République Algérienne Démocratique et Populaire

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

Université des Sciences et Technologie de Houari Boumedienne

Faculté de Mathématiques
Département de Recherche Opérationnelle

Projet

Thème
La Classe Des Graphes Scindé

Présenté par :
BOUKHALFA Mohamed Anis Proffesseur :
Abdellioui Oussama M. H.AITHADDADENE
 TABLE DES MATIÈRES

1 Introduction générale 1

2 Définition & Concepts fondamentaux 2

2.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.1 Theorie des Graphes . . . . . . . . . . . . . . . . . . . . . . . 2
2.1.2 Coloration des graphes . . . . . . . . . . . . . . . . . . . . . . 3

3 Présentation Générale des Graphes Scindé 4

3.1 Inroduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.2 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
3.3 Propriétés Fondamentales . . . . . . . . . . . . . . . . . . . . . . . . 5
3.4 Challenges et Problèmes Ouverts . . . . . . . . . . . . . . . . . . . . 6
3.5 Résultats Structurels et Algorithmiques . . . . . . . . . . . . . . . . . 6

4 Coloration des Graphes Scindés 8

4.1 Principes de Base de la Coloration . . . . . . . . . . . . . . . . . . . 8
4.2 Stratégies de Coloration et Algorithmes . . . . . . . . . . . . . . . . . 8
4.3 Nombre Chromatique des Graphes Scindés . . . . . . . . . . . . . . . 9
4.4 Cas Particuliers et Variations . . . . . . . . . . . . . . . . . . . . . . 10
4.5 Complexité Algorithmique et Optimisation . . . . . . . . . . . . . . . 11
4.6 Applications Pratiques de la Coloration . . . . . . . . . . . . . . . . . 11
4.7 Problèmes Ouverts et Perspectives d’Avenir . . . . . . . . . . . . . . 11

5 Implémentation 12
5.1 Langage de programmation utilisée et sa motivation . . . . . . . . . . 12
5.2 Interface Utilisée : STREAMLIT . . . . . . . . . . . . . . . . . . . 12
5.3 L’étude d’une Instance . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.3.1 Graphe Scindé . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.3.2 Graphe Non Scindé . . . . . . . . . . . . . . . . . . . . . . . . 14

6 Conclusion 15

2
CHAPITRE 1
INTRODUCTION GÉNÉRALE

La coloration de graphes est un processus qui assigne des couleurs aux sommets
d’un graphe de sorte que deux sommets connectés (adjacents) ne partagent jamais
la même couleur. Cette approche, cruciale en théorie des graphes, sert à résoudre de
nombreux problèmes pratiques et théoriques en mathématiques et en informatique.

L’histoire de la coloration de graphes remonte au célèbre problème des quatre

couleurs, formulé au 19ème siècle. Ce problème posait la question de savoir si quatre
couleurs suffisaient pour colorer n’importe quelle carte géographique de manière à ce
que deux pays adjacents n’aient pas la même couleur. Résolu en 1976 avec l’aide des
ordinateurs, ce problème a jeté les bases pour des avancées majeures dans le domaine.

La coloration de graphes a depuis pris une importance cruciale, permettant de

résoudre des problèmes complexes dans divers domaines, allant de la planification
et l’optimisation à la théorie des réseaux.

Dans ce contexte, la classe des graphes scindés se distingue. Un graphe scindé

est divisé en deux sous-ensembles distincts : un clique (où tous les sommets sont
connectés les uns aux autres) et un ensemble indépendant (où aucun sommet n’est
connecté à un autre). La coloration d’un graphe scindé est unique : chaque sommet
du clique reçoit une couleur distincte, tandis que tous les sommets de l’ensemble
indépendant peuvent partager la même couleur, différente de celles utilisées dans
le clique. Cette méthode de coloration souligne l’importance de comprendre la
structure sous-jacente d’un graphe pour déterminer la meilleure stratégie de
coloration, illustrant ainsi la profondeur et la diversité de ce champ d’étude.

L’objectif de ce projet est d’étudier en profondeur la coloration des graphes

scindés, en examinant leur structure, leurs propriétés mathématiques uniques et les
stratégies de coloration. Le projet vise également à explorer les applications pratiques
et théoriques de ces graphes dans divers domaines, tout en abordant les défis actuels
et les perspectives futures de la recherche dans ce domaine.

