Tranparents - École Mohammadia d'ingénieurs · Algorithmique et complexité de calcul, M....

1Algorithmique et complexité de calcul, M. Eleuldj, EMI, Avril 2008

Algorithmique et complexité de calcul

Avril 2008

Pr. Mohsine Eleuldj

Département Génie Informatique

Ecole Mohammadia d’Ingénieurs

Université Mohammed V – Agdal

[email protected]


Complexité de calcul

Classification :• Linéaire• Quadratique• Polynomial• NP

• NP-complet

Problème

Algorithme 1

Algorithme 2

Algorithme 3

Indécidable(problème de l’arrêt)


Algorithmique et complexité de calculObjectifs• Étude des techniques de conception et d'analyse des algorithmes.• comparaison et classification des algorithmes.• Ce n’est pas un catalogue d'algorithmes pour la résolution de

problèmes spécifiques.

PlanI PréliminairesII Analyse de l'efficacité des algorithmesIII Diviser pour régnerIV Algorithmes voracesV Programmation dynamiqueVI Transformation du domaineVII Algorithmes probabilistesVIII Préconditionnement


Chapitre I : Préliminaires

Contenu1 Notion d’algorithme

2 Efficacité des algorithmes

3 Nature de l’analyse

4 Pourquoi des algorithmes efficaces

5 Calcul des nombres de Fibonacci


1 Notion d’algorithme

Origine : le mot "algorithme" est associé au célèbre auteur Perce Abou Jaafar Mohammed Ibn Moussa Al Khawarizmi connu pour son livre "Al Jabr oua El Mokabala" écrit à l'an 825.

Définition : un algorithme est une méthode systématique pour résoudre un problème donné. L'exécution ne doit pas laisser la place à l'interprétation, l’intuition ni la créativité.

Definition : l’Algorithmique est l’étude des techniques de conception et d’analyse des algorithmes

Exemples :• Multiplication des nombres entiers• Division• Calcul du PGCD• Certaines recettes de cuisines


Exemple : multiplication des nombres

Analyse des ressourcesMéthode classique : tables de multiplications + addition

Méthode russe : multiplication par 2 et division par 2 (décalages à droite et à gauche dans une représentation en base 2) + addition

53x 1737153901

53 1726 3413 726 1363 2721 544

901


Représentation des algorithmes

Langue naturelle Pseudo-code Langage deprogrammation

Langue naturelle :ambiguïtéLangage de programmation :complexité de lecture (détails de programmationPseudo-code :description des algorithmes


Algorithme de multiplication russe

fonction russe (A,B)tableauX,YX[1] � A, Y[1] � B, i � 1 { initialisation }tant que X[i] > 1 faire { former les 2 colonnes }

X[i + 1] � X[i] div 2Y[i + 1] � Y[i] * 2i � i + 1

P � 0 { addition des entrées appropriées }tant que i > 0 faire

si (X[i] mod 2 = 1) alors P � P + Y[i]i � i - 1

retourner P

Exercice :Faire la trace pour l'exemplaire (17,53). Modifier cet algorithme pour avoir une seule boucle et en utilisant seulement des variables scalaires.


Autre algorithme de multiplication russe

fonction autre_russe (A,B)entier x,yx � A, y � B, P � 0 {initialisation}tant que x ≥ 1 faire

si (x mod 2 = 1) alors P � P + y {ajouter la valeur appropriée}x � x div 2y � y * 2

retourner P

Exercice :Faire la trace pour l'exemplaire (35, 17).


Autre algorithme de multiplication

fonction pas_russe (A,B)tableauX,YX[1] � A, Y[1] � B, i � 1 { initialisation }tant que X[i] > 1 faire { former les 2 colonnes }

X[i + 1] � X[i] - 1Y[i + 1] � Bi � i + 1

P � 0 { additionner les entrées appropriées }tant que i > 0 faire

si X[i] > 0 alors P � P + Y[i]i � i - 1

retourner P

Exercice :Faire la trace pour l'exemplaire (53,17). Ecrire l'algorithme classique de multiplication


Etapes de résolution d’un problème

1 Trouver différents algorithmes (selon ≠méthodes de conception)2 Analyser leur efficacité (en terme de temps, espace mémoire,...)3 Choisir le meilleur algorithme (selon la taille de l'exemplaire, puissance du

matériel, ordre,...)

