Algorithmique L3.

Transcription

1 Algorithmique L3

2 Plan 1 Informations générales 2 Introduction 3 Arbres binaires de recherche

3 Plan 1 Informations générales 2 Introduction 3 Arbres binaires de recherche

4 Equipe enseignante : Cours : François Laroussinie TD Groupe 1 : A. Carraro (jeudi 14h30 16h30; 478F) TD Groupe 2 : S. Jacob (mardi 14h30 16h30; 473F) TD Groupe 3 : T.-H. To (mardi 8h30 10h30; 470E) TD Groupe 4 (math-info) : M. Ferbus (mardi 16h30 18h30; 376F) TD Groupe 5 (EIDD) : S. Perifel (vendredi 10h45 12h45; 056A Bât. Condorcet)

5 Organisation des cours Cours et TD!!

6 Organisation des cours Cours et TD!! Cours + Poly TDs : feuilles d exercices + corrigés Une page web :

7 A faire tout de suite... RÉPONDRE AU QUESTIONNAIRE EN LIGNE!

8 Evaluation des connaissances Contrôle continu (coef. 0.35) + Examen (coef. 0.65) Contrôle continu = Devoir maison + TD noté Devoir maison : sujet donné la semaine du 11 octobre, à rendre le 1er novembre. TD noté : semaine du 22 novembre. Examen : début janvier.

9 Plan du cours Introduction Arbres binaires de recherche Définition, opérations de base Complexité (pire cas, moyenne) ABR équilibrés Algorithmique dans les graphes Parcours Composantes fortement connexes Arbres couvrants minimaux Plus courts chemins Bonus

10 Plan 1 Informations générales 2 Introduction 3 Arbres binaires de recherche

11 Vocabulaire un ordinateur = un objet, des ressources matérielles (le hardware). un algorithme = une recette, une méthode pour obtenir un résultat. un programme = un algorithme écrit dans un langage de programmation. un problème algorithmique = un problème à résoudre.

12 Vocabulaire un ordinateur = un objet, des ressources matérielles (le hardware). un algorithme = une recette, une méthode pour obtenir un résultat. un programme = un algorithme écrit dans un langage de programmation. un problème algorithmique = un problème à résoudre. Des exemples!

13

14

15 Algorithme Un algorithme est la description univoque d une méthode effective pour résoudre un problème, exprimée à l aide d une suite d instructions élémentaires.

16 Problèmes algorithmiques Données : un entier a Résultat : la somme a Données : une liste de mots Résultat : la liste triée dans l ordre alphabétique Données : une liste de mots Résultat : une liste de pages Web contenant ces mots Données : une carte, deux villes A et B Résultat : un plus court chemin entre A et B Données : un programme P, une donnée a Résultat : réponse à est-il vrai que le résultat de P appliqué à a vaut 8a+5?... Un algorithme doit résoudre toutes les instances d un problème.

17 Exemple La recherche du minimum dans une liste d entiers...

18 Exemple La recherche du minimum dans une liste d entiers... 1 Noter le premier entier de la liste 2 Pour tous les entiers suivants, faire : Si l entier est inférieur à celui noté Alors remplacer celui-ci par le nouvel entier 3 Renvoyer le nombre noté.

19 Exemple La recherche du minimum dans une liste d entiers... En pseudo-code : Recherche du minimum Données : liste non vide d entiers L Résultat : entier m le plus petit de L m L(1) pour chaque i allant de 2 à L faire si L(i) < m alors m L(i) retourner m

20 Exemple La recherche du minimum dans une liste d entiers... En pseudo-code : Recherche du minimum Données : liste non vide d entiers L Résultat : entier m le plus petit de L m L(1) pour chaque i allant de 2 à L faire si L(i) < m alors m L(i) retourner m Des instances : [3, 10, 5, 24, 2, 12] [10]

21 Un problème...des algorithmes? Pour un problème donné, il peut y avoir plusieurs algorithmes différents...ou aucun!

22 Un problème...des algorithmes? Pour un problème donné, il peut y avoir plusieurs algorithmes différents...ou aucun! Lorsqu il existe plusieurs algorithmes, on peut les comparer selon plusieurs critères : les idées sous-jacentes, leur structure (récursif / itératif, glouton, prog. dynamique, diviser pour régner,...), les structures de données utilisées, la complexité algorithmique (i.e. les ressources temps, mémoire nécessaires à son exécution).

23 Complexité d un algorithme Complexité en temps ou en espace mémoire.

24 Complexité d un algorithme Complexité en temps ou en espace mémoire. Objectif : trouver un ordre de grandeur du nombre d opérations élémentaires nécessaires à l exécution de l algorithme. On ne veut pas mesurer le temps nécessaire en minutes ou microsecondes. On veut une notion robuste : indépendante d un ordinateur donné, d un compilateur, d un langage de programmation, etc. et exprimée en fonction de la taille de la donnée à traiter.

