heur = bc2.slider("Heuristic Init Rate (Partenza Intelligente)", 0.0, 1.0, gen_params.get('heuristic_rate', 0.8))
            p_noise = bc3.number_input("Heuristic Noise (Rumore iniziale)", 0.0, 1.0, gen_params.get('heuristic_noise', 0.2), step=0.1)
            
            st.markdown("---")
            p_split = st.slider("Guided Mutation Split (Swap Giorno vs Cambio Orario)", 0.0, 1.0, gen_params.get('guided_mutation_split', 0.4))

            st.markdown("---")
            st.subheader("🧪 Analisi Pressione Evolutiva (IBE)")
            
            # Calcolo live dell'IBE (il mio indicatore custom) per dare un feedback 
            # immediato sulla bontà dei parametri genetici scelti dall'utente.
            curr_ibe = calculate_ibe(
                pop_size=int(new_pop), generations=int(new_gen), 
                p_cross=p_cross, p_mut=p_mut, p_heur=p_heur, p_elite=p_elite
            )
            status_msg, delta_color = interpret_ibe(curr_ibe)
            
            hc1, hc2, hc3 = st.columns([1, 1.5, 1])
            hc1.metric(label="IBE Score", value=f"{curr_ibe:,.0f}".replace(",", "."), delta="Target: 1k-3k", delta_color=delta_color)
            
            if "OTTIMALE" in status_msg: hc2.success(f"**Stato:** {status_msg}")
            elif "STALLO" in status_msg: hc2.warning(f"**Stato:** {status_msg}")
            else: hc2.error(f"**Stato:** {status_msg}")
            
            with hc3.expander("Cos'è l'IBE?"):
                st.caption("""
                **Indice di Bilanciamento Evolutivo (IBE)**
                È un indicatore di salute delle impostazioni che hai inserito.
                Misura l'equilibrio tra la capacità dell'AI di esplorare nuove soluzioni (Mutazioni) 
                e la tendenza a sfruttare quelle già trovate (Euristiche/Elitismo).
                - **Troppo basso:** L'AI si "accontenta" subito della prima soluzione mediocre trovata.
                - **Troppo alto:** L'AI continua a cercare a caso senza mai focalizzarsi su un piano stabile.
                """)

        # --- 4. PERSISTENZA I/O ---
        st.divider()
        if st.button("💾 Calcola e Salva Configurazione", type="primary"):
            
            # Costruisco la mappa delle regole
            daily_rules_map = {}
            min_h, max_h = 24, 0
            for i in range(7):
                d = user_schedule[i]
                if d['closed']: daily_rules_map[str(i)] = "CLOSED"
                else:
                    s_str, e_str = d['start'].strftime("%H:%M"), d['end'].strftime("%H:%M")
                    daily_rules_map[str(i)] = f"{s_str}-{e_str}"
                    if d['start'].hour < min_h: min_h = d['start'].hour
                    if d['end'].hour > max_h: max_h = d['end'].hour + (1 if d['end'].minute > 0 else 0)

            # Trick per ottimizzare il payload JSON: calcolo l'orario più frequente 
            # e lo imposto come 'default', salvando gli altri giorni come 'exceptions'.
            from collections import Counter
            vals = list(daily_rules_map.values())
            most_common = Counter(vals).most_common(1)[0][0]
            final_hours = {"default": most_common, "exceptions": {}}
            for k, v in daily_rules_map.items():
                if v != most_common: final_hours["exceptions"][k] = v
            
            # Aggiornamento dell'oggetto configurazione
            if 'client_settings' not in config_data: config_data['client_settings'] = {}
            config_data['client_settings']['planning_slot_minutes'] = new_slot
            config_data['client_settings']['day_start_hour'] = int(min_h) if min_h < 24 else 8
            config_data['client_settings']['day_end_hour'] = int(max_h) if max_h > 0 else 20
            
            config_data['operating_hours'] = final_hours
            config_data['weights'] = {"understaffing": new_under, "overstaffing": new_over, "homogeneity": new_homo, "soft_preference": new_soft}
            
            config_data['genetic_params'] = {
                "population_size": int(new_pop), "generations": int(new_gen),
                "mutation_rate": p_mut, "crossover_rate": p_cross, "elitism_rate": p_elite,
                "tournament_size": int(p_tourn), "heuristic_rate": p_heur,
                "heuristic_noise": p_noise, "guided_mutation_split": p_split
            }
            
            # Push sul cloud
            save_json(selected_activity, config_filename, config_data)
            cfg.load_configurations(selected_activity)
            st.success("✅ Configurazione salvata e sincronizzata con successo.")

    else:
        st.error("Payload di configurazione mancante dal Dataset.")

