Slides Du Cours de Langages Formels Et Compilation

Cours de Langages formels et compilation
Deuxième licence en Informatique
Prof. Ruffin-Benoı̂t M. Ngoie
Docteur en Sciences
Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Présentation du cours
Objectifs du cours :
Ce cours permet à l’étudiant d’acquérir une parfaite maı̂trise des principes
des langages de par leurs formes.
l’épithète “formels” précise que nous étudions les mots des langages du
point de vue de leur “forme” et non de ce qu’ils pourraient évoquer à un
locuteur de ce langage. Cette notion s’oppose à celle du “sens” des mots
et des phrases, qui est certes essentielle, et fait l’objet de la
“sémantique” des langages.

Volume horaire :
Pour atteindre la maı̂trise de cours l’étudiant a besoin de 45 heures avec
l’enseignant en classe. En outre, des efforts personnels lui seront exigés ce
qui peut représenter un volume de 30 heures de travaux personnels.

Volume horaire :
Pour atteindre la maı̂trise de cours l’étudiant a besoin de 45 heures avec
l’enseignant en classe. En outre, des efforts personnels lui seront exigés ce
qui peut représenter un volume de 30 heures de travaux personnels.
Modalités d’évaluation :
Interrogations écrites ou orales, contrôle continu, examen final à l’écrit
et/ou à l’oral.

Contrat pédagogique
Il s’agit d’une convention entre l’enseignant et les apprenants.

Quelques points d’entente :
Heure de début des enseignements


Usage d’appareils de télécommunication


Durée des enseignements


Pauses éventuelles


Pauses éventuelles
Autres avis

Organisation du cours
Ce cours est organisé en 4 chapitres :

Chapitre 1 : Introduction à la théorie des langages
Chapitre 2 : Théorie des automates
Chapitre 3 : Fonctions récursives
Chapitre 4 : Complexité algorithmique
Chapitre 5 : Programmation procédurale en Python

Chapitre 1 : Introduction à
la théorie des langages

Origines
Noam Chomsky (1928 –) Marcel-Paul Schützenberger (1920

Utilité des langages formels
Utilité
En linguistique, cette discipline apporte un cadre formel à l’étude
du langage naturel. En informatique, elle a permis de formaliser la
conception des langages informatiques, améliorant ainsi l’analyse
syntaxique et la compilation des programmes.

Préliminaires
On appelle alphabet un ensemble fini des signes ou symboles.

On note X l’alphabet des symboles dits terminaux.
La concaténation est l’opération qui permet de construire
des mots.
X 2 est donc l’ensemble des mots de deux lettres, X 3 est donc
l’ensemble des mots de trois lettres, ... écrits avec l’alphabet
X.
Le mot vide est le mot sans lettre, élément neutre de la
concaténation ; si u ∈ X n , on a u = u = u. On a X 0 = {}

Préliminaires (suite)
La longueur d’un mot u, notée |u| , correspond au nombre

total de symboles de u (chaque symbole étant compté autant
de fois qu’il apparaı̂t). Par convention, || = 0. Autre notation
utile, |u|a compte le nombre total d’occurrences
P du symbole a
dans le mot u. On a naturellement : |u| = a∈X |u|a
[ [
On pose X ∗ = X i et X + = Xi.
i≥0 i≥1
L’ensemble X ∗ est donc l’ensemble de tous les mots, y
compris le mot vide, qu’on peut écrire sur X . L’ensemble X +
est l’ensemble de tous les mots, sauf le mot vide ; on a
X + = X ∗ \ {}
La concaténation est une opération associative.

Grammaires
Une grammaire est un quadruplet G = (X , V , R, S) où :

X est l’alphabet des symboles terminaux,
V est l’ensemble fini des variables,
R est l’ensemble fini des règles de dérivation,
S est une variable particulière appelée axiome

Grammaires
Exemples
G1 = (X , V , R, S) avec : X = {a, b}; V = {S, T }; R = {S →
aSb, S → T , T → bTa, T → }
G2 = (X , V , R, S) où
R = {S → aSb, S → , S → bTa, T → bTa, T → }
G3 = (X , V , R, S) avec X = {a, b}; V = {S, T1 , T2 }; R =
{S → T1 T2 , T1 → aT1 b, T1 → , T2 → bT2 a, T2 → }

Chapitre 2 : Théorie des
automates

Automates
Automate
Un automate est un quintuplet, A = (X , Q, D, A, δ) où :
X est un ensemble fini, l’alphabet d’entrée
Q est un ensemble, l’ensemble des états
D ⊂ Q est l’ensemble des états de départ
A ⊂ Q est l’ensemble des états d’arrivée
δ ⊂ Q × X × Q est l’ensemble des transitions
Un automate fini est un automate A = (X , Q, D, A, δ) dont
l’ensemble d’états, Q, est fini.