1
CHAPITRE 2
DÉFINITION & CONCEPTS FONDAMENTAUX

2.1 Définition
2.1.1 Theorie des Graphes
— Un graphe G = (V, E) est constitué d’un ensemble V des som-
mets telle que V ̸= ϕ et d’un ensemble E des arêtes telle que
e ∈ E; e = (vi , vj ) = (vj , vi ).

— L’ordre du graphe G est le nombre de ses sommets : |V | = n

— La taille du graphe G est le nombre de ses arêtes : |E| = m

— Un p-graphe est un graphe dans lequel aucun élément de V × V n’apparaı̂t

plus de p fois dans l’ensemble des arêtes.

— Pour une arête e = (x, y), le sommet x est appelé son extrémité initiale,
et le sommet y est appelé son extrémité terminale.
— une boucle est une arête de G de la forme (x, x).

— Deux arêtes sont dites multiples si elles ont les mêmes extrémités.

— Un graphe simple un graphe simple est un 1-graphe sans boucle.

— le voisinage d’un sommet u d’un graphe G = (V, E) est l’ensemble de

tous ses voisins et sera noté par NG (u).

— Le degrée d’un sommet u est le nombre d’arêtes ayant x comme extre-

mité. Le degré de u est noté par : dG

— Un graphe complet K est un graphe simple un dont tous les sommets

sont deux à deux adjacents.

2
— Le graphe complementaire de G : est un graphe ayant les mêmes sommets
que G, mais où chaque paire de sommets qui n’est pas reliée par une arête
dans G est reliée par une arête dans le graphe complémentaire, et vice versa.
— Un sous-graphe de G est un graphe H = (V ′ , E ′ ) où V ′ est un sous-
ensemble de V et E ′ est un sous-ensemble de E. Cela signifie que tous les
sommets de H sont également des sommets de G, et toutes les arêtes de H
sont également des arêtes de G qui relient des sommets de H.

— Un graphe partiel de G est un graphe H = (V, E ′ ) où E ′ est un

sous-ensemble de E. Cela signifie que tous les sommets de H sont également
des sommets de G, mais certaines des arêtes de G peuvent être absentes de H.

— Un stable un sous-ensemble S ( S ⊆ V ) est dit stable s’il est constitué de

sommets deux à deux non adjacents.Autrement dit le sous-graphe engendré
par S ne contient aucune arête.

— Une clique un sous-ensemble K ( K ⊆ V ) est dit clique si les sommets de

K sont deux à deux adjacents. (le sous-graphe engendré par K est un graphe
complet).

— La taille d’une clique K est le nombre de sommets de K.

— Le nombre de stabilité dans un graphe, noté α(G), est le cardinal d’un stable
maximum.

— La taille maximum d’une clique du graphe G est notée par ω(G).

2.1.2 Coloration des graphes

— Nombre chromatique d’un graphe G, noté χ(G), est le plus petit nombre
de couleurs nécessaires pour colorer les sommets de G de telle sorte que deux
sommets reliés par une arête ne soient jamais de la même couleur.

— Indice chromatique d’un graphe G, souvent noté χ′ (G), est le nombre

minimal de couleurs nécessaires pour colorer les arêtes de G de sorte que
deux arêtes incidentes (c’est-à-dire partageant un sommet commun) n’ont
pas la même couleur. Autrement dit, il est le plus petit entier k pour lequel
il existe une k-coloration valide des arêtes du graphe.

— Problème de Décision de Coloration

Déterminer si un graphe donné peut être coloré avec k couleurs est un
problème NP-complet, ce qui signifie qu’il est peu probable qu’il existe un
algorithme polynomial pour résoudre ce problème pour tous les graphes.

— Algorithmes de Coloration
Il existe plusieurs algorithmes pour tenter de colorer un graphe, par
exemple l’algorithme glouton. Cependant, trouver la coloration optimale est
un problème difficile.

3
CHAPITRE 3
PRÉSENTATION GÉNÉRALE DES GRAPHES SCINDÉ

3.1 Inroduction
Les graphes scindés, issus du domaine de la théorie des graphes, ont été étudiés
pour la première fois par Földes et Hammer en 1977, puis introduits par Tyshkevich
et Chernyak. Leur structure permet de diviser les sommets en une clique et un stable.
Leur trajectoire historique est étroitement liée aux progrès mathématiques, mais ils
ont également découvert des utilisations en biologie computationnelle, notamment
pour faciliter l’analyse des données génomiques lors de l’essor de la technologie de
séquençage de nouvelle génération à la fin des années 2000 et au début des années
2010.

