Cours Asd Complexite

ALGORITHME
COMPLEXITÉ
RÉCURSIVITÉ
Chapitre 1: CALCUL DE COMPLEXITÉ
Ghislain PANDRY
Chercheur, Traitement du signal et des images
Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

ALGORITHME
COMPLEXITÉ
RÉCURSIVITÉ
DÉFINITION EN TANT QUE SCIENCE : ALGORITHME

L'algorithmique est la discipline de l'informatique traitant de la
conception (programmation) et l'analyse d'algorithmes. Un
algorithme est une suite d'instructions qui décrit comment résoudre
un problème particulier en un temps ni.
DIFFÉRENCES ENTRE ALGORITHME ET PROGRAMME

Un programme est la réalisation (l'implémentation) d'un algorithme
au moyen d'un langage donné (sur une architecture donnée). Il
s'agit de la mise en ÷uvre du principe. Par exemple, lors de la
programmation on s'occupera parfois explicitement de la gestion de
la mémoire (allocation dynamique en C) qui est un problème
d'implémentation ignoré au niveau algorithmique.

ALGORITHME
COMPLEXITÉ
RÉCURSIVITÉ
QUALITÉ D'UN BON ALGORITHME

Un bon algorithme doit satisfaire les qualités suivantes :
Correct : Il faut que le programme exécute correctement les
tâches pour lesquelles il a été conçu ;
Complet : Il faut que le programme considère tous les cas
possibles et donne un résultat dans chaque cas ;
Ecace : Il faut que le programme exécute sa tâche avec
ecacité c'est à dire avec un coût minimal. Le coût
pour un ordinateur se mesure en termes de temps de
calcul et d'espace mémoire nécessaire.

ALGORITHME
COMPLEXITÉ
RÉCURSIVITÉ
DÉFINITION ACADÉMIQUE : ALGORITHME

Un algorithme est un ensemble d'opérations de calcul
élémentaires, organisées selon des règles précises dans le but de
résoudre un problème donné. Pour chaque donnée du problème,
l'algorithme retourne une réponse après un nombre ni
d'opérations.

ALGORITHME
COMPLEXITÉ
RÉCURSIVITÉ
PROBLÉMATIQUE DE L'ALGORITHME
1 Trouver une méthode M de résolution (exacte ou approchée)
du problème P ;
2 Trouver une méthode ecace i.e choisir parmi les méthodes
Mi la plus ecace.
REMARQUE :Savoir résoudre un problème est une chose, le

résoudre ecacement en est une autre.
Figure L'algorithmique au sein de la chaine de conception de logiciels

ALGORITHME
COMPLEXITÉ
RÉCURSIVITÉ
Architecture

Temps d'exécution
ALGORITHME Structures de contrôle
COMPLEXITÉ Éléments de complexité
RÉCURSIVITÉ Notation de landau
Algorithme de tri
Théorie de la complexité
La théorie de la complexité est une branche de l'informatique
théorique, elle cherche à calculer, formellement, la complexité
algorithmique nécessaire pour résoudre un problème P au moyen de
l'exécution d'un algorithme A. La théorie de la complexité vise à
répondre aux besoins d'ecacité des algorithmes :
Classication les problèmes selon leur diculté ;
Classication les algorithmes selon leur ecacité ;
Comparaison les algorithmes résolvant un même problème an
de faire un choix sans devoir les implémenter.

Temps d'exécution
Algorithme de tri
Objectif
La théorie de la complexité étudie l'ecacité des algorithmes.
L'ecacité d'un algorithme peut être évaluée par :
Rapidité (en terme de temps d'exécution)
Consommation de ressources (espace de stockage, mémoire
utilisée)

Temps d'exécution
Algorithme de tri
Évaluation de la rapidité d'un algorithme

La théorie de la complexité étudie l'ecacité des algorithmes.
L'ecacité d'un algorithme peut être évaluée par :
On ne mesure pas la durée en heure, minute, seconde. . . cela
impliquerait d'implémenter les algorithmes qu' on veut
comparer.
Ces mesures ne seraient pas pertinentes car le même
algorithme sera plus rapide sur une machine plus puissante.
Au lieu de ça, on utilise des unités de temps abstraite
proportionnelles au nombre d'opérations eectuées.
Au besoin, on pourra alors adapter ces quantités en fonction
de la machine sur laquelle l'algorithme s'exécute.