# ------------------------------------------------------------------------------
# TAB 2: ANAGRAFICA E VINCOLI (HR MASTER DATA)
# ------------------------------------------------------------------------------
with tab2:

    emp_filename = "employees.json"
    emp_data = load_json(selected_activity, emp_filename)
    
    col_header, col_pie = st.columns([3, 1])
    
    with col_header:
        st.header("👥 Gestione Personale")
        st.caption("Gestisci i profili contrattuali, le regole di fairness settimanale e inserisci ferie, permessi o vincoli di orario.")

    if emp_data is not None:
        with col_pie:
            # Rendering del mix contrattuale. Uso matplotlib con patch alpha=0.0
            # per avere uno sfondo trasparente che si adatti al tema di Streamlit.
            df_stats = pd.DataFrame(emp_data)
            if not df_stats.empty and 'contract' in df_stats.columns:
                counts = df_stats['contract'].value_counts()
                fig_pie, ax_pie = plt.subplots(figsize=(1.5, 1.5))
                colors = ['#3498db', '#e74c3c', '#f1c40f', '#9b59b6']
                wedges, texts, autotexts = ax_pie.pie(
                    counts, autopct='%1.0f%%', startangle=90, colors=colors[:len(counts)],
                    textprops={'fontsize': 5, 'weight': 'bold', 'color': 'white'}, pctdistance=0.7 
                )
                ax_pie.axis('equal') 
                fig_pie.patch.set_alpha(0.0) 
                leg = ax_pie.legend(
                    wedges, counts.index, title="Contratti", loc="center left",
                    bbox_to_anchor=(1, 0, 0.5, 1), fontsize=5, title_fontsize=6, frameon=False, labelcolor='white' 
                )
                leg.get_title().set_color("white")
                leg.get_title().set_fontweight("bold")
                buf_pie = io.BytesIO()
                fig_pie.savefig(buf_pie, format="png", bbox_inches="tight", transparent=True, dpi=150)
                buf_pie.seek(0)
                st.image(buf_pie)

        st.divider()

        col_list, col_editor = st.columns([1, 2])
        
        with col_list:
            st.subheader("Anagrafica Risorse")
            emp_ids = [e['id'] for e in emp_data]
            selected_id = st.selectbox("Seleziona il Dipendente da ispezionare:", emp_ids, index=0 if emp_ids else None)
            
            st.divider()
            if st.button("💾 Salva Modifiche Anagrafica", type="primary"):
                save_json(selected_activity, emp_filename, emp_data)
                st.success("Anagrafica aggiornata in Cloud.")
            
            # Costruisco la preview tabellare
            summary = []
            for e in emp_data:
                mix = e.get('shift_mix', {"WORK": 5, "OFF": 2})
                summary.append({"ID": e['id'], "Contratto": e['contract'], "Mix": f"{mix.get('WORK',5)}W/{mix.get('OFF',2)}O"})
            st.dataframe(summary, hide_index=True, width='stretch')

        with col_editor:
            # Editor del singolo dipendente: permette di iniettare override 
            # hard/soft/absence direttamente sull'oggetto prima del salvataggio.
            if selected_id:
                emp_record = next((e for e in emp_data if e['id'] == selected_id), None)
                if emp_record:
                    st.subheader(f"✏️ Proprietà: {emp_record['id']}")
                    
                    c1, c2 = st.columns(2)
                    emp_record['id'] = c1.text_input("ID Dipendente", value=emp_record['id'])
                    ct = emp_record.get('contract', 'FT40')
                    ct_idx = ["FT40", "PT30", "PT20"].index(ct) if ct in ["FT40", "PT30", "PT20"] else 0
                    emp_record['contract'] = c2.selectbox("Tipologia Contratto", ["FT40", "PT30", "PT20"], index=ct_idx)
                    