3.2 Définition
Un graphe G = (V, E) est un graphe scindé (en anglais : “split graph”) si et
seulement si il existe une partition de V = S ∪ K telle que S est un stable et K une
clique.

Figure 3.1 – Graphe Scindé

4
3.3 Propriétés Fondamentales
Propriétés Fondamentales des Graphes Scindés
Les graphes scindés, une catégorie spéciale au sein de la vaste théorie des graphes,
présentent des caractéristiques uniques qui les distinguent de manière significative
des autres classes de graphes. Leur étude approfondie révèle des aspects fascinants
de la théorie des graphes, alliant complexité mathématique et applications pratiques.

Structure de Base
Un graphe scindé est défini par sa capacité à être divisé en deux sous-ensembles
distincts : un clique et un stable. Dans le *clique*, chaque paire de sommets est
connectée par une arête, formant un réseau complet de connexions. L’*ensemble
indépendant*, en revanche, est composé de sommets sans aucune arête les reliant.
Cette structure bipartite confère aux graphes scindés des propriétés uniques, facili-
tant leur analyse et leur application dans divers contextes.
Exemple Illustratif : Prenons ce graphe simple comprenant un clique de trois
sommets A, B, C et un stable de deux sommets D, E. Les sommets A, B, C sont
interconnectés, tandis que D et E ne possèdent aucune connexion entre eux. Cette
configuration représente clairement la nature bipartite des graphes scindés.

Figure 3.2 – Exemple Illustratif

5
Propriétés Mathématiques Clés
Les graphes scindés offrent un terrain d’étude riche pour les mathématiciens
en raison de leurs propriétés distinctives. Parmi celles-ci, on trouve le concept de
nombre chromatique, qui est égal au nombre de sommets dans le plus grand clique
pour un graphe scindé. Cette caractéristique simplifie significativement le processus
de coloration des graphes par rapport à d’autres classes plus complexes.

Applications Pratiques
Les graphes scindés trouvent des applications dans de nombreux domaines. En
informatique, par exemple, ils sont utilisés dans la conception de réseaux, la gestion
de bases de données et l’optimisation de systèmes. Leur structure bipartite permet
une modélisation efficace de situations où deux types distincts de relations doivent
être représentés, comme dans les réseaux sociaux ou les systèmes de communication.

Défis et Recherches en Cours

Malgré leur structure relativement simple, les graphes scindés présentent des
défis uniques, notamment en termes d’algorithmes de coloration et de parcours. La
recherche actuelle se concentre sur le développement de méthodes plus efficaces pour
exploiter leurs propriétés uniques, notamment dans les contextes d’optimisation et
de complexité algorithmique.

3.4 Challenges et Problèmes Ouverts

les défis actuels se concentrent sur trois aspects principaux. Premièrement, la
complexité algorithmique se manifeste dans la difficulté de déterminer le nombre
chromatique optimal, un problème particulièrement ardu pour les graphes scindés
avec des contraintes supplémentaires, où il devient NP-complet. Deuxièmement,
l’optimisation des algorithmes pour la coloration et le parcours des graphes scindés
est un défi majeur, surtout en ce qui concerne l’amélioration de leur efficacité et de
leur vitesse pour les applications de données réelles. Enfin, les applications pratiques
de ces théories et algorithmes dans des domaines tels que les réseaux sociaux, la
bioinformatique et l’optimisation des systèmes de transport sont également au cœur
des problématiques actuelles, requérant des solutions plus rapides et plus efficaces
pour gérer la complexité croissante des données. Ces défis ouvrent des voies pour de
nouvelles recherches et découvertes dans le domaine des graphes scindés.

