3 ProgDynamique 2016 PDF

CSI 3505 / Automne 2016: Conception et Analyse des Algorithmes I.
 Plan du Cours
 Introduction (Chapitre 1)
 Techniques de résolution: Diviser pour régner (Chapitre 2)
 Techniques de résolution: Programmation dynamique (Chap 3)
 Techniques de résolution: Algorithmes voraces(Chapitre 4)
 Techniques de résolution: Algorithmes retour arrière (Chapitre 5)
 Introduction a la théorie de Complexité du calcul(Chapitre 9)
Dr. Nejib Zaguia - Automne 2016 1

CSI 3505
Programmation Dynamique
Exemples traités dans ce chapitre

 Le calcul du coefficient binomial
 Multiplication d’une chaîne de matrices.
 Les plus courts chemins dans un graphe (Algorithme de

Floyd)
 Problème du sac à dos

CSI 3505
Principe général
 Souvent, pour résoudre un problème de taille n, on s'aperçoit
qu'il est composé de plusieurs sous problèmes identiques.
 Si on résout chaque sous exemplaire séparément sans tenir

compte de cette duplication on obtient un algorithme très
inefficace.
 Par contre, si on résout chaque sous exemplaire différent une

seule fois (en sauvegardant les résultats) on obtient un
algorithme performant.

CSI 3505
 Idée de base :
Éviter de calculer la même chose
deux fois, normalement en utilisant
un tableau de résultats déjà
calculés, rempli au fur et à mesure
qu'on résout les sous problèmes.

CSI 3505
Historique:
 Richard E. Bellman (introduit d’une façon systématique
l’étude de la programmation dynamique dans les années
50. [RAND corporation]
 programmation dynamique = planifier sur une période.
 Programmation veut dire ordonnancement “scheduling” (a la
programmation linéaire)
 Secrétaire de Défense était hostile a la recherche mathématique.
 Bellman a choisi un nom impressionnant afin d’éviter toute confrontation.
 impossible d’utiliser « dynamique » dans un sens péjoratif"
 « même un Congresman ne peut avoir une objection"
Référence: Bellman, R. E. Eye of the Hurricane, An Autobiography.

CSI 3505
Quelques algorithmes très connus de type programmation

dynamique.
 Viterbi pour les modèles cachés de Markov.
 Unix diff pour comparer deux fichiers.
 Smith-Waterman pour l’alignement de suite.
 Bellman-Ford pour le plus petit chemin dans les réseaux.
 Cocke-Kasami-Younger pour les arbres de syntaxe des
grammaires libre de contexte.
Dr. Nejib Zaguia - Automne 2016

6
CSI 3505
 (x + y)2 = x2 + 2xy + y2
coefficients sont 1,2,1
 (x + y)3 = x3 + 3x2y + 3xy2 + y3
coefficients sont 1,3,3,1
 (x + y)4 = x4 + 4x3y + 6x2y2 + 4xy3 + y4
coefficients sont 1,4,6,4,1
 (x + y)5 = x5 + 5x4y + 10x3y2 + 10x2y3 + 5xy4 + y5
coefficients sont 1,5,10,10,5,1
CSI 3505
n c(n,0) c(n,1) c(n,2) c(n,3) c(n,4) c(n,5) c(n,6)

0 1
1 1 1
2 1 2 1
3 1 3 3 1
4 1 4 6 4 1
5 1 5 10 10 5 1
6 1 6 15 20 15 6 1

8
CSI 3505
 le calcul du coefficient binomial: C(n, k) ou aussi n

k
Algorithme 1: Utiliser la formule
C(n, k) = n! / k!(n-k)! Pour tout k, 0  k  n
Mauvais algorithme et formule inutilisable : le problème de faire des
calculs avec des gros nombre “n!, k!, (n-k) !”
Algorithme 2: Utiliser la formule récursive

n - 1 + n - 1 Si 0 < k < n
n k-1 k
C(n, k) = k =
1 Sinon

CSI 3505

C(n-1,k-1) + C(n-1,k) si 0<k<n
C(n,k) =
1 si k =0 or k = n
C(n,k)
{
si k = 0 or k =n alors retourner 1
sinon retourner ( C(n-1,k-1) + C(n-1,k) )
}