                    cc1, cc2 = st.columns(2)
                    emp_record['work_hours'] = cc1.number_input("Ore Lavorative Giornaliere", value=float(emp_record.get('work_hours', 8.0)))
                    emp_record['break_duration'] = cc2.number_input("Minuti di Pausa/Pranzo", value=int(emp_record.get('break_duration', 0)))

                    st.markdown("---")
                    
                    st.subheader("📅 Regole di Fairness Settimanale")
                    st.caption("Imposta quanti giorni questa risorsa deve lavorare rispetto a quanti giorni deve riposare nella settimana.")
                    curr_mix = emp_record.get('shift_mix', {"WORK": 5, "OFF": 2})
                    
                    cm1, cm2 = st.columns(2)
                    w_days = cm1.number_input("Target Giorni Lavorativi", min_value=1, max_value=7, value=int(curr_mix.get("WORK", 5)))
                    o_days = cm2.number_input("Target Giorni di Riposo", min_value=0, max_value=6, value=int(curr_mix.get("OFF", 2)))
                    
                    emp_record['shift_mix'] = {"WORK": w_days, "OFF": o_days}
                    st.info(f"L'algoritmo cercherà in tutti i modi di programmare esattamente {w_days} giorni di lavoro e {o_days} di riposo. Le violazioni verranno penalizzate nel calcolo finale.")

                    st.markdown("---")
                    st.subheader("🔒 Vincoli Operativi (Assenze e Permessi)")
                    st.caption("Aggiungi ferie, malattie o turni fissi inamovibili.")
                    
                    constraints = emp_record.get('constraints', {})
                    day_map = {0: "Lunedì", 1: "Martedì", 2: "Mercoledì", 3: "Giovedì", 4: "Venerdì", 5: "Sabato", 6: "Domenica"}
                    
                    if constraints:
                        cons_view = []
                        for d, r in constraints.items():
                            cons_view.append({"Giorno": day_map.get(int(d), d), "Tipo": r['type'].upper(), "Valore/Motivo": r.get('start_time', r.get('reason',''))})
                        st.table(pd.DataFrame(cons_view))
                        
                        to_del = st.selectbox("Seleziona Giorno da sbloccare", options=list(constraints.keys()), format_func=lambda x: day_map.get(int(x), x))
                        if st.button("🗑️ Rimuovi Vincolo"):
                            del emp_record['constraints'][to_del]
                            st.rerun()

                    with st.expander("➕ Aggiungi una nuova regola per questo dipendente"):
                        ac1, ac2 = st.columns(2)
                        add_d = ac1.selectbox("Giorno della settimana", range(7), format_func=lambda x: day_map[x])
                        add_t = ac2.selectbox("Tipologia di regola", ["absence", "hard", "soft"], format_func=lambda x: "Assenza" if x=="absence" else ("Turno Obbligato (Hard)" if x=="hard" else "Preferenza Oraria (Soft)"))
                        
                        new_rule = {"type": add_t}
                        if add_t == "absence":
                            new_rule["reason"] = st.selectbox("Motivo Assenza", ["FERIE", "MALATTIA", "PERMESSO"])
                        else:
                            t_val = st.time_input("Orario di inzio desiderato").strftime("%H:%M")
                            new_rule["start_time"] = t_val
                            
                        if st.button("Conferma Inserimento"):
                            if 'constraints' not in emp_record: emp_record['constraints'] = {}
                            emp_record['constraints'][str(add_d)] = new_rule
                            st.rerun()
    else:
        st.error("Payload anagrafico mancante o corrotto.")

# ------------------------------------------------------------------------------
# TAB 3: DEMAND TIME-SERIES (FABBISOGNO)
# ------------------------------------------------------------------------------
with tab3:
    st.header("📈 Time-Series Fabbisogno Operativo")
    st.caption("Visualizza e modifica la curva di traffico o il numero di operatori richiesti per ogni frazione oraria.")
    
    demand_filename = "demand.json"
    conf = load_json(selected_activity, "activity_config.json")
    raw_demand = load_json(selected_activity, demand_filename)
    
    if conf:
        sett = conf.get('client_settings', {})
        start_h = sett.get('day_start_hour', 8)
        end_h = sett.get('day_end_hour', 20)
        slot_min = sett.get('planning_slot_minutes', 30)

        current_conf_for_alignment = {'client_settings': {'day_start_hour': start_h, 'day_end_hour': end_h, 'planning_slot_minutes': slot_min}}

        total_min = (end_h - start_h) * 60
        num_slots = int(total_min / slot_min)