3.5 Résultats Structurels et Algorithmiques

Résultats Structurels
Les graphes scindés sont essentiels dans l’avancement de la théorie des graphes,
en particulier pour la coloration, les cliques et les stables. Ils se caractérisent par une
structure bipartite composée d’un clique et d’un ensemble stable. Cette structure
influence le nombre chromatique, où la taille du plus grand clique détermine la

6
limite supérieure du nombre de couleurs nécessaires. Par exemple, dans un graphe
scindé avec un clique de trois sommets et un stable de deux, le nombre chromatique
est au maximum trois. Les stratégies algorithmiques pour ces graphes impliquent
l’identification du plus grand clique pour une coloration optimale, et une approche
simplifiée pour le stable, souvent colorable avec une seule couleur supplémentaire.
Ces théories sont appliquées en bioinformatique, où les graphes scindés modélisent
des réseaux d’interactions protéiques, avec des cliques représentant des groupes de
protéines fortement interconnectées et des ensembles stables pour des protéines
isolées. Cette modélisation aide à comprendre les réseaux complexes d’interactions
dans les systèmes biologiques, soulignant l’importance pratique des recherches sur
les graphes scindés.

Résultats Algorithmiques
Les algorithmes de coloration pour les graphes scindés exploitent leur structure
bipartite unique. Typiquement, ces algorithmes commencent par colorer le clique,
où chaque sommet nécessite une couleur distincte, avant de traiter l’ensemble
indépendant, souvent avec une seule couleur additionnelle.

Pour identifier la clique maximum, des techniques comme la recherche exhaustive

ou les heuristiques sont employées, tandis que la détermination du stable maximum
peut s’appuyer sur des méthodes de programmation linéaire ou des algorithmes
gloutons, profitant de l’absence de connexions internes dans l’ensemble indépendant
pour simplifier le processus.

Conclusion
Les graphes scindés constituent un sujet d’étude riche et fascinant en théorie
des graphes. Leur structure unique offre un mélange intrigant de simplicité et de
complexité, offrant des perspectives uniques pour la résolution de problèmes en
mathématiques et en informatique. Que ce soit dans le cadre de la recherche fon-
damentale ou des applications pratiques, ils continuent de jouer un rôle important
dans l’avancement de la théorie des graphes.

7
CHAPITRE 4
COLORATION DES GRAPHES SCINDÉS

4.1 Principes de Base de la Coloration

Le problème de coloration dans un graphe consiste à trouver une coloration
propre des sommets qui minimise χ(G) .

Dans un graphe scindé, les sommets peuvent être partitionnés en deux ensembles
distincts : un ensemble clique et un ensemble stable, cette propriété particulière des
graphes scindés facilite la résolution du problème de coloration.

— Coloration de la clique : Dans un graphe scindé, l’ensemble clique est

défini comme un groupe de sommets où chaque paire de sommets est reliée
par une arête.
Pour la coloration de la clique, la stratégie est relativement directe : Chaque
sommet de la clique est attribué à une couleur distincte, car tous les sommets
de la clique sont mutuellement adjacents.
Ainsi, la coloration de la clique implique l’utilisation d’un nombre de couleurs
égal à la taille de la clique.

— Coloration du stable : L’ensemble stable, quant à lui, est caractérisé par

l’absence d’arêtes entre ses sommets. Contrairement à la clique, les sommets
de l’ensemble stable peuvent être colorés avec une seule couleur, car ils ne
sont pas reliés entre eux. Cette propriété simplifie la coloration de l’ensemble
stable, car chaque sommet de l’ensemble peut partager la même couleur sans
enfreindre la contrainte de non-adjacence.

4.2 Stratégies de Coloration et Algorithmes

Les approches gloutonnes sont parmi les méthodes les plus simples pour résoudre
le problème de coloration. Elles consistent à attribuer les couleurs aux sommets un
par un, en prenant des décisions locales pour minimiser les conflits.

8
 1. Identification de la Clique Maximale et du Stable Maximum : Avant
d’appliquer une approche gloutonne, il est crucial d’identifier la clique maxi-
male et le stable maximum dans le graphe scindé.
Pour identifier la clique maximum, des techniques comme la recherche ex-
haustive ou les heuristiques sont employées, tandis que la détermination du
stable maximum peut s’appuyer sur des méthodes de programmation linéaire
ou des algorithmes gloutons, profitant de l’absence de connexions internes
dans l’ensemble indépendant pour simplifier le processus.
2. Stratégie Gloutonne Indépendante pour les Cliques et les En-
sembles Stables : Une approche gloutonne peut être appliquée de manière
indépendante pour colorer les ensembles clique maximale et stable maximum.
On commence par attribuer une couleur distincte à chacun des sommets de
la clique maximale
Ensuite, on colore les sommets du stable avec les couleurs disponibles.