Problème

Algorithme 1

Algorithme 2

Algorithme 3


2 Efficacité des algorithmes

Définition : Un exemplaire x est l’entrée d’un algorithme, |x| = taille de l'exemplaire x

Exemples- Tri : |x| est le nombre d'entiers à ordonner- Multiplication : |x| est le nombre de chiffres (ou bits) des facteurs

Approches d’analyse- Empirique : programmation + exécution avec plusieurs exemplaires- Théorique : déterminer la quantité de ressources (temps, mémoire,...) en fonction de la taille des exemplaires

Avantages de l'approche théorique- Indépendance de l'ordinateur et langage de programmation- Gain dans la programmation et l'exécution des algorithmes inefficaces- Taille des exemplaires n'est pas une contrainte


3 Nature de l’analyse

Efficacité d’un algorithme dépend- taille de l’exemplaire

- espace mémoire

- …

Comparaison des algorithmes selon différentes analyses- meilleur cas (optimiste)

- moyenne

- pire cas (pessimiste)


Tri par insertion

Procédure insert (T[1..n])pour i � 2 jusqu'à n faire

x � T[i]j � i - 1tant que j > 0 et T[j] > x faire

T[j + 1] � T[j] j � j - 1T[j + 1] � x

Exercice :Faire la trace pourT = [3,1,4,0,5], U = [0,3,4,6,9] et V = [9,6,4,3,0]


Trace de insert(T)

4

0

1

2

3

2

0

1

-

j

non

non

oui

oui

oui

non

non

oui

-

j > 0 et T[j] > x

0 1 3 4 555

0 13 4 5

1 0 34 5

1 3 0 45

04

43

1 34 0 5

12

3 1 4 0 5--

Txi


Trace de insert(U) et insert(V)

495

364

243

132

0 3 4 6 9---

Ujxi

3 4 6 0 93

3 40 692

3 0 46 91

6 4 93 01

4 69 3 00

334

0 34 6 90

405

3 46 9 00

4 3 69 01

4 6 3 902

243

6 9 4 3 00

162

9 6 4 3 0---

Vjxi


Tri par sélection

Procédureselect (T[1..n])pour i � 1 jusqu'à n-1 faire

minj � i, minx � T[i]pour j � i + 1 jusqu'à n faire

si T[j] < minx alorsminj � jminx � T[j]

T[minj] � T[i]T[i] � minx

Exercice :Faire la trace pour T = [3,1,4,0,5], U = [0,3,4,6,9] et V = [9,6,4,3,0]


Trace de select(T)

3 1 4 0 5 ----

4

4

4

4

3

2

2

2

2

4

4

2

2

1

minj

34

0 1 3 4535

4-4

04

0 1 4 3 505

1-2

0 1 3 4 545

4-3

0 1 4 3 515

14

13

13

12

3-1

Tminxji


Trace de select(U) et select(V)

0 3 4 6 9----

4

4

3

3

3

2

2

2

2

1

1

1

1

1

minj

44

0 3 4 6 945

6-4

04

0 3 4 6 905

1-2

0 3 4 6 965

4-3

0 3 4 6 935

34

33

03

02

0-1

Uminxji

9 6 4 3 0----

4

4

3

3

3

4

4

3

2

4

4

3

2

1

minj

44

9 6 4 3 045

6-4

34

0 6 4 3 9 05

6-2

9 6 4 3 065

4-3

0 3 4 6 935

34

43

43

62

9-1

Vminxji


Analyse de insert et select

TraceU : meilleur cas pour insert

V : pire des cas pour insert

V : meilleur cas pour select

U : pire des cas pour select

Conclusionanalyse au pire cas de insert et select

nous allons voir que insert et select sont de l'ordre de n2, où n = |x|


4 Pourquoi des algorithmes efficaces ?

SuppositionA : un algorithmeM : une machineA’ : un algorithme plus efficace que AM’ : une machine plus puissante que M

Question : A sur M’ ou A’ sur M ?