Temps d'exécution
Algorithme de tri
Calcul du temps d'exécution

Problèmes
Unités de temps abstraites :
Dépends des données.
Dépend de la nature des données : on ne sait pas toujours
combien de fois exactement on va exécuter une boucle.
De même lors d'un branchement conditionnel, le nombre de
comparaisons eectués n'est pas toujours le même.
Temps exacte :
Dépend de la puissance de la machine.
Dépend de la nature des données (variables) : si on change les
données, le temps change.
Temps d'exécution
Algorithme de tri
DÉFINITION 1 : COMPLEXITÉ
La complexité d'un algorithme est la mesure du nombre
d'opérations fondamentales qu'il eectue sur un jeu de données. La
complexité est exprimée comme une fonction de la taille du jeu de
données.
DÉFINITION 2 : COMPLEXITÉ
La complexité algorithmique vise à quantier deux grandeurs
physiques que sont : le temps d'exécution (T ) et l'espace
mémoire (M ), dans le but de comparer entre eux diérents
algorithmes qui résolvent le même problème (P ).

Temps d'exécution
Algorithme de tri
Temps d'exécution (T )
Calcul de T : c'est évaluer le nombre d'opérations élémentaires
que l'algorithme doit eectuer pour mener à bien un
calcul en fonction de la taille des données d'entrée ;
Hypothèses : les opérations élémentaires sont à égalité de
coût (c ) ;
on a une donnée, dont la taille est
nécessairement un entier naturel (n).

Temps d'exécution
Algorithme de tri
Opération élémentaire
Opération élémentaire = aectations, comparaisons, opérations
arithmétiques.
Quelques exemples :
Recherche dans un tableau : accès, comparaison ;
Tri dans un tableau, une liste et un chier : comparaison,
déplacements ;
Produit scalaire : multiplication ;
Multiplication des matrices réelles : multiplication et addition ;
Calcul PGCD : division, modulo ;

Temps d'exécution
Algorithme de tri
Taille de donnée
Quelques exemples :
Recherche dans un tableau : taille du tableau ;
Tri dans un tableau : taille du tableau ;
Produit scalaire : dimension ;
Multiplication des matrices réelles : dimension des matrices ;
Calcul PGCD : taille des nombres ;

Temps d'exécution
Algorithme de tri
T : N → R+
m
X
n 7→ TIi (n)
Ghislain PANDRY i= 1
Chapitre 1: CALCUL DE COMPLEXITÉ
Temps d'exécution
Algorithme de tri
Exercice 1
Écrire un algorithme qui demande un nombre de départ,
P et qui
calcule la somme des entiers jusqu'à ce nombre. S = j=n
j= j 1
RÉSOLUTION
T (n) = TI (n) + TI (n) + TI (n) = 2 + TI (n)
1 2 3 2

Temps d'exécution
Algorithme de tri
STRUCTURE CONDITIONNELLE
CAS FAVORABLE
T (n) = Tcondition (n)
CAS DEFAVORABLE
T (n) = Tcondition (n) + TI (n) 1

Temps d'exécution
Algorithme de tri
STRUCTURE CONDITIONNELLE
CAS FAVORABLE
T (n) = Tcondition (n) + min(TI (n), TI (n))
1 2
CAS DÉFAVORABLE
T (n) = Tcondition (n) + max(TI (n), TI (n))
1 2

Temps d'exécution
Algorithme de tri
STRUCTURE ITÉRATIVE
BOUCLE BORNÉE
une initialisation ;
boucle : incrémentation, critère d'arrêt et I 2
k
T (n) = 1 + (2 + TI (n)) ≃ kTI (n)
X
2 2
i=j
Temps d'exécution
Algorithme de tri
BOUCLE NON BORNÉE

TANTQUE : T (n) = ki= (Tconditioni (n) + TIi ) + Tcondition (n) ;
P
1
REPETER : T (n) = ki= (Tconditioni (n) + TIi (n)) ;