CSI 3505
C(5,2)
Calcul de C(5,2)
C(4,2) Répétition C(4,1)
C(3,2) C(3,1) C(3,1) C(3,0)
C(2,1) C(2,0) C(2,1) C(2,0) C(2,1) C(2,0)
C(1,0) C(1,1) C(1,0) C(1,1) C(1,0) C(1,1)
Complexité de l’algorithme 2: le nombre d’appels est le même que C(n, k)

n

k 11
CSI 3505
Meilleure idée: Algorithme 3
7 8
C(3,1) C(3,2)
4 5 6
C(2,0) C(2,1) C(2,2)
2 3
C(1,0) C(1,1)
1
C(0,0)

CSI 3505
Idée de l’algorithme 3: utiliser un tableau des résultats intermédiaires

0 1 2 3 … k-1 k
0 1
1 1 1
2 1 2 1
3 1 3 3 1
.
. C(n-1,k-1) C(n-1,k)
n-1
n C(n,k)

CSI 3505
Remplir le tableau ligne par ligne

Taille du problème: n
Opérations: nombre d’entrées dans la matrice
0 1 2 3
0 1
1 1 1
2 1 2 1
3 1 3 3 1
C(6,3) 4 1 4 6 4
5 1 5 10 10
6 1 6 15 20

CSI 3505
 Complexité (n-k-1) fois
W(n) = 1+2+3+….+k+ (k+1) + (k+1) +….+ (k+1)  O(k n )
Cas pire, lorsque k est d’ordre O(n) W(n)  O(n2)
En fait la matrice n'est pas nécessaire, il suffit de mettre a jour de droite

à gauche un tableau de longueur k représentant la ligne courante
Temps: O(nk) Espace: O(k)
CSI 3505
La méthode Diviser pour régner: une méthode descendante

subdiviser le problème en sous-problèmes indépendants,
résoudre récursivement et combiner
Programmation dynamique: une méthode ascendante
éviter de recalculer la même chose plus qu’une
fois, en utilisant une table des résultats déjà
calculés, Cette table est remplie au fur et à mesure
qu'on résout les sous- problèmes.
Une technique qui s’applique typiquement aux problèmes d’optimisation
CSI 3505
Il y a 4 étapes dans un algorithme de type Programmation

dynamique.
1. Caractériser la structure d’une solution optimale
2. Définir la valeur de la solution optimale récursivement
3. Calculer la valeur de la solution optimale du bas vers le haut
4. Construire une solution optimale à partir des informations

obtenues

CSI 3505
Multiplication chaînée de matrices

Problème: On veut calculer le produit de n matrices données :
M = M1 * M2 * ... Mn
Important: pour tout i<n, nombre de colonnes de Mi = nombre de lignes de Mi+1
(La taille de la matrice Mi : di-1 x di)
Comme le produit matriciel est associatif, il y a plusieurs façon de

calculer ce produit :
M = (...(M1 * M2 )* M3)... Mn)
M = (M1 * M2 )*(M3 * M4) * ... Mn)
.........
M = (M1 * (M2 * ... (Mn-1 * Mn)...)
CSI 3505

 Un produit de deux matrice A(p,q) et B(q,r)
nécessite p*q*r multiplications et donne comme
résultat une matrice C(p,r)
 Il en découle que le nombre d’opérations