Automates
Exemples
Posons X = {a, b}, Q1 = {1, 2}, D1 = {1}, A1 = {2}, δ1 =
{(1, a, 1), (1, b, 2), (2, b, 2)}.A1 = (X , Q1 , D1 , A1 , δ1 ) est un
automate fini.

Automates
Langage accepté - Fonction de transition

Lors de l’arrêt, la machine est dans l’une des trois configurations
suivantes :
Le mot n’est pas entièrement lu mais aucune transition n’est
possible : le mot est rejeté.
Le mot a été lu, mais l’état dans lequel se trouve la machine
n’est pas un état final : le mot est rejeté.
Le mot a été lu, et l’état dans lequel se trouve la machine est
un état final, marqué par un double cercle : le mot est accepté
(on dit aussi reconnu).
L’ensemble des mots reconnus par un automate est appelé
Langage accepté par l’automate.
TP : Dresser la fonction de transition de l’automate A1 .
Automates déterministes
Automate déterministe - Automate déterministe complet

Un automate A = (X , Q, D, A, δ) est déterministe ssi
Card(D) = 1
∀q ∈ Q, ∀x ∈ X , Card({q 0 ∈ Q, (q, x, q 0 ) ∈ δ}) ≤ 1

Automates déterministes
Automate déterministe - Automate déterministe complet

Un automate A = (X , Q, D, A, δ) est déterministe ssi
Card(D) = 1
∀q ∈ Q, ∀x ∈ X , Card({q 0 ∈ Q, (q, x, q 0 ) ∈ δ}) ≤ 1
Automate déterministe complet

Un automate A = (X , Q, D, A, δ) est déterministe complet ssi
Card(D) = 1
∀q ∈ Q, ∀x ∈ X , Card({q 0 ∈ Q, (q, x, q 0 ) ∈ δ}) = 1

Déterminisation
Algorithme Subset construction

Cf Travaux pratiques et dirigés.

Déterminisation
Automate déterminisé.

Minimalisation
La minimalisation consiste à réduire le nombre des états pour un

automate. Il existe plusieurs algorithmes dédiés à ce problème
dont :
Algorithme de Moore (lorsque l’automate est déterministe)
Algorithme de Brzozowski (pour un automate quelconque)
Edward F. Moore (1925 – 2003) Janusz A. Brzozowski (1935 – 2019)

Chapitre 3 : Fonctions
récursives

Définition récursive – Algorithme récursif
Définition récursive
Une définition récursive est une définition dans laquelle intervient
ce que l’on veut définir.
Exemple : n! = n × (n − 1)!

Définition récursive – Algorithme récursif
Définition récursive
Une définition récursive est une définition dans laquelle intervient
ce que l’on veut définir.
Exemple : n! = n × (n − 1)!
Algorithme récursif
Un algorithme est dit récursif lorsqu’il est défini en fonction de
lui-même.
Exemple :

Formes de récursivité
Récursivité simple
Un seul appel récursif
dans la définition
1 si n = 0 ,
Exemple : fact(n) =
n × fact(n − 1) sinon.

Récursivité simple
Un seul appel récursif
dans la définition
1 si n = 0 ,
Exemple : fact(n) =
n × fact(n − 1) sinon.
Récursivité multiple
Une définition récursive peut contenir plus d’un appel récursif.
Exemple :
1 si p = 0 ou n = p ,
Comb(n, p) =
Comb(n − 1, p − 1) + Comb(n − 1, p) sinon.

Récursivité mutuelle
Des définitions sont dites mutuellement récursives si elles
dépendent les unes des autres.
Exemple: Parité
vrai si n = 0 , faux si n = 0 ,
Pair (n) = et Impair (n) =
Impair (n − 1) sinon. Pair (n − 1) sinon.