Autrement sin : taille de l’exemplairet(n) : temps d'exécution de A sur Mt'(n) : temps d'exécution de A sur M't"(n) : temps d'exécution de A’ sur M

Question : t’(n) < t”(n) ou t”(n) < t’(n) ?


Application numérique

t(n) = 10-4 x 2n st'(n) = t(n) x 10-2 = 10-6 x 2n s (M’ 100 plus rapide que M)t"(n) = 10-2 x n3 s (A’ plus efficace que A)

1 année--1500

1 jour--200

20 mn1 année-45

10 mn4 mois1 année38

5 mn3 heures10 jours30

1mn1 s2 mn20

10 s2 ms1/10 s10

t"(n)t'(n)t(n)n

1 jour

1 heure

1 minute

temps de calcul(s)

Taille de l'exemplaire

106

105

104

103

102

10

t(n)

t'(n)

t"(n)


Calcul des nombres de Fibonacci (1/3)

Définitionf0 = 0, f1 = 1

fn = fn-1 + fn-2 pour n ≥ 2

De Moivre

fn = 1/√5 [ Φn - (-Φ)-n ]où Φ = (1 + √5)/2 le nombre d'or

Cette formule n'est pas pratique pour calculer la valeur exacte de fn



fonction fib1(n)si n < 2 alors retourner nsinon retourner fib1(n-1) + fib1(n-2)

fonction fib2(n)i � 1, j � 0

pour k � 1 jusqu'à n fairej � i + j

i � j - i

retourner j



fonction fib3(n)i � 1, j � 0, k � 0, h � 1tant que n > 0 faire

si n est impair alorst � jhj � ih + jk + ti � ik + t

t � h2

h � 2kh + tk � k2 + tn � n div 2

retourner j

Exercice :Faire la trace de fib1, fib2 et fib3 la trace pour n = 5


Exécution de fib1, fib2 et fib3

2 ms3/2 ms1 ms1/2 ms1/2 ms1/2 ms2/5 ms1/3 msfib3

25 mn15 s150 ms3/2 ms3/4 ms1/2 m1/3 ms1/6 msfib2

----21 j2 mn1 s8 msfib1

10810610410250302010n


Chapitre 2 :Analyse de l’efficacité des algorithmes

Contenu1 Notations asymptotiques

2 Analyse des algorithmes itératifs

3 Résolution d’équations de récurrences

4 Analyse des algorithmes récursifs


1 Notations asymptotiques

Remarque :L'analyse théorique de l'efficacité d'un algorithme se fait à une constante près pour ne pas tenir compte de :

- langage de programmation- compilateur et système d'exploitation- puissance de l’ordinateur

Notation "l'ordre de"Soit f : N ---> R*O(f(n)) = {t : N → R* / (∃ c ∈ R+) (∃ n0 ∈ N) (∀ n ≥ n0) [t(n) ≤ c f(n)]}

DéfinitionsO(f(n)) est appelé l'ordre de f(n)t(n) ∈ O(f(n)) ⇒ t(n) est dans l'ordre de f(n)t(n) : temps d'exécution d'un algorithme ⇒ algorithme est de l'ordre de f(n)


t(n) ∈ O(f(n))

temps

n

c f(n)

t(n)

n0


Exercices

a) Quel est l’ordre de l’algorithme qui prend un temps borné supérieurement par :t(n) = 3 s - 18n ms + 27n2 µs

b) Prouver que : f(n) ∈ O(g(n)) et g(n) ∈ O(h(x)) ⇒ f(n) ∈ O(h(n))c) Déduire que g(n) ∈ O(h(n)) ⇒ O(g(n)) ⊂ O(h(n))d) Soient f, g : N → R+, montrer que :