P
1

Temps d'exécution
Algorithme de tri
TRAVAUX DIRIGES 1
Exercice 1 : Soit A, B, C ∈ Mn,n .
1-Donner le pseudo-code de l'addition de deux matrices.
ci,j = ai,j + bi,j ∀i, ∀j .
2-Donner
P le pseudo-code de la multiplication de deux matrices.
ci,j = nk=i ai,k + bk,j ∀i, ∀j .
3-Donner leurs complexités.
Exercice 2 : Soient a et b deux entiers positifs. Écrire un
algorithme itératif permettant de calculer a × b en utilisant
l'addition. Combien coûte votre algorithme en termes d'additions ?

Temps d'exécution
Algorithme de tri
Types de complexité
Complexité au meilleur cas ;
Complexité au pire cas ;
Complexité moyenne.
On notera :
Dn :ensemble des données de taille n ;
c(d) : coût de l'algorithme sur la donnée d.

Temps d'exécution
Algorithme de tri
Complexité au meilleur cas

Dénition : C'est le plus petit nombre d'opérations qu'aura à
exécuter l'algorithme sur un jeu de données de taille
xée, ici à n. C'est une borne inférieure de la
complexité de l'algorithme sur un jeu de données de
taille n ;
Formulation : Tmin (n) = min c(d) ;
d∈Dn

Temps d'exécution
Algorithme de tri
Complexité au pire cas

Dénition : c'est le plus grand nombre d'opérations qu'aura à
exécuter l'algorithme sur un jeu de données de taille
xée, ici à n ;
Formulation : Tmax (n) = max c(d) ;
d∈Dn
Avantage : il s'agit d'un maximum, et l'algorithme nira donc
toujours avant d'avoir eectué Tmax (n)) opérations ;
Inconvénient : cette complexité peut ne pas reéter le
comportement usuel de l'algorithme. Le pire cas
ne peut se produire que très rarement, mais il n'est
pas rare que le cas moyen soit aussi mauvais que le
cas pire.

Temps d'exécution
Algorithme de tri
Complexité moyenne
Dénition : c'est la moyenne des complexités de l'algorithme sur
des jeux de données de taille n ;
Formulation : Tmoy = p(d)c(d) avec : p(d) = |Dn | 1
P
d∈Dn P
c(d)
équiprobabilité Tmoy = d∈D|Dn n |
Avantage : reète le comportement "général" de l'algorithme si
les cas extrêmes sont rares ou si la complexité varie
peu en fonction des données ;
Inconvénient : en pratique, la complexité sur un jeu de données
particulier peut être nettement plus importante que la
complexité en moyenne, dans ce cas la complexité en
moyenne ne donnera pas une bonne indication du
comportement de l'algorithme.
Temps d'exécution
Algorithme de tri
REMARQUE
Valeur exacte de T (n) n'est pas l'objectif nal ;
Connaissance d'un ordre de grandeur de l'algo et son évolution
en fonction de n.

Temps d'exécution
Algorithme de tri
Borne supérieure asymptotique

O(g (n)) = {f : N → N|∃n0 ≥ 0 et ∃c > 0 tels que
∀n ⩾ n0 , 0 ≤ f (n) ≤ c × g (n)
Si une fonction f ∈ O(g (n)) , on dit que g (n) est une borne
supérieure asymptotique pour f (n).
f = O(g ) : par abus de langage.
Ce qui signie que f ne croît pas plus vite que g ;
f est dominée asymptotiquement par g ;
g est un majorant presque partout de f .

Temps d'exécution
Algorithme de tri
Figure Comportement asymptotique borne supérieure

Temps d'exécution
Algorithme de tri
Borne inférieure asymptotique

Ω(g (n)) = {f : N → N|∃n0 ≥ 0 et ∃c > 0 tels que
∀n ⩾ n0 , 0 ≤ c × g (n) ≤ f (n)
Si une fonction f ∈ Ω(g (n)) , on dit que g (n) est une borne
inférieure asymptotique pour f (n) ;
f = Ω(g ) : par abus de langage ;
Ce qui signie que f croît plus vite que g ;
f = Ω(g ) ⇔ g = O(f ) ;
g est majorée par f .