Récursivité mutuelle
Des définitions sont dites mutuellement récursives si elles
dépendent les unes des autres.
Exemple: Parité
vrai si n = 0 , faux si n = 0 ,
Pair (n) = et Impair (n) =
Impair (n − 1) sinon. Pair (n − 1) sinon.
Récursivité imbriquée
La fonction est appelée comme paramètre dans sa propre définition.
Exemple : Fonction
 d’Ackermann
 n + 1 si m = 0 ,
Ack(m, n) = Ack(m − 1, 1) si m > 0 et n = 0
Ack(m − 1, Ack(m, n − 1)) sinon.


Principe et dangers de la récursivité
Principe et intérêt
Ce sont les mêmes que ceux de la démonstration par récurrence en
mathématiques. On doit avoir :
un certain nombre de cas dont la résolution est connue, ces
“cas simples” formeront les cas d’arrêt de la récursion ;
un moyen de se ramener d’un cas “compliqué” à un cas “plus
simple”.
La récursivité permet d’écrire des algorithmes concis et élégants.

Difficultés
la définition peut être dénuée de sens :
Exemple :
Algorithme A(n)
renvoyer A(n)
il faut être sûr que l’on retombera toujours sur un cas connu, c’est-à-dire
sur un cas d’arrêt ; il nous faut nous assurer que la fonction est
complètement définie, c’est-à-dire, qu’elle est définie sur tout son
domaine d’applications.

Difficultés
la définition peut être dénuée de sens :
Exemple :
Algorithme A(n)
renvoyer A(n)
il faut être sûr que l’on retombera toujours sur un cas connu, c’est-à-dire
sur un cas d’arrêt ; il nous faut nous assurer que la fonction est
complètement définie, c’est-à-dire, qu’elle est définie sur tout son
domaine d’applications.
Moyen
Existence d’un ordre strict tel que la suite des valeurs successives des
arguments invoqués par la définition soit strictement monotone et finit toujours
par atteindre une valeur pour laquelle la solution est explicitement définie.

Chapitre 4 : Complexité
algorithmique

Définition & notations
Complexité algorithmique
Mesure du nombre d’opérations fondamentales qu’effectue un
algorithme sur un jeu de données (en temps) ou la quantité de
mémoire nécessaire pour qu’un algorithme s’exécute (en espace).

Définition & notations
Complexité algorithmique
Mesure du nombre d’opérations fondamentales qu’effectue un
algorithme sur un jeu de données (en temps) ou la quantité de
mémoire nécessaire pour qu’un algorithme s’exécute (en espace).
Notations de Landau
f = O(g ) ⇔ ∃n0 ≥ 0, ∃c ≥ 0, ∀n ≥ n0 , f (n) ≤ c.g (n)
f = Ω(g ) ⇔ ∃n0 ≥ 0, ∃c ≥ 0, ∀n ≥ n0 , f (n) ≥ c.g (n)
f = Θ(g ) ⇔ f = O(g ) et g = O(f ).
Dans ce cours, nous ne traiterons que de la complexité
temporelle.

Types de complexité
Complexité au meilleur
Plus petit nombre d’opérations qu’aura à exécuter l’algorithme sur
un jeu de données de taille n (borne inférieure).

Complexité au pire
Plus grand nombre d’opérations qu’aura à exécuter l’algorithme sur
un jeu de données de taille n (borne supérieure).

Complexité au pire
Plus grand nombre d’opérations qu’aura à exécuter l’algorithme sur
un jeu de données de taille n (borne supérieure).
Complexité en moyenne
Moyenne des complexités de l’algorithme sur des jeux de données
de taille n. P
C (d)
Tmoy (n) = d∈Dn
|Dn |
Tenir compte de la probabilité d’apparition de chacun des jeux de
données.
Optimalité
Algorithme optimal
Algorithme dont la complexité est minimale parmi les algorithmes
de sa classe.
RAM
Machine à accès aléatoire. Cette machine a deux
caractéristiques : séquentielle et déterministe.
Machine séquentielle
Processeur unique, les instructions sont exécutées l’une après
l’autre sans opérations simultanées.
Machine déterministe
Les mêmes données fournies au même programme produisent les
mêmes résultats indépendamment du moment et de
l’environnement de l’exécution.
E xer ci ces ! ! !