O(f(n) + g(n)) = O(max(f(n) , g(n)))e) Soient f et g: N → R+, prouver que :

limn→∞ f(n) / g(n) = c ∈ R+ ⇒ O(f(n)) = O(g(n))limn→∞ f(n) / g(n) = 0 ⇒ O(f(n)) ⊂ O(g(n))

f) Prouver que : log n ∈ O(√n) et √n ∉ O(log n)g) Soit x ∈ R / 0 < x < 1. Utiliser ⊂ et = pour mettre en rang les ordres des

fonctions suivantes:n log n, n8, n1+x, (1 + x)n, (n2 + 8n + log3n)4 et n2/log n


Réponse (1/3)

Exemple 1 : Soit un algorithme qui prend un temps borné supérieurement par :

t(n) = 3 s - 18n ms + 27n2 µs.

Trouvons une fonction f aussi simple que possible tel que cet algorithme prenne un temps dans l'ordre de f(n).

Prenons c = 27 x 10-6 et n0 = 500/3

Soit n > n0 _ n > 500/3 _ 18n > 3000 _ 18n x 10-3 > 3 _ 3 - 18n x 10-3 < 0

_ 3 - 18n x 10-3 + 27n2 x 10-6 _ 27n2 x 10-6 = cn2.


Réponse (2/3)

Exemple 2 :a) Prouver que :f(n) O(g(n)) et g(n) O(h(x)) _ f(n) O(h(n))

b) Déduire que g(n) O(h(n)) _ O(g(n)) C O(h(n))

Preuve :f(n) O(g(n)) _ ($ c' R+) ($ n' N) (" n > n') (f(n) _ c'g(n))

g(n) O(h(x)) _ ($ c" R+) ($ n" N) (" n > n") (g(n) _ c"h(n))

Soit c = c'c" et n0 = sup(n',n") alors (" n > n0) f(n) _ c'g(n) _ c'c"h(n) donc f(n) O(h(n)).

Soit f(n) O(g(n)) d'après (a) f(n) O(h(n)) donc f(n) O(h(n)).

Exemple 3 :Soient f, g : N --> R+, montrer que :O(f(n) + g(n)) = O(max(f(n) , g(n))).


Réponse (3/3)

Applications :n3+ 3n2+ n + 8 O(n3 + (3n2 + n + 8)) = O(max(n3 , 3n2 + n + 8)) = O(n3). Il faut s'assurer que f(n) et g(n) soient positives car sinon on trouvera la contradiction suivante :O(n2) = O(n3 + (n2 - n3)) = O(max(n3 , n2 - n3))) = O(n3).

Montrer que O(n2) _ O(n3).Exercice 1:Soient f et g: N ---> R+. Prouver que :

limn-->_ f(n) / g(n) = l R+ _ O(f(n)) = O(g(n))limn-->_ f(n) / g(n) = 0 _ O(f(n)) C O(g(n))

Exercice 2 :Prouver que log n O( _n) et _n O(log n)Exercice 3 :Soit x R / 0 < x


Autres notations asymptotiques

Remarque : la notion d'ordre est l'estimation d'une limite supérieure du temps d'exécution d'un algorithme sur un exemplaire de taille donnée. Nous allons estimer une limite inférieure.

Omega def(n)Ω(f(n)) = {t : N → R* / (∃ c ∈ R+) (∃ n0 ∈ N) (∀ n ≥ n0) [t(n) ≥ c f(n)]}

Exercice :Soient f, g : N → R*, montrer que :f(n) ∈ O(g(n)) ⇒ g(n) ∈ Ω(f(n))

Ordre exact de f(n) Θ(f(n)) = O(f(n)) ∩ Ω(f(n))


t(n) ∈ Θ(f(n)) = O(f(n)) ∩ Ω(f(n))

temps

n

c1 f(n)

t(n)

n0

c2 f(n)