Temps d'exécution
Algorithme de tri
Borne asymptotique
Θ(g (n)) = {f : N → N| ∃n 0 ≥ 0 et ∃c, d > 0 /
∀n ⩾ n0 , d × g (n) ⩽ f (n) ⩽ c × g (n)}

Ce qui veut dire que chaque fonction est un majorant de
l'autre ou encore que les deux fonctions sont de même ordre
de grandeur asymptotique ;
f ∈ Θ(g ) = f ∈ O(g ) ∩ f ∈ Ω(g ) ⇔ f ∈ O(g ) ∩ g ∈ O(f ).
Figure Comportement asymptotique borne exacte

Temps d'exécution
Algorithme de tri
Classe de complexité
Constante (O(1)) : Accéder au 1er élément d'un ensemble de
données ;
Logarithmique (O(log (n)) : Couper un ensemble de données
en 2 parties égales, puis couper ces moitiés en 2 parties égales ;
Linéaire (O(n)) : Parcourir un ensemble de données ;
Quasi-linéaire (O(nlog (n)) : Couper répétitivement un
ensemble de données en deux et combiner les solutions
partielles pour calculer la solution générale ;

Temps d'exécution
Algorithme de tri
Quadratique (O(n )) : Parcourir un ensemble de données en
2
utilisant deux boucles imbriquées ;

Polynomiale (O(nk ), k ≥ 3) : Parcourir un ensemble de
données en utilisant k boucles imbriquées ;
Exponentielle (O(an )) : Générer tous les sous-ensembles
possibles d'un ensemble de données.

Temps d'exécution
Algorithme de tri
Figure Courbe de comparaison de quelques classes

Temps d'exécution
Algorithme de tri
Classes de complexité

Temps d'exécution
Algorithme de tri
Optimalité
Un algorithme est dit optimal si sa complexité est la
complexité minimale parmi les algorithmes de sa classe.

Temps d'exécution
Algorithme de tri
EXERCICE 1 D'APPLICATION
Démontrer que :
1 n ∈ O(10− n )
2 5 3
2 25n − 19n + 13n ∈ O(n

4 3 2 4
)
3 2n+ ∈ O(2n )
100

Temps d'exécution
Algorithme de tri
CORRECTION :EXERCICE 1 D'APPLICATION

Pour la première relation, il sut donc de trouver deux entiers
strictement positifs c et n tels que n ≤ k 10− n , ∀n ≥ n .
0
2 5 3
0
Si l'on prend k = 10 et n = 1, il est évident que n ≤ 10

5
0
2 5
×10− n = n , ∀n ≥ n = 1, donc n ∈ O(10− n )

5 3 3
0
2 5 3
Pour la seconde relation, remarquons tout d'abord que

25n − 19n + 13n ≤ 25n + 19n + 13n ≤ (25 + 19 + 13)n ,
4 3 2 4 3 2 4
∀n ≥ 1. On en déduit que 25n − 19n + 13n ∈ O(n ).

4 3 2 4

Temps d'exécution
Algorithme de tri
EXERCICE 2 D'APPLICATION
Donner les relations d'inclusion entre les ensembles
suivants :O(nlogn), O(2n), O(logn), O(1), O(n ), O(n 2 3
)etO(n)

Temps d'exécution
Algorithme de tri
On a généralement deux types :

1 les algorithmes de tri internes (données en mémoire) ;
2 les algorithmes de tri externes (données dans un chier)
Les algorithmes de tri simples sont faciles à mettre en ÷uvre, mais
ont des performances médiocres. On peut citer : le Tri par
sélection, le Tri par insertion et le Tri à bulle.
Les algorithmes de tri sophistiqués sont plus délicats à mettre en
÷uvre, meilleures performances. On peut citer : Tri rapide, Tri par
tas , Tri fusion,...

Temps d'exécution
Algorithme de tri
TRI PAR INSERTION

Données : une séquence de n nombres, a , ..., an ;
1
Résultats : une permutation ai de la séquence d'entrée, /

′
ai ⩽ ai+ ∀i ;
′ ′
1
Principe : de manière répétée, on retire un nombre de la

séquence d'entrée et on l'insère à la bonne place dans
la séquence des nombres déjà triés.