élémentaires nécessaire pour calculer
M = M1 * M2 * ... Mn
dépend de la façon dont on a inséré les parenthèses
CSI 3505
Exemple: M = M1 M2 M3 M4
10x20 20x50 50x1 1x100
Ordre 1: M1 x (M2 x (M3 x M4 ))
Coût(M3 x M4 ) = 50 x 1 x 100
Coût(M2 x (M3 x M4 )) = 20 x 50 x 100
Coût(M1 x (M2 x (M3 x M4 ))) = 10 x 20 x 100
Coût total = 125000
Ordre 2: (M1 x (M2 x M3)) x M4

Coût(M2 x M3 ) = 20 x 50 x 1
Coût(M1 x (M2 x M3 )) = 10 x 20 x 1
Coût((M1 x (M2 x M3)) x M4 ) = 10 x 1 x 100
Coût total = 2200
CSI 3505
 Le problème est de trouver la meilleur façon d’insérer les

parenthèses pour calculer M, c-a-d celle qui minimise le
nombre de multiplications élémentaires.
 Une méthode directe pour résoudre ce problème est de

générer tous les cas possibles et choisir le meilleur d’entre
eux.

CSI 3505
 Idée 1: approche directe
Il y a 5 possibilités pour le produit M1 M2 M3 M4 :

 (M1 (M2(M3M4)))
 ((M1 M2)(M3M4))
 (M1 ((M2M3)M4))
 ((M1 (M2M3))M4)
 (((M1 M2)M3)M4)

CSI 3505
Pour un produit de n matrices il existe T(n) manière d’insérer

des parenthèses
M = (M1 M2 … Mi) (Mi+1 Mi+2 … Mn)

T(i) n-1 T(n-i)
T(1) = 1 T(n) =  T(i) T(n-i)
i=1
Donc la méthode directe pour trouver la meilleure façon d’insérer

des parenthèses dans un produit de n matrices est très inefficace.

CSI 3505
 Complexité: (nombres de Catalan)
2n -2
T(n) = 1/n ( n-1 )
T(n)  (4n/n3/2)
n 1 2 3 4 5 ... 10 ... 15
T(n) 1 1 2 5 14 ... 4862 ... 2674440

CSI 3505
 Idée 2: Programmation dynamique

1) Caractériser la structure d'une solution optimale
Principe d’optimalité:
Si
(M1 x (M2 x M3 )) x M4 est une solution optimale pour M1 x M2 x M3 x
M4 ,
Alors
(M1 x (M2 x M3 )) est une solution optimale pour M1 x M2 x M3
Raison:
S’il y avait une meilleure solution pour M1 x M2 x M3 alors on pourra
l’utiliser pour obtenir une meilleure solution pour M1 x M2 x M3 x M4 .
Contradiction avec l’optimalité de (M1 x (M2 x M3 )) x M4
CSI 3505
1) Caractériser la structure d'une solution optimale
Si M = (M1 M2 … Mi) (Mi+1 Mi+2 … Mn) est une solution

optimale pour le produit M1 M2 … Mn alors :
(M1 M2 … Mi) est optimale pour le produit M1 … Mi

ET
(Mi+1 Mi+2 … Mn) est optimale pour le produit Mi+1 … Mn
Pour 1  i  j  n,, m[i, j] dénote une solution optimale
pour le produit Mi Mi+1 … Mj
CSI 3505
2) Définir récursivement la valeur d'une solution optimale en

fonction des solutions optimales des sous- problèmes.
(M1 M2 M3 M4 M5 M6 ) m[1 ,6] = ?
( (M1) (M2 M3 M4 M5 M6 ) ) m[1,1] + m[2,6] + d0 d1 d6

( (M1 M2) (M3 M4 M5 M6 ) ) m[1,2] + m[3,6] + d0 d2 d6
( (M1 M2 M3) (M4 M5 M6 ) ) m[1,3] + m[4,6] + d0 d3 d6
( (M1 M2 M3 M4) (M5 M6 ) ) m[1,4] + m[5,6] + d0 d4 d6
( (M1 (M2 M3 M4 M5) (M6 ) ) m[1,5] + m[6,6] + d0 d5 d6
m[1,6] = minimum de
CSI 3505
0 (i = j)
m[i,j] =
min { m[i,k] + m[k + 1, j] + di-1dkdj } (i < j)
i<k<j
m[i, k] = Coût optimal pour Mi x … x Mk

m[k+1, j] = Coût optimal pour Mk+1 x … x Mj
di-1dkdj = Coût pour (Mi x … x Mk) x (Mk+1 x … x Mj)