2 Analyse des algorithmes itératifs

Soit t(n) : temps d'exécution de l'algorithme pour un exemplaire de taille n

Algorithmes analysés

Calcul de Fibbonacci

Tri par selection

Tri par insersion

Calcul du PGCD


Analyse de fib2

fonction fib2(n)i ← 1, j ← 0

pour k ← 1 jusqu'à n fairej ← i + j

i ← j - i

retourner j

t(n) = a + c + d = a + (Σ1 ≤ k ≤ n b) + d = a + bn + d = a’ + bn où a’=a+d⇒ t(n) ∈ O(n)

a

c

d

b


Analyse de fib3

fonction fib3(n)i ← 1, ...tant que n > 0 faire

...n ← n div 2

retourner j

t(n) = a + c + d = a + bk + d où k est le nombre d'itérationsk = nombre de bits dans la représentation binaire de n ⇒ k = log2 n + 1

⇒ t(n) ∈ O(log n)

a

c

d

b


Analyse de select

Procédureselect (T[1...n])pour i ← 1 jusqu'à n-1 faire

minj ← i, minx ← T[i]pour j ← i+1 jusqu'à n faire

si T[j] < minx alorsminj ← jminx ← T[j]

T[minj] ← T[i]T[i] ←minx

t(n) = Σ1 ≤ i ≤ n-1 [ a + Σi+1 ≤j ≤ n (b) + d ] = (a + d + bn)(n - 1) - bn(n-1)/2

⇒ t(n) ∈ O(n2)

a

e

d

cb


Analyse de l'algorithme d'Euclide

calcul du PGCD de deux nombresfonction Euclide(m,n)

tant que m > 0 fairet


Analyse de fib1

fonction fib1(n)si n < 2 alors retourner nsinon retourner fib1(n-1) + fib1(n-2)

t(n) est la solution du système de récurrence :

t(0) = t(1) = a

t(n) = t(n-1) + t(n-2)


3 Résolution de récurrencesrécurrence homogène

a0tn + a1tn-1 + .. + aktn-k = 0 (1)

cherchons une solution de la forme tn = xn (équation caractéristique)a0xn + a1xn-1 + .. + akxn-k = 0 (2)

cherchons une solution non nulle ⇒ (2) devient :a0xk + a1xk-1 + .. + ak = 0

supposons que les k racines : r1, r2, ..., rk (réelles ou complexes) sont distinctes alors :

tn = Σ1 ≤ i ≤ k ci(ri)n

où ci (1 ≤ i ≤ k) constantes déterminées par les conditions initiales


Calcul du nombre de Fibonacci

f0 = 0 et f1 = 1 (1)fn = fn-1 + fn-2 (2)

Posons fn = xn, alors (2) devient : xn = xn-1 + xn-2⇒ x2 - x - 1 = 0

∆ = 1 + 4 = 5 ⇒ r1 = (1-√5)/2 et r2 = (1+ √5)/2

⇒ fn = c1 r1n + c2 r2n

En utilisant les conditions initiales (1) on trouve :c1 + c2 = 0c1r1 + c2r2 = 0 ⇒ c1 = -1/√5 et c2 = 1/√5

⇒ fn = 1/√5 [-((1-√5)/2)n + ((1+√5)/2)n] (Méthode de Moivre)


Analyse de fib1

t(0) = t(1) = a (1)t(n) = t(n - 1) + (n - 2) (2)

D'après le calcul précédent on déduit que :t(n) = c1 r1n + c2 r2n où r1 = (1 -√5)/2 et r2 = (1 + √5)/2

En utilisant les conditions initiales (1), on trouve le système :c1 + c2 = 0c1r1 + c2r2 = 0

⇒ c1 = -a (1 + √5)/2√5 et c2 = a (1 + 3√5)/2√5

⇒ t(n) ∈ O(c2n) où |c2| > 1 ⇒ algorithme exponentiel


3 Résolution de récurrencesrécurrences non homogènes

Illustrons ce type de récurrence à l'aide de l'exemple suivant où l’on se ramène à une récurrence homogène

tn - 2tn-1 = 3n (1)En multipliant (1) par 3 et en la considérant pour n+1 on trouve:

3tn - 6tn-1 = 3n+1 (2)tn+1 - 2tn = 3n+1 (3)

En faisant la différence de (2) et (3), on trouve :tn+1 - 5tn + 6n-1 = 0

L'équation caractéristique de cette équation est :x2 - 5x + 6 = 0 ⇔ (x - 2) (x - 3) = 0

⇒ tn = c12n + c23n

En utilisant (1), on trouve que tn = -c12n + 3n+1


3 Résolution de récurrencesrécurrences non homogènes

Illustrons cette technique à l'aide de l'exemple suivant où nous faisons une transformation de variable :

T(n) = 4T(n/2) + n, n > 1 avec n = 2k (1)Posons tk = T(2k). L'équation (1) devient :

tk = 4tk-1 + 2k

En multipliant par 2 et en considérant l'équation pour n+1, on trouve :2tk = 8tk-1 + 2

k+1 (2) tk+1 = 4tk + 2

k+1 (3)(2) – (3) donne : tk+1 - 2tk = 4tk - 8tk-1 ⇔ tk+1 - 6tk + 8tk-1 = 0L'équation caractéristique de cette équation est :

x2 - 6x + 8 = 0 ⇔ (x - 2) (x - 4) = 0 _ donc tk = c12k + c24kdonc T(n) = c1n + c2n

2

En utilisant (1) on trouve que c1= -1 et par conséquent : T(n) = -n + c2n2


Tours de HanoïProblèmeSoint trois aiguilles (1, 2 et 3) et m disques, tous de taille différente. Au départ tous les disques sont placés du plus grand au plus petit dans l’aiguille 1. Comment déplacer les disques à l’aiguille 2 sans jamais mettre de disque par-dessus un disque plus petit dans les aiguilles ?

Exercice1 Comment allez-vous faire pour déplacer 3 disques ?2 Décrire un algorithme de la solution.3 Faire la trace pour m = 3.4 Déterminer le nombre de déplacements en fonction de m.5 Déduire l’efficacité de l’algorithme.6 Estimer le temps si m = 64 et si un déplacement prend 1 seconde.7 Démontrer l’optimalité de l’algorithme.

1 2 3


Trace pour m = 3

1 2 3 1 2 3 1 2 3

1 2 3

1 2 3

1 2 3

1 2 3

1 2 3

1 2 3


Tours de Hanoï

procédure Hanoï (m,i,j)si m > 0 alors

Hanoï (m-1,i,6-i-j)écrire (i,"-->",j)Hanoï (m-1,6-i-j,j)

Soit t(m) le temps d’exécution t(1) = 1t(m) = 2 t(m-1) + 1

1 2 3


Tours de HanoïSoit t(m) : temps d'exécution de l'algorithme sur un exemplaire de taille m.

t(1) = 1t(m) = 2t(m-1) + 1

Calculons t(m)t(m) = 2[ 2 t(m-1) + 1 ] + 1 = 22 t(m-2) + 2 + 1

= 22[ 2 t(m-3) + 1 ] + 2 + 1 = 23 t(m-3) + 22 + 2 + 1= ..........= 2k t(m-k) + 2k-1 + ... + 2 + 1= ..........= 2m-1 t(1) + 2m-2 + ... + 2 + 1 = 2m-1 + 2m-2 + ... + 21 + 20= (2m - 1) / (2 - 1) = 2m - 1

donc t(m) ∈ O(2m).

Exercice : Trouver une version non récursive de la procédure Hanoï. Trouverl'ordre de l'algorithme.