Temps d'exécution
Algorithme de tri
Application tri par insertion

Temps d'exécution
Algorithme de tri
Simulation :
http://lwh.free.fr/pages/algo/tri/tri_insertion.html.
EXERCICE 2 : Donnez la complexité au meilleur cas, au pire cas
et en moyenne.
Temps d'exécution
Algorithme de tri
CORRECTION
I1 c1 n
I2 c2 n−1
I3 c3 n−1
Pn
I4 c4 t
Pn j=2 j
I5 c5 (tj − 1)
Pj= 2
j=2 (tj − 1)
n
I6 c6
I7 c7 n−1
Le temps d'exécution total de l'algorithme est alors la somme des

coûts
Pnélémentaires
Pn: T (n) = nc +P 1(n − 1)c + (n − 1)c +
2 3
j= (tj − 1) + c j= (tj − 1) + (n − 1)c

n
c4 j= tj + c
2 5 2 6 2 7

Temps d'exécution
Algorithme de tri
CORRECTION
coûts
Pnélémentaires
Pn: T (n) = nc +P 1 (n − 1)c + (n − 1)c +
2 3
c4 j=2
tj + c5 j=2
(tj − 1) + c j= (tj − 1) + (n − 1)c
n
6 2 7
Au meilleur cas : l'algorithme TRI-INSERTION est quand le

tableau est déjà trié. Dans ce cas tj = 1∀j
T (n) = nc + (n − 1)c + (n − 1)c + (n − 1)c + (n − 1)c =(c +
1 2 3 4 7 1
c2 + c3 + c4 + c7 )n − (c2 + c3 + c4 + c7 )
T (n) peut ici être écrit sous la forme T (n) = an + b , a et b étant
des constantes indépendantes des entrées, et T (n) est donc une
fonction linéaire de n donc en T ∈ O(n).

Temps d'exécution
Algorithme de tri
CORRECTION
coûts
PnélémentairesPn: T (n) = nc +P (n − 1)c + (n − 1)c +
1 2 3
c4 j= t
2j + c 5 j= (tj2
− 1) + c j= (tj − 1) + (n − 1)c
n
6 2 7
Au pire cas : l'algorithme TRI-INSERTION est quand le tableau

est déjà trié dans l'ordre inverse. Dans ce cas tj = j∀j
Rappel : nj= j = n(n+ ) donc nj= j = n(n+ ) − 1 et
1 1
P P
1 2 2 2
j= (j − 1) =
Pn n(n− ) 1
2 2
T (n) =
nc1 +(n− 1)c2 +(n− 1)c3 +( n(n+ 2
1)
− 1)c4 +c5 ( n(n−
2
1)
)+c6 ( n(n−
2
1)
)+
(n − 1)c7 = 2 (c4 + c5 + c6 )+ 2 (2c1 + 2c2 + 2c3 + c4 − c5 − c6 − c7 )
2
n n
T (n) peut ici être écrit sous la forme T (n) = an2 + bn + c , a, b et

c étant des constantes indépendantes des entrées, et T (n) est donc
une fonction quadratique de n donc en T ∈ O(n2 ).
Temps d'exécution
Algorithme de tri
CORRECTION
coûts
PnélémentairesPn: T (n) = nc +P1 (n − 1)c + (n − 1)c +
2 3
j= (tj − 1) + c j= (tj − 1) + (n − 1)c

n
c4 j= tj + c
2 5 2 6 2 7
Au cas moyen : En moyenne, la moitié des éléments de A[1..j − 1]

sont inférieurs à A[j], et l'autre moitié sont supérieurs. Donc
tj = j/2. Si l'on reporte cette valeur dans l'équation dénissant
T (n), on obtient, comme dans le cas pire, une fonction quadratique
de n donc en T ∈ O(n ). 2

Temps d'exécution
Algorithme de tri
TRI A BULLE
Principe : Le tri à bulle consiste à parcourir le tableau, par
exemple de gauche à droite, en comparant les éléments côte à côte
et en les permutant s'ils ne sont pas dans le bon ordre. Au cours
d'une passe du tableau, les plus grands éléments remontent de
proche en proche vers la droite comme des bulles vers la surface.