CSI 3505
Utilisant une méthode récursive du haut vers le bas:
m[i, j]  min
 <
{ m[i, k]  m[k  1, j]  di-1dk dj }
i k j
n1
T(n)   (T(k)  T(n  k)  O(1))
k 1
 ( 2 )
n
Inacceptable:
beaucoup de répétitions!!
CSI 3505
 du haut vers le bas:
 m[1,6] --> m[1,1], m[2,6], m[1,2], m[3,6], m[1,3],

m[4,6],m[1,4], m[5,6], m[1,5], m[6,6]
 m[2,6] --> m[2,2], m[3,6], m[2,3], m[4,6],m[2,4],

m[5,6], m[2,5], m[6,6]

CSI 3505
On utilise l'approche ascendante (du bas vers

le haut): la programmation dynamique
Le nombre de sous problèmes?
Combien de m[i,j] doit on calculer?
O(n2)

CSI 3505
Construire un tableau 2-dimentionelle (m[i; j]).
j
Remplir la tableau par étape:
1 2 3 4 5
les m[i,j] ou j-i = 0
les m[i,j] ou j-i = 1 i 1
les m[i,j] ou j-i = 2 2
3
4
5

CSI 3505
 Comment calculer m[1, 6]?

m[i, j]  min{ m[i, k]  m[k  1, j]  di-1dkd j }
ik< j
1 2 3 4 5 6 Solution
m[1,6]
1 0 x x x x x
2 0 x x x x
3 0 x x x
4 0 x x
5 0 x
6 0

CSI 3505
M = M1 x M2 x M3 x M4
10x20 20x50 50x1 1x100
Étape 1: j-i = 1
m[1,2] = m[1,1] + m[2,2] + 10000 = 10000
m[2,3] = 20 x 50 = 1000
m[3,4] = 50 x 100 = 5000

CSI 3505
 Étape 2: j-i = 2
m[1,1] + m[2,3] + 10 x 20 x 1
m[1,3] = min
m[1,2] + m[3,3] + 10 x 50 x 1
k=1
= min {1200,10500} = 1200
m[2,2] + m[3,4] + 20 x 50 x 100
m[2,4] = min
m[2,3] + m[4,4] + 20 x 1 x 100
k=3 = min {10500,3000} = 3000
CSI 3505
 Étape 3: j-i = 3
case j-i = 3
m[1,1] + m[2,4] + 10 x 20 x 100
m[1,4] = min m[1,2] + m[3,4] + 10 x 50 x 100
m[1,3] + m[4,4] + 10 x 1 x 100
= min {23000,65000,2200} = 2200
k=3

CSI 3505
Comment construire une solution optimale?

On a besoin de garder les valeurs de k représentant la coupure
optimale pour m[i, j]
j- i =1: PosOpt[1, 2] = 1 M1 x M2 x M3 x M4
PosOpt[1, 4] = 3
PosOpt[2, 3] = 2
M1 x M2 x M3 M4
PosOpt[3, 4] = 3
PosOpt[1, 3] = 1
j- i =2: PosOpt[1, 3] = 1
M1 M2 x M3
PosOpt[2, 4] = 3
j- i =3: PosOpt[1, 4] = 3 M2 M3
(M1 x (M2 x M3)x M4)

CSI 3505
Matrix-Chain-Order( p, n )
{
for i = 1 to n
m[i,i] = 0
for len = 2 to n
for i = 1 to n - len + 1
j = i + len - 1
m[i,j] = ∞
for k = i to j-1
q = m[i,k] + m[k+1,j] + d[i-1]*d[k]*d[j]
if q < m[i,j] then
m[i,j] = q
s[i,j] = k
return s
}
CSI 3505
Le problème des plus courts chemins: Algorithme de Floyd