        # Allineamento dinamico della time-series: gestisco i cambi di granularità oraria
        # troncando o paddando la matrice tramite l'helper apposito.
        if raw_demand:
            sanitized_list = sanitize_weekly_demand(raw_demand, current_conf_for_alignment)
            target_demand = np.array(sanitized_list)
        else:
            target_demand = np.ones((7, num_slots), dtype=int) * 5
        
        days = ["Lun", "Mar", "Mer", "Gio", "Ven", "Sab", "Dom"]
    
        time_labels = []
        curr_m = start_h * 60
        end_m = end_h * 60
        while curr_m < end_m:
            h = int(curr_m // 60)
            m = int(curr_m % 60)
            time_labels.append(f"{h:02d}:{m:02d}")
            curr_m += slot_min
            
        x = np.arange(len(time_labels))
        
        day_idx = st.selectbox("Ispeziona Giorno:", range(7), format_func=lambda x: days[x])
        
        # Rendering vettoriale del profilo di carico
        fig, ax = plt.subplots(figsize=(10, 3))
        daily_curve = target_demand[day_idx]
        
        ax.plot(x, daily_curve, color='#e74c3c', linestyle='--', marker='o', markersize=3, label="Target Staff (Richiesto)")
        ax.fill_between(x, 0, daily_curve, color='#e74c3c', alpha=0.1)
        
        step_x = max(1, len(x) // 15) 
        ax.set_xticks(x[::step_x])
        ax.set_xticklabels(time_labels[::step_x], rotation=45, fontsize=8)
        ax.set_title(f"Profilo di Carico: {days[day_idx]}")
        ax.grid(True, linestyle='--', alpha=0.3)
        ax.legend()
        
        buf_demand = io.BytesIO()
        fig.savefig(buf_demand, format="png", bbox_inches="tight", transparent=False, dpi=150)
        buf_demand.seek(0)
        st.image(buf_demand)
        plt.close(fig)
        
        st.divider()
        
        # Uso il data_editor nativo di Streamlit per permettere l'override manuale 
        # della demand curva direttamente in UI, molto comodo per i planner.
        st.subheader("✏️ Override Manuale (Modifica Volumi)")
        st.caption("Fai doppio clic su una cella della tabella per alterare manualmente il numero di operatori richiesti.")
        df_demand = pd.DataFrame(target_demand, index=days, columns=time_labels)
        edited_df = st.data_editor(df_demand, width='stretch', height=300)
        
        if st.button("💾 Salva Modifiche Curva"):
            final_json_structure = []
            for i, row in enumerate(edited_df.values):
                row_list = [f"Giorno_{i}"] + row.tolist()
                final_json_structure.append(row_list)
                
            save_json(selected_activity, "demand.json", final_json_structure)
            st.success("✅ Fabbisogno aggiornato e sincronizzato.")
            st.rerun() 
    else:
        st.warning("Impossibile effettuare il render: payload mancante.")

# ------------------------------------------------------------------------------
# TAB 4: MOTORE DI OTTIMIZZAZIONE
# ------------------------------------------------------------------------------
with tab4:
    st.header("🚀 Motore di Ottimizzazione")
    st.caption("Avvia l'AI per calcolare l'incastro dei turni migliore in base ai parametri che hai inserito.")
    
    col_run, col_stat = st.columns([1, 2])
    with col_run:
        run_btn = st.button("✨ AVVIA IL CALCOLO DEI TURNI", type="primary")
        
    if run_btn:
        prog_bar = st.progress(0)
        status_text = st.empty()
        
        # Callback passata all'engine genetico per aggiornare l'interfaccia 
        # asincronamente durante i pesanti cicli for loop su Numba.
        def ui_callback(gen, tot, score, div):
            prog_bar.progress(gen / tot)
            status_text.markdown(f"🧬 Elaborazione in corso... Generazione: **{gen}/{tot}** | Punteggio Penalità: **{score:.0f}** | Esplorazione: **{div:.2f}%**" )
            
        with st.spinner("Compilazione codice macchina (JIT) e calcolo in corso. Potrebbe volerci qualche minuto..."):
            try:
                current_act = st.session_state.get('current_activity')
                if not current_act: raise ValueError("Nessun contesto operativo attivo.")
                