Exercices
1 Etudier la complexité des algorithmes ci-dessous :

• 1. Algorithme 1
Lire n
l ←0
Pour i ← 1 à n faire
Pour j ← 1 à 2n faire
l ←l +1
Fin Pour
Fin Pour
Ecrire l
• 2. Algorithme 2
Lire n
l ←0
Pour i ← 1 à n faire
Pour j ← 1 à i faire
Pour k ← j à n faire
l ←l +1
Fin Pour
Fin Pour
Fin Pour
Ecrire l

Exercices
• 3. Montrer que :
1 f (n) = 60n2 + 5n + 1 est O(n2 )
2 f (n) = 60n3 + 5n2 − 6n + 7 est O(n3 )
3 f (n) = 3n2 + 7n − 8 est Θ(n2 )
4 f (n) = 2n + 1 est O(n2 )
5 f (n) = 4n + 3 est O(n9 )
• 4. Quel est l’ordre de complexité de :
1 f (n) = 3n2 + 2n log(n) − 5n + 8
2 f (n) = cos n
3 f (n) = 3n3 + 7n3 log(n) − 12

Théorèmes
Théorème 1 : Si f1 (n) = O(g1 (n)) et f2 (n) = O(g2 (n)) alors

f1 (n) + f2 (n) = O(max{g1 (n), g2 (n)})
Théorème 2 : Si f (n) = O(g (n)) alors ∀k > 0, f (n) = O(k.g (n))
Théorème 3 : Si f (n) = O(g (n)) et h(n) ≥ g (n), ∀n ≥ n0 (avec

n0 ∈ N) alors f (n) = O(h(n))

Machine de Turing
Calculabilité
Domaine scientifique traitant de la capacité de résoudre un
problème algorithmiquement.

Machine de Turing
Calculabilité
Machine de Turing
Quintuplet M = (Q, Γ, δ, q0 , F ) où Q désigne l’ensemble fini des
états de la machine, Γ l’ensemble fini de symboles pouvant être
écrits sur la bande de la machine (incluant le symbole “blanc”
pouvant apparaı̂tre infiniment sur la bande de la machine),
δ : Q × Γ → Q × Γ × {−1, +1} est la fonction de transition, q0 est
l’état initial, et F ⊆ Q est l’ensemble des états finaux.

Machine de Turing
Calculabilité
Machine de Turing
Quintuplet M = (Q, Γ, δ, q0 , F ) où Q désigne l’ensemble fini des
états de la machine, Γ l’ensemble fini de symboles pouvant être
écrits sur la bande de la machine (incluant le symbole “blanc”
pouvant apparaı̂tre infiniment sur la bande de la machine),
δ : Q × Γ → Q × Γ × {−1, +1} est la fonction de transition, q0 est
l’état initial, et F ⊆ Q est l’ensemble des états finaux.
Théorème de Church-Turing
Tout calcul fondé sur une méthode effective peut être effectué par
une machine de Turing.
Machine de Turing
Machine de Turing universelle

Turing a démontré qu’il existait des machines de Turing
M = (Q, Γ, δ, q0 , F ) pouvant simuler les calculs de toutes les
machines de Turing.
Pour que M puisse simuler M 0 il faut montrer comment encoder le

quintuplet (Q 0 , Γ0 , δ 0 , q00 , F 0 ) décrivant M 0 sur le ruban de M (Cf.
Ordinateur).
Il n’y a pas de différence formelle entre données et

programme. Tous les deux sont des données pour une
machine de Turing universelle.

Indécidabilité
Existe-t-il une méthode algorithmique permettant de résoudre tous

les problèmes ? Non ! ! !
Il existe des problèmes qui ne sont pas décidables, i.e. pour

lesquels il n’existe pas de machine de Turing permettant de les
résoudre.
Théorème 4 (Turing, 1936). Etant donné une machine de Turing
M et pour toute entrée x de cette machine, déterminer si M
s’arrête ou pas sur l’entrée x est indécidable.

Complexité de problèmes
Complexité temporelle définie par les machines de Turing

Soit M une machine de Turing déterministe qui s’arrête sur toutes
les entrées. La complexité temporelle de M est la fonction
f : N → N, où f (n) est le nombre maximum d’étapes que M utilise
pour n’importe quelle entrée de taille n. On dit que M s’exécute
en temps f (n).