Temps d'exécution
Algorithme de tri

ALGORITHME Types de récursivité
COMPLEXITÉ Détermination de la complexité
RÉCURSIVITÉ Diviser pour régner
DÉFINITION
Un algorithme est dit récursif lorsqu'il s'appelle lui-même dans sa
propre dénition i.e le nom de la fonction (ou procédure) apparait
dans son propre algorithme.
Critère : Respecter la contrainte de terminaison. Il existe deux
contrainte de terminaison :
1 existence d'un ou plusieurs cas de base où
l'algorithme est directement eectif ;
2 assurance qu'il n'y aura qu'un nombre ni
d'appels récursifs avant de déboucher sur un cas
de base.


Récursivité simple ;
Récursivité multiple ;
Récursivité mutuelle ;
Récursivité imbriquée.

Récursivité simple
Exercice : Écrire un algo qui permet de calculer la puissance d'un
nombre. Soit x ∈ R et n ∈ N.
1 si n = 0

n
x =
x.x n−1 si n ≥ 1

Récursivité multiple
On a une récursivité multiple lorsqu'on un algo dans sa dénition
faire à plus d'un appel récursif.
Exercice : Écrire un algo qui permet de calculer les coecients du
triangle de Pascal.
1 si p = 0 ou p = n

Cnp = p
Cn− 1
p−1
+ Cn− 1
sinon

Récursivité mutuelle
Elle est dite mutuelle ou croisée quand un algo A appelle un autre
algo B qui déclenche un appel récursif à A. Donc A et B dépendent
l'un de l'autre.
si n = 0

vrai
pair (n) =
impair (n − 1) sinon
si n = 0

faux
impair (n) =
pair (n − 1) sinon


Récursivité imbriquée
Lorsqu'un sous-programme récursif dont l'appel à lui même contient
un autre appel à lui même, on parle de récursivité imbriquée.
n − 10 si n > 100

f (n) =
f (f (n + 11)) sinon

Équations de récurrences linéaires

C'est une équation dont chaque terme s'exprime comme
combinaison linéaire des k termes qui le précèdent plus une certaine
fonction de n. Son ordre est d'ordre k . Il faut bien sûr connaître les
k premiers termes.
un = β1 un−1 + β2 un−2 + ... + βk un−k + f (n)
Si k = 1, un = βun− P
+ f (n). Par itération et sommation on
1
trouve :un = β (u + ni= fβ(i)i )

n
0 1

Équation de récurrence linéaire sans second membre

Une équation de récurrence est dite sans second membre si
f (n) = 0. un − β un− − β un− − ... − βk un−k = 0
1 1 2 2
A une telle équation, on peut associer un polynôme caractéristique :

P(x) = x k − β x k− − β x k− − ... − βk .
1
1
2
2
La résolution de ce polynôme nous donne m racines ri avec

(m ⩽ k ). La solution de l'équation de récurrence est ainsi donnée
par : un = φ (n)r n + φ (n)r n + ... + φm (n)rmn
1 1 2 2

Diviser pour régner

Le principe algorithmique dit diviser pour régner consiste à :
diviser l'instance d'un problème en sous-instances,
traiter indépendamment ces sous-instances,
combiner les diérents résultats obtenus pour construire une
solution au problème initial.

Principes
Les algorithmes qui s'appuient sur ce principe sont souvent récursifs
et opèrent sur des instances de plus en plus petites jusqu'à ce que
la taille de l'instance à traiter rende la résolution du problème
simple voire triviale.


Complexité

Exemples
La recherche dichotomique fait partie des premiers algorithmes
étudiés de ce type. Notons que l'algorithme d'addition étudié en
classe primaire peut également être classé dans cette catégorie bien
qu'il soit itératif. Les nombres sont segmentés en chires sur
lesquels l'opération d'addition est élémentaire puisqu'elle consiste à
eectuer une simple recherche en table, la propagation de la
retenue éventuelle combine les additions des sous-instances pour
obtenir le résultat.