Hanoi(3,1,2)Hanoi(2,1,3)

Hanoi(1,1,2)Hanoi(0,1,3)1�2Hanoi(0,3,2)

1�3Hanoi(1,2,3)

Hanoi(0,2,1)2�3Hanoi(0,1,3)

1�2Hanoi(2,3,2)

Hanoi(1,3,1)Hanoi(0,3,2)3�1Hanoi(0,2,1)

3�2Hanoi(1,1,2)

Hanoi(0,1,3)1�2Hanoianoi(0,3,2)

Trace à l’aide d’appels récursif


Trace à l’aide d’un arbre

H(3,1,2)

1�2H(2,1,3) H(2,3,2)

H(1,1,2)

1�2H(0,1,3) H(0,3,2)

H(1,3,1)

2�3H(0,2,1) H(0,1,3)

H(1,3,1)

3�1H(0,3,2) H(0,2,1)

H(1,1,2)

1�2H(0,1,3) H(0,3,1)

1�3 3�2


Chapitre 3 : Diviser-pour-régner

diviser-pour-regner (Divide and conquer) est une technique de conception d'algorithme composée de trois étapes :

- Décomposition de l'exemplaire en sous-exemplaires plus petits,- Résolution des sous-exemplaires et- Combinaison des sous-solutions.

Plan1 Fouille dichotomique2 Multiplication des grands nombres3 Multiplication matricielle4 Exponentiation discrète


Schéma des algorithmes DPR

fonction DPR(x)si x est suffisamment petit alors retourner ADHOC(x)décomposer x en sous-exemplaires x1, x2, ..., xkpour i � 1 jusqu'à k faire yi


Résolution des récurrences DPR

Théorème :Soient a, b, c ≥ 0 et n = ck. La solution de la récurrence

b pour n = 1

T(n) = aT(n/c) + bn pour n > 1

est :

O(n) si a < c

T(n) ∈ O(n log n) si a = cO(nlog a) si a > c, où le logarithme en base c

T(n) : temps d'exécution d'un algorithme DPR sur l’exemplaire n


Fouille dichotomique

Problème : localisation de la valeur x dans un tableau T[1..n] trié (dictionnaire ou annuaire téléphonique)

fonction séquentielle (T[1..n],x)pour i � 1 jusqu'à n faire

si T[i] > x alors retourner i-1retourner n

fonction dichotomique(T[i..j],x)si i = j alors retourner ik � (i+j+1) div 2si x < T[k] alors retourner dichotomique(T[i..k-1],x)sinon retourner dichotomique(T[k..j],x)

Exercice : Montrer que t(n) ∈ O(log n)


Arithmétique des grands entiers

Utilisation : calcul de très grande précision. En 1986, Π est calculé avec 30 millions de chiffres. Ce calcul a nécessité 30 heures de calcul sur un ordinateur Cray-2.

Problème :calcul de u*v avec u et v composés de n=2k chiffres

Solution :Algorithme de multiplication classique ∈ O(n2)Algorithme de multiplication DPR ∈ ?


Multiplication DPR (1/2)

u = 10sw + x

v = 10sy + z où 0 ≤ x, z < 10s et s = n/2

⇒ u*v = 102s wy + 10s(wz + yx) + xz

w x

n

u y z

n/2

v

n/2


Multiplication DPR (2/2)

fonction multA(u,v: grands-entiers) : grand-entiern � max(u,v)si n est petit alors

multiplier u et v par l'algorithme classiqueretourner le résultat

sinons � n div 2w � u div 10s, x � u mod 10s

y � v div 10s, z � v mod 10s

retourner multA(w,y) 102s + (multA(w,z) + multA(y,x)) 10s + multA(x,z).