                employees = load_employees_from_json(current_act)
                raw_d = load_json(selected_activity, "demand.json")
                target = process_demand(raw_d)

                # Applichiamo le regole di business (le chiusure impostate in L2 config)
                # azzerando forzatamente la domanda oraria per non far schedulare turni.
                for d in range(7):
                    closing_slot = cfg.get_closing_slot(d)
                    if cfg.is_day_closed(d) or closing_slot == 0:
                        target[d, :] = 0
                    else:
                        if closing_slot < target.shape[1]:
                            target[d, closing_slot:] = 0
                
                hours_diff = check_hours_balance(employees, target)

                if hours_diff >= 0:
                    st.success(f"✅ Controllo Preliminare Superato: Lo staff disponibile copre matematicamente le ore richieste (Surplus: {hours_diff:.1f}h).")
                else:
                    st.error(f"⚠️ Attenzione - Sotto-dimensionamento Strutturale: Hai chiesto più ore di quelle contrattualizzate. Verranno generati dei buchi inevitabili (Deficit: {abs(hours_diff):.1f}h).")
                    
                # Esecuzione del kernel genetico core
                top_solutions, div_history = run_genetic_algorithm(employees, target, progress_callback=ui_callback)

                final_pop_sample = np.array([sol['schedule'] for sol in top_solutions])
                final_diversity = div_history[-1] if div_history else 0.0
                
                # Caching dell'output generato nell'oggetto di sessione.
                # Evita di perdere i risultati (o triggerare ricalcoli) se cambio tab.
                st.session_state['ga_results'] = {
                    'top_solutions': top_solutions, 
                    'diversity_score': final_diversity,
                    'diversity_history': div_history,
                    'selected_idx': 0,              
                    'employees': employees, 
                    'target': target
                }
                
                best_s = top_solutions[0]['total_score']
                status_text.success(f"Ottimizzazione conclusa con successo! Miglior punteggio di penalità raggiunto: {best_s:.0f}")
                
            except Exception as e:
                st.error(f"Errore di sistema durante il calcolo: {e}")
                traceback.print_exc()

    # Blocco di visualizzazione post-run
    if 'ga_results' in st.session_state:
        res = st.session_state['ga_results']
        solutions = res['top_solutions']
        div_hist = res.get('diversity_history', [res.get('diversity_score', 0.0)])
        final_div = div_hist[-1]
        
        # Diagnostica algoritmica automatizzata (Controlla il drop-rate della diversità)
        msg, color_code = analyze_convergence_quality(div_hist)
        
        st.markdown("### 🩺 Diagnostica e Validazione Scientifica")
        kpi1, kpi2 = st.columns([1, 3])
        
        kpi1.metric("Diversità Genetica Finale", f"{final_div:.2f}%")
        
        if color_code == "success": kpi2.success(msg)
        elif color_code == "normal": kpi2.info(msg)
        else: kpi2.error(msg)
            
        with st.expander("Cos'è la Diversità e come interpretarla?"):
            st.caption("""
            La **Diversità** indica quante soluzioni "diverse" l'algoritmo stava ancora testando alla fine del processo.
            - **Se è >40%:** L'AI non è riuscita a trovare un pattern vincente e ha continuato a sparare a caso (aumenta le Generazioni o diminuisci la Mutazione).
            - **Se crolla subito a <5% (Convergenza Prematura):** L'AI si è "incastrata" su una soluzione mediocre e ha smesso di cercare (aumenta la Mutazione).
            - **Se scende gradualmente (Matura):** È lo stato ideale. L'AI ha esplorato bene e poi ha "stretto" verso la soluzione perfetta.
            """)
        
        if div_hist:
            st.subheader("📉 Profilo Dinamico dell'Apprendimento")
            
            fig_div, ax_div = plt.subplots(figsize=(10, 3))
            x_axis = [i * 5 for i in range(len(div_hist))]
            