L’Algorithme DSATUR (Degree of Saturation)

L’algorithme DSATUR, créé par Daniel Brélaz en 1979 est l’un des algorithmes
les plus connus pour la coloration des graphes. Il est particulièrement intéressant
car il utilise une stratégie gloutonne améliorée, prenant en compte la saturation des
sommets.

DSAT(v)= nombre de couleurs différentes dans les sommets adjacents à v

Voici le déroulement de l’algorithme DSATUR :

1. Ordonner les sommets par ordre décroissant de leur degré
2. Colorer un sommet de degré maximal avec la couleur 1
3. Choisir un sommet avec DSAT maximum. En cas d’égalité, choisir le sommet
de degré maximal.
4. Colorer ce sommet avec la plus petite couleur possible.
5. Mettez à jour les degrés de saturation pour tous les voisins du sommet choisi
en incrémentant leur DSAT.
6. Si tous les sommets sont colorés alors STOP. Sinon aller à 3

Autres Techniques Algorithmiques

Outre les approches gloutonnes et la programmation linéaire, il existe d’autres
techniques algorithmiques qui peuvent être appliquées à la coloration des graphes
scindés. Cela peut inclure des méthodes basées sur des heuristiques spécifiques, des
algorithmes de recherche locale, ou des stratégies combinatoires.

4.3 Nombre Chromatique des Graphes Scindés

La structure bipartite particulière du graphe scindé influence directement le
nombre chromatique du graphe, un concept clé en coloration.

9
 Le nombre chromatique d’un graphe scindé, représenté par χ(G) est
nécessairement supérieur ou égal à la taille de la clique maximale dans le
graphe, notée ω(G) , cela découle de la nécessité d’attribuer des couleurs distinctes
aux sommets de la clique.

Ensuite, il suffit de colorer les sommets du stable en utilisant les couleurs déjà
attribués.

Par conséquent, χ(G) = ω(G)

4.4 Cas Particuliers et Variations

Certains graphes scindés présentent des caractéristiques particulières qui influent
sur les stratégies de coloration. Parmi eux, on trouve :

— Graphes Scindés avec Contraintes Additionnelles : Ces graphes

peuvent présenter des restrictions supplémentaires, telles qu’un nombre
limité d’arêtes entre le clique et le stable, ou des règles spécifiques régissant
les connexions entre les sommets.

— Graphes Scindés Complètement Connexes : Comme vus

précédemment, dans un graphe scindé complètement connexe, chaque
sommet du stable forme une clique de taille maximale avec tous les sommets
de la clique. En d’autres termes, pour tout sommet x ∈ S, on a K ∪ {x}
forme une clique maximale.

En conséquence, dans ce cas particulier, une seule stratégie de coloration

est possible : tous les sommets de la clique K sont colorés avec des couleurs
différentes, et tous les sommets du stable S sont colorés avec une seule
couleur additionnelle. Cette stratégie tire parti de la connectivité complète
entre les sommets du stable et de la clique, simplifiant ainsi le processus de
coloration.

Figure 4.1 – Exemple avec χ(G) = 4

10
4.5 Complexité Algorithmique et Optimisation
La résolution du problème de coloration des graphes scindés implique des
considérations complexes de complexité algorithmique et d’optimisation. En tant
que problème NP-complet, la recherche d’une solution optimale est généralement
difficile et peut nécessiter l’utilisation d’algorithmes spécifiques.

La complexité algorithmique du problème de coloration des graphes scindés est

liée à la structure particulière de ces graphes. Bien que des algorithmes gloutons
puissent fournir des solutions rapidement, l’optimisation reste un défi en raison de
la nature combinatoire du problème. Des approches exactes, telles que la program-
mation dynamique, sont souvent limitées par la taille du graphe, nécessitant ainsi
des compromis entre la précision de la solution et le temps de calcul.