Problème: Trouver les plus courts chemins entre chaque couple de
sommets d’un graphe.
A
10 50
30
B G = (V,E) : graphe connexe.
E 100 A chaque arête est associée
20
10 une longueur non-négative.
5
Un des sommets est la source.
50
D C
CSI 3505
C’est un problème d’optimisation et vérifie le principe d’optimalité:

Si le plus court chemin entre A et B passe par un sommet C, alors
les sous-chemins A-C et C-B sont aussi optimaux.
C B
A
Si C ----- B est plus court que C ----- B

alors
A ----- C ----- B est plus court que A-----C-----B
CSI 3505
Les plus courts chemins (Algorithme de Floyd)

 Soit L la matrice associée à un graphe G, L[i, j] est le coût de l’arc de i vers j.
 Si i=j Alors L[i, j] = 0 et s’il n’y a pas d’arc entre i et j alors L[i, j] =.
5
A B
A B C D 50
A 0 5  
15 5
B 50 0 15 5 15
C 30  0 15 30
D 15  5 0
D 5
15
C
CSI 3505
Principe de l’algorithme de Floyd:

 Construire une matrice D (initialisée à L).
 Après chaque itération k de l’algorithme, la matrice D contiendra
les plus courts chemins entre chaque paire de sommets (i, j), ne
passant que par les sommets appartenant à l’ensemble {1, 2, ..., k}.
 Après l’itération n, D contiendra les plus courts chemins entre
chaque paire de sommets.
A l'itération k, et pour chaque paire de sommets (i, j), il faut

vérifier si l'on peut trouver un chemin passant par le sommet k
et qui soit meilleur que le chemin actuel.

CSI 3505
Itération k:
L = D0 , D1 , …….Dn = D
Cas 1. L’utilisation du sommet k n’ajoute rien au chemin le plus court déjà
trouvés de i vers j avec les sommets {1, 2, …, k-1}. (Au moins un des plus
court chemins (qui pourrait utiliser les sommets {1,2,…k}), n’utilise PAS le
sommet k.) D [i,j] = D [i,j]
k k-1
Cas 2. Tous les plus court chemins (qui pourraient utiliser les sommets
{1,2,…k}), UTILISENT le sommet k comme nœud intermédiaire.
i k j
Dk [i,j] = Dk-1[i,k]+ Dk-1[k,j]
CSI 3505
 A l’étape k de l’algorithme on calcule les nouvelle

valeurs de D pour chaque paire de sommets de la
façon suivante:
Dk[i,j] = min ( Dk-1[i,j] , Dk-1[i,k] + Dk-1[k,j] )

CSI 3505
l’algorithme de Floyd
Floyd(n, L[ ] [ ])
matrice D de taille n x n
D=L
for(k=1; k<=n; k++)
for(i=1; i<=n; i++)
for(j=1; j<=n; j++)
D[i,j] = min {D[i,j], D[i,k]+D[k,j]}
retourner D

CSI 3505
Exemple: A
5
0 5  
15
D0=L
50
30
0

15
0
5
15
50 B
 5
15 5 0
D
0 5   5 30
50 0 15 5 15
D1 30 35 0 15 15
15 20 5 0
C
0 5 20 10
D2 50 0 15 5
30 35 0 15
15 20 5 0
CSI 3505
Cont …
0
50
5
0
20
15
10
5
A
D2 5
30 35 0 15
15
50 B
15 20 5 0
5
0 5 20 10 D
45 0 15 5
D3
30 35 0 15 5 30
15 20 5 0 15
15
0 5 15 10
D=D4 20 0 10 5 C
30 35 0 15
15 20 5 0
CSI 3505
Comment construire une solution optimale (plus court chemin)?