            ax_div.plot(x_axis, div_hist, color='#2980b9', linewidth=2, label='Varianza di Popolazione (%)')
            ax_div.axhspan(0, 5, color='#e74c3c', alpha=0.1, label='Rischio Collasso (<5%)')
            ax_div.axhspan(40, 100, color='#e67e22', alpha=0.1, label='Rischio Divergenza (>40%)')
            ax_div.axhspan(5, 40, color='#2ecc71', alpha=0.1, label='Fascia Ottimale')
            
            ax_div.set_ylabel("Hamming Dist (%)")
            ax_div.set_xlabel("Epoche di Addestramento")
            ax_div.set_ylim(0, max(50, max(div_hist) + 5)) 
            ax_div.grid(True, linestyle='--', alpha=0.5)
            ax_div.legend(loc='upper right', fontsize='small')
            
            buf_div = io.BytesIO()
            fig_div.savefig(buf_div, format="png", bbox_inches="tight", transparent=False, dpi=150)
            buf_div.seek(0)
            st.image(buf_div)
            plt.close(fig_div)
            
            with st.expander("Come leggere questo grafico?"):
                st.caption("""
                Questo grafico racconta visivamente il lavoro dell'algoritmo:
                1. **Fase Iniziale (Esplorazione):** Il grafico deve partire alto (fuori dal rosso basso). L'AI sta provando incastri creativi.
                2. **Discesa (Sfruttamento):** La curva deve scendere dolcemente verso il basso.
                3. **Atterraggio:** La curva dovrebbe stabilizzarsi nella **Fascia Verde Ottimale**. Se vedi crolli verticali improvvisi all'inizio, c'è un problema di configurazione nei parametri genetici.
                """)
            
        st.divider()
        st.subheader("🏆 Esplorazione delle Migliori Soluzioni Trovate")
        st.caption("L'algoritmo ti propone le varianti più performanti. Lo SCORE TOTALE è la somma delle penalità (più è basso, meglio è).")
        
        comp_data = []
        for i, s in enumerate(solutions):
            comp_data.append({
                "Candidato": f"Soluzione #{i+1}",
                "SCORE TOTALE (Penalità)": int(s['total_score']),
                "❌ Understaffing (Buchi)": int(s['understaffing']),
                "⚖️ Inequità Weekend": int(s['equity']),
                "⚡ Overstaffing (Eccessi)": int(s['overstaffing']),
                "🎨 Pref. Ignorate": int(s['soft_preferences']),
                "📝 Mix Contratti Violato": int(s['contract'])
            })
            
        df_comp = pd.DataFrame(comp_data)
        st.dataframe(
            df_comp.style.background_gradient(cmap="RdYlGn_r", subset=["SCORE TOTALE (Penalità)", "❌ Understaffing (Buchi)"]),
            width='stretch',
            hide_index=True
        )
        
        sel_opt = st.radio("Seleziona quale piano turni visualizzare in dettaglio:", 
                           options=range(len(solutions)), 
                           format_func=lambda x: f"Apri Dettaglio Soluzione #{x+1}",
                           horizontal=True,
                           index=st.session_state.get('selected_idx', 0))
        
        st.session_state['ga_results']['selected_idx'] = sel_opt
        
        chosen_sol = solutions[sel_opt]
        best_sched = chosen_sol['schedule']
        emps = res['employees']
        tgt = res['target']

        st.subheader(f"Dashboard Copertura: Soluzione #{sel_opt+1}")
        st.caption("Confronto visivo tra le persone richieste (linea rossa tratteggiata) e le persone messe a turno (area blu).")
        
        d_tabs = st.tabs(["Lunedì", "Martedì", "Mercoledì", "Giovedì", "Venerdì", "Sabato", "Domenica"])
        