Complexité temporelle définie par les machines de Turing

Soit M une machine de Turing déterministe qui s’arrête sur toutes
les entrées. La complexité temporelle de M est la fonction
f : N → N, où f (n) est le nombre maximum d’étapes que M utilise
pour n’importe quelle entrée de taille n. On dit que M s’exécute
en temps f (n).
Complexité d’un problème définie par les machines de Turing

Soit t : N → R+ une fonction. La classe de complexité de temps
TIME (t(n)) est l’ensemble de tous les langages qui sont décidables
par une machine de Turing déterministe en temps t(n).

Classe P
Ensemble des langages qui sont décidables en temps polynomial
par une machine de Turing déterministe. Autrement dit :
P = ∪k∈N TIME (nk )
P correspond en pratique à l’ensemble des problèmes qui sont

traitables en un temps raisonnable par un ordinateur.
Temps d’exécution d’une machine de Turing non déterministe

Soit N une machine de Turing non déterministe qui est un
décideur. Le temps d’exécution de N est la fonction f : N → N,
où f (n) est le nombre d’étapes que N utilise pour n’importe quelle
entrée de taille n. Soit t : N → R+ une fonction. La classe de
complexité de temps NTIME (t(n)) est l’ensemble de tous les
langages qui sont décidables par une machine de Turing non
déterministe enProf.temps f (n).
Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

déterministe en temps f (n).


déterministe en temps f (n).
Classe NP
Ensemble des langages qui sont décidés en temps polynomial par
une machine de Turing non déterministe. Autrement dit :
NP = ∪k∈N NTIME (nk )

Classe NP
Proposition. Un langage A sur un alphabet Σ est dans NP si et

seulement si il existe un polynôme p(n) et un langage B ∈ P tels
que
x ∈ A ⇔ ∃y ∈ Σp(|x|) (x, y ) ∈ B
Le mot y justifiant l’appartenance de x à A est appelé certificat.
Autrement dit : Soit, pour une instance donnée, une solution à un
problème de décision et un certificat, il est possible de prouver en
temps polynomial (grâce au certificat) que la solution du problème
est correcte.

Exemples de problèmes dans NP
• Tous les problèmes de P appartiennent à NP.


• Clique
Entrée : Un graphe non orienté G et un entier k.


• Clique
Question : G possède-t-il une clique de taille k ?


• Clique
Certificat : Ensemble des k sommets formant une clique (on
vérifie en temps polynomial que ces k sommets forment bien
une clique).


• Clique
une clique).
• Chaı̂ne hamiltonienne
Entrée : Un graphe non orienté G .


• Clique
une clique).
Question : G possède-t-il une chaı̂ne hamiltonienne ?


• Clique
une clique).
Question : G possède-t-il une chaı̂ne hamiltonienne ?
Certificat : Chaı̂ne hamiltonienne.

• Partition
Entrée : Un ensemble S de n entiers positifs.

• Partition
Question : Peut-on partitionner S en deux sous-ensembles S 0
et S 00 tels que la somme des éléments de S 0 soit égale à la
somme des éléments de S 00 ?

• Partition
Certificat : Couple (S 0 , S 00 ).

• Partition
• Satisfiabilité (SAT)
Entrée : Une formule booléenne φ.

• Partition
Question : φ est-elle satisfiable ?

• Partition
Question : φ est-elle satisfiable ?
Certificat : affectation des valeurs Vrai et Faux aux
variables.

P versus NP
• P est la classe des problèmes dont on peut rapidement trouver

une solution (rapidement = temps polynomial).
• NP est la classe des problèmes dont on peut rapidement
vérifier qu’une solution en est bien une solution.
• Question : P = NP ?
Malgré de nombreuses recherches, cette question n’est pas
résolue. Il est conjecturé que P 6= NP mais on ne connaı̂t
pas de problème de NP dont il est prouvé qu’il
n’appartienne pas à P.

Problèmes NP-complets
Cook et Levin dans les années 1970 ont découvert certains

problèmes de NP dont la complexité est liée à la complexité de la
classe NP entière : si un algorithme polynomial existe pour un
de ces problèmes alors tous les problèmes de NP peuvent
être résolus en temps polynomial. Ces problèmes sont dits
NP-complets.