 On a besoin de garder les sommets par où le plus court chemin
passe
 Deuxième matrice P initialisée à 0.
si D[i,k]+D[k,i] < D[i,j]

alors
D[i,j] = D[i,k]+D[k,i]
P[i,j] = k

CSI 3505
Algorithme de Floyd
Floyd2(n, L[ ] [ ], P[ ][ ])
matrice P de taille n x n
D = L; P=0
for(k=1; k<=n; k++)
for(i=1; i<=n; i++)
for(j=1; j<=n; j++)
if D[i,k]+D[k,j] < D[i,j]
D[i,j] = D[i,k]+D[k,j]
P[i, j] = k
retourner D Dr. Nejib Zaguia - Automne 2016 49
CSI 3505
Exemple: 0 0 4 2
4 0 4 0
P
A 0 1 0 0
5 0 1 0 0
15
50 B
5
D
5 30
15
15
C
CSI 3505
 Complexité? O(n3)
Floyd2(n, L[ ] [ ], P[ ][ ])
matrice P de taille n x n
D = L; P=0
for(k=1; k<=n; k++) n
for(i=1; i<=n; i++) n
for(j=1; j<=n; j++) n
if D[i,k]+D[k,j] < D[i,j]
D[i,j] = D[i,k]+D[k,j] Constante
P[i, j] = k
retourner D
CSI 3505
Problème du sac à dos

Objets a apporter dans un sac de Capacité 10?
nourriture gaz first aid livre chat
Poids 5 5 2 2 2
10 5 5 10 3
Des solutions admissibles: Poids
Nourriture+gaz 10 15
livre+first aid+chat 6 18
nourriture+livre+first aid 9 25
CSI 3505
S: ensemble de n objets 1, 2, …, n
pi : poids de l'objet i
gi: gain de l'objet i
K: poids maximum que le sac peut supporter
pi, gi, K: entiers positifs
Problème: Déterminer un sous-ensemble A

de S qui peut être mis dans le sac et qui
maximise les gains.
CSI 3505
Le problème est de trouver un sous ensemble d’objets A,

 qui maximise  (gi: objet i est dans A)
 Avec la condition que :  (pi : objet i est dans A)  K
Applications de ce problème:
scheduling (ordonnancement),
allocation de l’espace dans un disque,
…

CSI 3505
Propriété récursive du problème:
G[i, K] = gains maximum avec conditions:

1. le choix est parmi les objets {1, …, i},
2. le poids maximal ne doit pas dépasser K.
Le problème est de calculer : G[n, K]

CSI 3505
G[i, K]
Cas 1. Cas 2.
L'ensemble optimal qui L'ensemble optimal qui donne
donne G[i, K] utilise l'objet i G[i, K] n'utilise pas l'objet i
G[i,K] = G[i-1, K-pi] + gi G[i,K] = G[i-1,K]
(impossible si pi > K)
Base: Si i = 0 ou K = 0, alors G[i, K] = 0

CSI 3505
Pour i=0 ou K=0, G[i,K] = 0
Pour i>0, K>0

max{gi+G[i-1,K-pi], G[i-1,K]) pi  K
G[i,K] =
G[i-1,K] pi > K
Exemple: K=10
Objets 1 2 3 4 5
gi 10 5 5 10 3
pi 5 5 2 2 2
CSI 3505
K 0 1 2 3 4 5 6 7 8 9 10
i
0 0 0 0 0 0 0 0 0 0 0 0
1 0 0 0 0 0 10 10 10 10 10 10
2 0 0 0 0 0 10 10 10 10 10 15
3 0 0 5 5 5 10 10 15 15 15 15
4 0 0 10 10 15 15 15 20 20 25 25
5 0 0 10 10 15 15 18 20 20 25 25
CSI 3505
 Complexité
Taille du problème: n
Opérations: nombre d'entrées dans la table
Cas pire:
(n K)
Dépend de K, la capacité maximale du sac !