        # Proietto il genoma elaborato (best_sched) sulla matrice di copertura per le charts
        cov_mat = get_final_coverage_matrix(best_sched, emps)
        
        for i, t in enumerate(d_tabs):
            with t:
                fig, ax = plt.subplots(figsize=(8, 2))
                x = range(cfg.daily_slots)
                ax.fill_between(x, cov_mat[i], alpha=0.3)
                ax.plot(x, cov_mat[i], label="Staff Schedulato")
                ax.plot(x, tgt[i], 'r--', label="Staff Richiesto (Target)")
                tick_step = 4
                lbls = [minutes_to_time(k * cfg.system_slot_minutes) for k in x[::tick_step]]
                ax.set_xticks(list(x)[::tick_step])
                ax.set_xticklabels(lbls, rotation=0, fontsize=4)
                ax.legend()
                buf_day = io.BytesIO()
                fig.savefig(buf_day, format="png", bbox_inches="tight", transparent=False, dpi=150)
                buf_day.seek(0)
                st.image(buf_day)
                plt.close(fig)

        st.subheader("Tabellone Turni (Export)")
        data_rows = []
        days = ["Lun", "Mar", "Mer", "Gio", "Ven", "Sab", "Dom"]
        for idx, e in enumerate(emps):
            row = {"Dipendente": e['id']}
            for d in range(7):
                s = best_sched[idx, d]
                if s == -1: txt = "OFF"
                elif s == -2: txt = "ABS"
                else:
                    start = s * cfg.system_slot_minutes
                    end = start + (e['shift_len'] * cfg.system_slot_minutes)
                    txt = f"{minutes_to_time(start)}-{minutes_to_time(end)}"
                row[days[d]] = txt
            data_rows.append(row)
        st.dataframe(pd.DataFrame(data_rows), width='stretch')

        st.markdown("---")
        st.subheader("🔬 Ispezione Micro-Turno (Maschere VDT e Pause)")
        st.caption("Verifica la corretta allocazione delle pause VDT all'interno dello spezzato del singolo operatore.")
        
        # Micro-rendering della maschera binaria per l'ispezione visiva dei sub-slot
        c1, c2 = st.columns(2)
        sel_emp = c1.selectbox("Seleziona Operatore", [e['id'] for e in emps])
        sel_day = c2.selectbox("Seleziona Giorno", range(7), format_func=lambda x: days[x])
        
        e_idx = next(i for i,e in enumerate(emps) if e['id'] == sel_emp)
        s_start = best_sched[e_idx, sel_day]
        
        if s_start >= 0:
            mask = emps[e_idx]['mask']
            html = ""
            for k, bit in enumerate(mask):
                t_str = minutes_to_time((s_start + k) * cfg.system_slot_minutes)
                col = "#4CAF50" if bit else "#FF5252"
                html += f"<div style='display:inline-block;width:35px;background:{col};color:white;font-size:10px;text-align:center;margin:1px;'>{t_str}</div>"
            st.markdown(html, unsafe_allow_html=True)
            st.caption("**Legenda:** [Verde] = Operatività a Terminale | [Rosso] = Pausa/Pranzo")
        else:
            st.info("Status per il giorno selezionato: RIPOSO o ASSENTE.")

# ------------------------------------------------------------------------------
# TAB 5: BOOTSTRAPPING DI MOCK SCENARIOS (GENERATORE)
# ------------------------------------------------------------------------------
with tab5:
    st.header("⚡ Generatore Ambienti di Test (Mock Scenarios)")
    st.markdown("""
    Crea rapidamente nuovi scenari completi per testare come il motore AI reagisce a diverse 
    composizioni della forza lavoro (es. alta rigidità vs alta flessibilità).
    """)
    
    col_gen_L, col_gen_R = st.columns([1, 2])
    
    with col_gen_L:
        st.subheader("1. Setup Spazio Dati")
        new_scenario_name = st.text_input("Nome del nuovo Scenario", value="Nuovo_Test_BPO")
        new_emp_count = st.number_input("Numero Dipendenti Fittizi", min_value=1, max_value=2000, value=300, step=10)
        
        st.markdown("---")
        st.subheader("📊 Modello Matematico del Fabbisogno")
        st.caption("Scegli una distribuzione che simuli fedelmente il traffico del servizio.")
        
        curve_options = {
            "Doppia Campana (Tipico BPO Voice)": "double_bell",
            "Campana Centrale (Es. Delivery/Pausa Pranzo)": "single_bell_center",
            "Picco Mattutino (Es. Helpdesk IT)": "morning_peak",
            "Piatto Costante (Es. Backoffice/Data Entry)": "steady_high"
        }
        
        selected_curve_label = st.selectbox("Seleziona Modello di Carico:", options=list(curve_options.keys()), index=0)
        curve_key = curve_options[selected_curve_label]
        
        st.caption("Anteprima Forma:")
        