Perspectives éventuelles
• En théorie, pour prouver que P = NP ou P 6= NP, se

concentrer sur un problème NP-complet et montrer qu’il peut
ou ne peut pas se résoudre en un temps polynomial.
• En pratique, pour prouver qu’un problème est NP-complet,
montrer qu’il est peu probable qu’un algorithme polynomial
existe pour ce problème (puisqu’il est conjecturé que
P 6= NP).
• Le premier problème qui a été montré NP-complet est le
problème de satisfiabilité (SAT).
Théorème 5. Sat ∈ P ⇔ P = NP.

Réduction polynomiale
réduction polynomiale
Soit A et B deux problèmes de décision. Le problème A peut être
réduit en temps polynomial au problème B, ce qui s’écrit A ≤P B,
s’il existe une fonction f exécutable en temps polynomial tel que
pour toute instance w de A, la réponse au problème A sur
l’instance w est Oui ⇔ la réponse au problème B sur l’instance
f (w ) est Oui. Alors on dit que f est une réduction polynomiale
de A vers B

Théorème 6. Si A ≤P B et B ∈ P alors A ∈ P.
Problème NP-complet
Soit A un problème de décision. A est NP-complet si :
• A ∈ NP et

Théorème 6. Si A ≤P B et B ∈ P alors A ∈ P.
Soit A un problème de décision. A est NP-complet si :
• A ∈ NP et
• Chaque problème B de NP peut être réduit en temps
polynomial au problème A.

Théorème 7. Si B est NP-complet et B ≤P A avec A ∈ P alors A

est NP-complet.
Pour montrer qu’un problème A est NP-complet :
• On montre que A ∈ NP et

Théorème 7. Si B est NP-complet et B ≤P A avec A ∈ P alors A

est NP-complet.
Pour montrer qu’un problème A est NP-complet :
• On montre que A ∈ NP et
• On montre qu’il existe un problème NP-complet B tel que
B ≤P A.

Comment montrer qu’un problème est NP-complet
En résumé :
• On énonce clairement le problème A dont on veut montrer
qu’il est NP-complet
• On montre que A ∈ NP en donnant un certificat.
• On énonce clairement un problème B dont on sait qu’il est
NP-complet.
• On décrit une réduction polynomiale f qui transforme B en A
• On prouve que f est bien une réduction polynomiale de B en
A : Pour toute entrée w de B on obtient une entrée f (w ) de
A telle que la solution au problème B sur l’instance w est
Vrai si et seulement si la solution au problème A sur
l’instance f (w ) est Vrai.

Chapitre 5 :
Programmation
procédurale en Python

M er ci p our votr e
attenti on ! ! !

Slides Du Cours de Langages Formels Et Compilation

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

Slides Du Cours de Langages Formels Et Compilation

Transféré par

Droits d'auteur :

Formats disponibles

Cours de Langages formels et compilation

Deuxième licence en Informatique

Prof. Ruffin-Benoı̂t M. Ngoie

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Il s’agit d’une convention entre l’enseignant et les apprenants.

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Il s’agit d’une convention entre l’enseignant et les apprenants.

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Il s’agit d’une convention entre l’enseignant et les apprenants.

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Il s’agit d’une convention entre l’enseignant et les apprenants.

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Il s’agit d’une convention entre l’enseignant et les apprenants.

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Ce cours est organisé en 4 chapitres :

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Noam Chomsky (1928 –) Marcel-Paul Schützenberger (1920

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

On appelle alphabet un ensemble fini des signes ou symboles.

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

La longueur d’un mot u, notée |u| , correspond au nombre

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Une grammaire est un quadruplet G = (X , V , R, S) où :

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Langage accepté - Fonction de transition

Automate déterministe - Automate déterministe complet

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Automate déterministe - Automate déterministe complet

Automate déterministe complet

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Algorithme Subset construction

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

La minimalisation consiste à réduire le nombre des états pour un

Edward F. Moore (1925 – 2003) Janusz A. Brzozowski (1935 – 2019)

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation

1 Etudier la complexité des algorithmes ci-dessous :

Prof. Ruffin-Benoı̂t M. Ngoie Cours de Langages formels et compilation