25 Complexité d un algorithme Complexité en temps ou en espace mémoire. Objectif : trouver un ordre de grandeur du nombre d opérations élémentaires nécessaires à l exécution de l algorithme. On ne veut pas mesurer le temps nécessaire en minutes ou microsecondes. On veut une notion robuste : indépendante d un ordinateur donné, d un compilateur, d un langage de programmation, etc. et exprimée en fonction de la taille de la donnée à traiter. opération élémentaire : opération qui prend un temps constant (ou presque).

26 Complexité en temps d un algorithme Coût de A sur x : l exécution de l algorithme A sur la donnée x requiert C A (x) opérations élémentaires.

27 Complexité en temps d un algorithme Coût de A sur x : l exécution de l algorithme A sur la donnée x requiert C A (x) opérations élémentaires. Complexité dans le pire cas : C A (n) def = max C A (x) x. x =n

28 Complexité en temps d un algorithme Coût de A sur x : l exécution de l algorithme A sur la donnée x requiert C A (x) opérations élémentaires. Complexité dans le pire cas : Complexité en moyenne C A (n) def = max C A (x) x. x =n C moy def A (n) = p(x) C A (x) x. x =n p : distribution de probabilités sur les données de taille n.

29 Algorithmes efficaces...et au delà! Quelques familles d algorithmes selon leur complexité : les algorithmes sous-linéaires : par exemple, en O(log(n)) les algorithmes linéaires : O(n) et quasi-linaires : O(n log(n)) les algorithmes polynomiaux : O(n k )

30 Algorithmes efficaces...et au delà! Quelques familles d algorithmes selon leur complexité : les algorithmes sous-linéaires : par exemple, en O(log(n)) les algorithmes linéaires : O(n) et quasi-linaires : O(n log(n)) les algorithmes polynomiaux : O(n k ) les algorithmes exponentiels : O(2 p(n) )...doublement exponentiels : O(2 2p(n) )... NB : O(g(n)) contient l ensemble des fonctions majorées par un c g(n) avec c > 0 au delà d un certain n 0...

31 Complexité en temps cela renvoie à de vraies différences!

32 fct \n n n log 2 (n) n n (7c) (8c) 2 n (16c)...(31c)...(91c) n! (7c)...(65c)...(161c)...(623c) n n (11c)...(85c)...(201c)...(744c) Notation : (Xc) signifie s écrit avec X chiffres en base 10. (le nb de protons dans l univers comporte 79 chiffres...et le nb de microsecondes depuis le big-bang a 24 chiffres!!)

33 Recherche dans un annaire Combien de comparaisons sont n cessaires pour savoir si il y a un M. Turing dans un annuaire de 1 million de noms?

34 Recherche dans un annaire Combien de comparaisons sont n cessaires pour savoir si il y a un M. Turing dans un annuaire de 1 million de noms? 20 comparaisons dans le pire cas!

35 Recherche dans un annaire Combien de comparaisons sont n cessaires pour savoir si il y a un M. Turing dans un annuaire de 1 million de noms? 20 comparaisons dans le pire cas! La première comparaison permet d éliminer noms, la seconde , la 3ème , la 4ème 62500, la 5ème 31250,...

36 Algorithmes efficaces...ou pas! Considérons un algorithme de complexité f(n) qui permette de résoudre en une heure les instances de taille X d un problème sur un ordinateur aujourd hui. Alors un ordinateur 1000 fois plus rapide permettrait en une heure de résoudre les instances de taille X si f(n) = n,

37 Algorithmes efficaces...ou pas! Considérons un algorithme de complexité f(n) qui permette de résoudre en une heure les instances de taille X d un problème sur un ordinateur aujourd hui. Alors un ordinateur 1000 fois plus rapide permettrait en une heure de résoudre les instances de taille X si f(n) = n, 31,6 X si f(n) = n 2,

38 Algorithmes efficaces...ou pas! Considérons un algorithme de complexité f(n) qui permette de résoudre en une heure les instances de taille X d un problème sur un ordinateur aujourd hui. Alors un ordinateur 1000 fois plus rapide permettrait en une heure de résoudre les instances de taille X si f(n) = n, 31,6 X si f(n) = n 2, X +9,97 si f(n) = 2 n. (voir Algorithmics, the spirit of computing, D. Harel)

39 Autre exemple Imaginons un véhicule dont la consommation d énergie est une fonction linéaire (n) ou exponentielle (2 n ) de la distance à parcourir. Si l on peut faire 50 kilomètres avec un réservoir V, alors un réservoir 1000 fois plus gros, permettra de parcourir km si la consommation est linéaire, et 60 km si la consommation est exponentielle!

40 A la recherche du bon algorithme Étant donné un problème, on cherche donc des algorithmes : corrects : qu ils calculent bien ce que l on veut, efficaces : nécessitant des ressources (temps, mémoire) raisonnables, et optimaux : cf le futur cours de complexité!

41 A la recherche du bon algorithme Étant donné un problème, on cherche donc des algorithmes : corrects : qu ils calculent bien ce que l on veut, efficaces : nécessitant des ressources (temps, mémoire) raisonnables, et optimaux : cf le futur cours de complexité! Peu de problèmes admettent des algorithmes utilisables en pratique. Il est important de savoir concevoir, vérifier et analyser des algorithmes.

42 Plan 1 Informations générales 2 Introduction 3 Arbres binaires de recherche