        # Anteprima visiva matematica della distribuzione scelta
        preview_x = np.linspace(8, 22, 50)
        if curve_key == "double_bell":
            preview_y = np.exp(-((preview_x - 11)**2)/4) + np.exp(-((preview_x - 16)**2)/4)
        elif curve_key == "single_bell_center":
            preview_y = np.exp(-((preview_x - 13)**2)/9)
        elif curve_key == "morning_peak":
            preview_y = np.exp(-((preview_x - 9.5)**2)/5)
        else:
            preview_y = np.ones_like(preview_x) * 0.8
            
        fig_curve_prev, ax_cp = plt.subplots(figsize=(4, 1.5))
        ax_cp.plot(preview_x, preview_y, color='#2ecc71', lw=2)
        ax_cp.fill_between(preview_x, preview_y, color='#2ecc71', alpha=0.2)
        ax_cp.set_yticks([])
        ax_cp.set_xticks([8, 12, 16, 20])
        ax_cp.set_xlim(8, 22)
        fig_curve_prev.patch.set_alpha(0.0)
        ax_cp.patch.set_alpha(0.0)
        buf_curve = io.BytesIO()
        fig_curve_prev.savefig(buf_curve, format="png", bbox_inches="tight", transparent=False, dpi=150)
        buf_curve.seek(0)
        st.image(buf_curve)
        plt.close(fig_curve_prev)

    with col_gen_R:
        st.subheader("2. Strategia HR (Mix Contrattuale)")
        st.caption("Simula il livello di flessibilità del personale.")
        
        pct_ft40 = st.slider("🔵 Full Time (8h - Alta rigidità)", 0, 100, 60)
        pct_pt30 = st.slider("🟡 Part Time (6h - Media flessibilità)", 0, 100, 20)
        remaining = max(0, 100 - (pct_ft40 + pct_pt30))
        pct_pt20 = st.slider("🔴 Part Time (4h - Alta flessibilità)", 0, 100, remaining)
        
        total_mix = pct_ft40 + pct_pt30 + pct_pt20
        
        if total_mix != 100:
            st.warning(f"⚠️ La somma deve essere 100%. Attuale: {total_mix}%.")
        else:
            st.success("✅ Composizione valida.")
            
            fig_preview, ax_prev = plt.subplots(figsize=(3, 1.5))
            data_prev, labels_prev, colors_prev = [pct_ft40, pct_pt30, pct_pt20], ['FT 8h', 'PT 6h', 'PT 4h'], ['#3498db', '#f1c40f', '#e74c3c']
            d_clean, l_clean, c_clean = zip(*[(d, l, c) for d, l, c in zip(data_prev, labels_prev, colors_prev) if d > 0])
            
            wedges, texts, autotexts = ax_prev.pie(d_clean, labels=None, colors=c_clean, autopct='%1.0f%%', textprops={'color':"white", 'fontsize': 8, 'weight': 'bold'}, pctdistance=0.5)
            ax_prev.axis('equal')
            fig_preview.patch.set_alpha(0.0)
            
            leg = ax_prev.legend(wedges, l_clean, loc="center left", bbox_to_anchor=(1, 0, 0.5, 1), frameon=False, labelcolor='white', fontsize=7)
            buf = io.BytesIO()
            fig_preview.savefig(buf, format="png", bbox_inches="tight", transparent=True, dpi=150)
            buf.seek(0) 
            st.image(buf)

    st.divider()
    
    btn_col, _ = st.columns([1, 3])
    if btn_col.button("🚀 Inizializza Scenario su HF", type="primary", disabled=(total_mix != 100)):
        if not new_scenario_name.strip():
            st.error("Nome scenario non valido.")
        else:
            with st.spinner("Creazione dati fittizi e upload in corso..."):
                mix_dict = {'FT40': pct_ft40, 'PT30': pct_pt30, 'PT20': pct_pt20}
                success, msg = generate_scenario_files(new_scenario_name, new_emp_count, mix_dict, curve_key)
                
                if success:
                    st.success(f"{msg}")
                    st.info("🔄 Clicca su 'Ricarica App' nella barra laterale sinistra per gestire questo nuovo scenario.")
                else:
                    st.error(f"Errore di sistema: {msg}")