3 ProgDynamique 2016 PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

3 ProgDynamique 2016 PDF

Transféré par

Droits d'auteur :

Formats disponibles

CSI 3505 / Automne 2016: Conception et Analyse des Algorithmes I.

 Techniques de résolution: Diviser pour régner (Chapitre 2)

 Techniques de résolution: Programmation dynamique (Chap 3)

 Techniques de résolution: Algorithmes voraces(Chapitre 4)

 Techniques de résolution: Algorithmes retour arrière (Chapitre 5)

 Introduction a la théorie de Complexité du calcul(Chapitre 9)

Dr. Nejib Zaguia - Automne 2016 1

Exemples traités dans ce chapitre

 Multiplication d’une chaîne de matrices.

 Les plus courts chemins dans un graphe (Algorithme de

 Problème du sac à dos

Dr. Nejib Zaguia - Automne 2016 2

 Si on résout chaque sous exemplaire séparément sans tenir

 Par contre, si on résout chaque sous exemplaire différent une

Dr. Nejib Zaguia - Automne 2016 3

Dr. Nejib Zaguia - Automne 2016 4

 « même un Congresman ne peut avoir une objection"

Référence: Bellman, R. E. Eye of the Hurricane, An Autobiography.

Dr. Nejib Zaguia - Automne 2016 5

Quelques algorithmes très connus de type programmation

 Unix diff pour comparer deux fichiers.

 Smith-Waterman pour l’alignement de suite.

 Bellman-Ford pour le plus petit chemin dans les réseaux.

 Cocke-Kasami-Younger pour les arbres de syntaxe des

grammaires libre de contexte.

Dr. Nejib Zaguia - Automne 2016

n c(n,0) c(n,1) c(n,2) c(n,3) c(n,4) c(n,5) c(n,6)

Dr. Nejib Zaguia - Automne 2016

 le calcul du coefficient binomial: C(n, k) ou aussi n

Algorithme 2: Utiliser la formule récursive

Dr. Nejib Zaguia - Automne 2016 9

Dr. Nejib Zaguia - Automne 2016 10

C(3,2) C(3,1) C(3,1) C(3,0)

C(2,1) C(2,0) C(2,1) C(2,0) C(2,1) C(2,0)

C(1,0) C(1,1) C(1,0) C(1,1) C(1,0) C(1,1)

Complexité de l’algorithme 2: le nombre d’appels est le même que C(n, k)

Meilleure idée: Algorithme 3

Dr. Nejib Zaguia - Automne 2016 12

Idée de l’algorithme 3: utiliser un tableau des résultats intermédiaires

Dr. Nejib Zaguia - Automne 2016 13

Remplir le tableau ligne par ligne

Dr. Nejib Zaguia - Automne 2016 14

 Complexité (n-k-1) fois

W(n) = 1+2+3+….+k+ (k+1) + (k+1) +….+ (k+1)  O(k n )

Cas pire, lorsque k est d’ordre O(n) W(n)  O(n2)

En fait la matrice n'est pas nécessaire, il suffit de mettre a jour de droite

La méthode Diviser pour régner: une méthode descendante

Il y a 4 étapes dans un algorithme de type Programmation

1. Caractériser la structure d’une solution optimale

2. Définir la valeur de la solution optimale récursivement

3. Calculer la valeur de la solution optimale du bas vers le haut

4. Construire une solution optimale à partir des informations

Dr. Nejib Zaguia - Automne 2016 17

Multiplication chaînée de matrices

Comme le produit matriciel est associatif, il y a plusieurs façon de

Multiplication chaînée de matrices

 Il en découle que le nombre d’opérations

Ordre 2: (M1 x (M2 x M3)) x M4

Multiplication chaînée de matrices

 Le problème est de trouver la meilleur façon d’insérer les

 Une méthode directe pour résoudre ce problème est de

Dr. Nejib Zaguia - Automne 2016 21

 Idée 1: approche directe