4.6 Applications Pratiques de la Coloration

La coloration des graphes scindés a des applications pratiques importantes, no-
tamment dans :
1. Ordonnancement :
— Modélisation des dépendances entre tâches pour une allocation efficace
des ressources et des périodes de temps sans conflits.
2. Planification des Horaires :
— Création d’horaires optimaux pour activités ou cours, en évitant les
conflits, grâce à la représentation des contraintes sous forme de graphes
scindés.
3. Conception des Réseaux de Télécommunication :
— Minimisation des interférences et amélioration de la qualité des communi-
cations en attribuant des canaux de fréquence distincts aux liens adjacents
dans un réseau.
4. Autres Applications :
— Utilisation dans la gestion des ressources, la distribution de fréquences, et
la résolution de conflits dans divers contextes.

4.7 Problèmes Ouverts et Perspectives d’Avenir

La coloration des graphes scindés, malgré leur structure unique, présente des
complexités algorithmiques. Les recherches futures se concentrent sur l’amélioration
des algorithmes existants, le développement de méthodes pour les graphes évolutifs,
l’utilisation de l’apprentissage machine, et l’adaptation à des graphes scindés
spécifiques.
Ces travaux visent à optimiser l’usage de ces graphes, notamment dans les réseaux
de télécommunication et pour les hypergraphes scindés. La théorie des graphes, face
à ces enjeux, cherche à rendre la coloration des graphes scindés plus efficace et
applicable dans divers secteurs, en prévision de progrès significatifs.

11
CHAPITRE 5
IMPLÉMENTATION

5.1 Langage de programmation utilisée et sa mo-

tivation
Dans la section sur la programmation, nous utiliserons le langage PYTHON qui
est un langage de programmation qui présente plusieurs caractéristiques distinctives :
Interprété : Le code est exécuté ligne après ligne, ce qui facilite le test et le
débogage.
De haut niveau PYTHON est écrit dans un style proche du langage humain,
rendant son apprentissage et son utilisation plus accessibles.
Dynamiquement typé* Les types de données sont déterminés automatiquement
lors de l’exécution, ce qui offre une plus grande flexibilité dans la programmation.

Créé par Guido Van Rossum et publié en 1991, PYTHON est devenu l’un des
langages de programmation les plus populaires en raison de son efficacité et de sa
rapidité.

5.2 Interface Utilisée : STREAMLIT

Streamlit est un outil open-source pour la création rapide et efficace d’ap-
plications web pour la science des données et le machine learning en Python. Il
a été conçu pour simplifier le processus de transformation de scripts Python en
applications interactives.

12
5.3 L’étude d’une Instance
5.3.1 Graphe Scindé
1. Tout d’abord, nous spécifierons le nombre de sommets du graphe. Ensuite,
nous choisirons les cases ou emplacements correspondant aux arêtes exis-
tantes dans le graphe.

Figure 5.1 – étape 01

2. Ensuite, nous cliquerons sur le bouton ’Analyser le graphe’. À ce moment-là,

nous pourrons observer les résultats suivants

Figure 5.2 – Résultats

13
5.3.2 Graphe Non Scindé
1. La procédure est la même que pour le graphe scindé, à l’exception qu’il faut
choisir un graphe non scindé. À titre d’exemple, nous avons sélectionné le
graphe ’C4’.

Figure 5.3 – Etape 01

Figure 5.4 – Résultats

14
CHAPITRE 6
CONCLUSION

Ce projet a porté sur l’étude approfondie de la classe des graphes scindés et

de leur coloration. Après avoir introduit les concepts fondamentaux de la théorie
des graphes, en se concentrant particulièrement sur les graphes scindés, nous
avons exploré leurs caractéristiques uniques et la manière dont elles influencent le
processus de coloration.

L’objectif principal de cette étude était de démystifier la nature complexe des

graphes scindés et de mettre en lumière les avantages pratiques de leur coloration.
Nous avons examiné diverses applications pratiques, illustrant l’importance de cette
classe de graphes dans des contextes réels.

En plus de la théorie, un aspect clé de ce projet a été le développement

d’algorithmes pour la coloration des graphes scindés. Ces algorithmes, programmés
en Python, visent à fournir une compréhension plus approfondie et une application
pratique des concepts étudiés.

En résumé, ce projet sur la classe des graphes scindés et leur coloration a non
seulement enrichi notre compréhension théorique mais a aussi souligné l’applicabilité
et l’importance de ces graphes dans des situations pratiques. L’étude a ouvert la voie
à de futures recherches et applications dans ce domaine fascinant.

15