Ce principe algorithmique s'est avéré très ecace pour obtenir de

meilleures fonctions de complexité qu'avec une approche globale,
d'où sa popularité. On retrouve dans d'autres algorithmes
fondamentaux comme l'algorithme du TriFusion et du TriRapide
mais également dans l'algorithme de recherche par Dichotomie ou
encore la multiplication rapide avec l'algorithme de Karatsuba ou la
transformée de Fourier discrète.

Avantages
L'avantage principal de la récursivité est la simplicité de
programmation. Pour écrire un programme récursif, il sut de :
trouver comment réduire le problème de taille n à un ou
plusieurs problèmes de taille plus petite ;
traduire simplement la relation trouvée ;
vérier la terminaison de l'algorithme.
Limites
la multiplication des mémoires allouées au stockage des
résultats en attente, qui peut devenir rédhibitoire ;
le nombre de calculs eectués, souvent bien plus grand qu'en
programmation itérative.
Comment fonctionne la récursivité ?

Le principe est d'utiliser une pile, dite pile d'appel, sur laquelle on
empile les calculs en attente.
Tout appel à une fonction crée d'abord 2 mémoires :
une mémoire pour stocker l'argument, noté ici x ;
une mémoire pour stocker le résultat, noté ici y.
Si le calcul de y n'est pas encore possible, ce qui est le cas s'il
y a un appel récursif, le couple (x,y) est empilé. La pile
augmente tant qu'il y a des calculs en attente.
Dès qu'un calcul de y est possible, (x,y) est dépilé ; on
récupère ainsi y, et on utilise généralement sa valeur pour faire
le calcul qui est en attente au sommet de la pile.
Quand la pile est vide, le dernier y qui a été dépilé fournit le
résultat.
TRAVAUX DIRIGES
Exercice 1 :
1 si n = 0

n! =
n × (n − 1)! sinon
Q1 : Donnez son algo récursif ;
Q2 : Donnez sa complexité.
Exercice 2 :
 1 si n = 0

FIB(n) = 1 si n = 1
FIB(n − 1) + FIB(n − 2) sinon

Q1 : Donnez son algo récursif ;

Q2 : Donnez sa complexité.

Cours Asd Complexite

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

Cours Asd Complexite

Transféré par

Droits d'auteur :

Formats disponibles

ALGORITHME

Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

DÉFINITION EN TANT QUE SCIENCE : ALGORITHME

DIFFÉRENCES ENTRE ALGORITHME ET PROGRAMME

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

QUALITÉ D'UN BON ALGORITHME

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

DÉFINITION ACADÉMIQUE : ALGORITHME

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

REMARQUE :Savoir résoudre un problème est une chose, le

Figure  L'algorithmique au sein de la chaine de conception de logiciels

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Évaluation de la rapidité d'un algorithme

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Calcul du temps d'exécution

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

BOUCLE NON BORNÉE

REPETER : T (n) = ki= (Tconditioni (n) + TIi (n)) ;

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Complexité au meilleur cas

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Complexité au pire cas

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Borne supérieure asymptotique

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Figure  Comportement asymptotique borne supérieure

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Borne inférieure asymptotique

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

∀n ⩾ n0 , d × g (n) ⩽ f (n) ⩽ c × g (n)}

Figure  Comportement asymptotique borne exacte

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

utilisant deux boucles imbriquées ;

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Figure  Courbe de comparaison de quelques classes

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

2 25n − 19n + 13n ∈ O(n

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

CORRECTION :EXERCICE 1 D'APPLICATION

Si l'on prend k = 10 et n = 1, il est évident que n ≤ 10

×10− n = n , ∀n ≥ n = 1, donc n ∈ O(10− n )

Pour la seconde relation, remarquons tout d'abord que

∀n ≥ 1. On en déduit que 25n − 19n + 13n ∈ O(n ).

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

On a généralement deux types :

Ghislain PANDRY Chapitre 1: CALCUL DE COMPLEXITÉ

TRI PAR INSERTION

Figure L'algorithmique au sein de la chaine de conception de logiciels

Figure Comportement asymptotique borne supérieure

Figure Comportement asymptotique borne exacte

Figure Courbe de comparaison de quelques classes

Ce principe algorithmique s'est avéré très ecace pour obtenir de