Exercice :Montrer que t(n) ∈ O(n2)


Amélioration de la multiplication DPR (1/2)

u = 10sw + x

v = 10sy + z où 0 ≤ x, z < 10s et s = n/2

Soient r, p et q tels que :

r = (w + x)(y + z) = wy + wz + xy + xz

p = wy

q = xz

⇒ u * v = 102s wy + 10s(wz + yx) + xz

= 102sp + 10s (r - p - q) + q


Amélioration de la multiplication DPR (2/2)

fonction multB(u,v: grands-entiers) : grand-entiern � max(u,v)si n est petit alors

multiplier u et v par l'algorithme classiqueretourner le résultat

sinons � n div 2w � u div 10s, x � u mod 10s

y � v div 10s, z � v mod 10s

r � multB(w+x , y+z)p � multB(w,y)q � multB(x,z)

retourner 102sp + 10s(r-p-q) + q

Exercice : t(n) ∈ O(n1,59)


Multiplication matricielle DPRSoient A, B deux matrices carrées d'ordre n.

C = AB = (cij) 1≤ i, j ≤ n avec cij = Σ1≤k≤n aikbkjAlgorithme classique de multiplication de matrices appartient à O(n3)Algorithme DPR (Strassen)

Soient A = a11 a12et B =b11 b12a21 a22 b21 b22

Soient m1, m2 m3, m4, m5, m6 m7 tels que :m1 = (a21 + a22 - a11)(b22 - b12 + b11)m2 = a11b11m3 = a12b21m4 = (a11 - a21)(b22 - b12)m5 = (a21 + a22)(b12 - b11)m6 = (a12 - a21 + a11 - a22)b22m7 = a22(b11 + b22 - b12 - b21)

Exercice : Montrer t(n) O(n2,7)


Protocole de cryptage (1976)

Ali et Bahia partagent l’information x = y sans que Fouad puisse la détecter

A / A aléatoireA < p

a = gA mod px = bA mod p

Ali

B / B aléatoireB < p

b = gB mod py = aB mod p

Bahia

Fouad

p grand premierg / 2 ≤ g ≤ p-1


Exponentiation discrète (1/3)

fonction expod1(g,A,p)a � 1pour i � 1 jusqu'à A faire a � a gretourner a mod p

Remarque : xy mod p = ((x mod p) (y mod p)) mod p

fonction expod2(g,A,p)a � 1pour i � 1 jusqu'à A faire a � a g mod pretourner a

Exercice :Analyser et comparer le temps d'exécution de expod1 et expod2 en fonction de A et p. Pour simplifier supposer que g=p/2.



Exemple : calcul de x23

x23 = ((…((x x)x)…)x) ⇒ 22 multiplications

x23 = (((x2)2x)2x)2x ⇒ 7 multiplications

fonction expoditer(x,n)a � x, b � 1tant que n > 0 faire

si n est impair alorsb � a b

a � a2

n � n div 2retourner b

fonction expodrec(x,n)si n = 0 alors retourner 1si n est impair alors

a � expodrec(x,n-1)retourner a x

sinona � expodrec(x,n/2)retourner a2



fonction expod3(g,A,p)si A = 0 alors retourner 1si A est impair alors

a � expod3(g,A-1,p)

retourner a g mod psinon

a � expod3(g,A/2,p)

retourner a2 mod p

fonction expod4(g,A,p)a � g, b � 1tant que A > 0 faire

si A est impair alorsb � a b mod p

a � a2 mod pA � A div 2

retourner b


Exercice

Soit la matrice

a) Montrer que

où fn est le nième nombre de Fibonacci.

b) Déduire un algorithme de type diviser-pour-régner pour le calcul de Fn.

c) comparer cet algorithme avec fib3 en prenant comme matrices intermédiaires :

.

F = [ ]0 11 1Fn = [ ]fn-1 fnfn fn+1

A = [ ] et B =[ ]i jj i+jk hh h+k


Retour à l’algorithme fib3

fonction expod4(F,n)A � F, B � Itant que n > 0 faire

si n est impair alorsB � AB

A � A2

n � n div 2retourner B

fonction expod5(n)k � 0, h � 1, i � 1, j � 0tant que n > 0 faire

si n est impair alorst � hjj � hi + kj + ti � ki + t

t � h2

h � 2hk + tk � k2 + tn � n div 2

retourner j


Chapitre 4 : Algorithmes voraces

Généralement

assez simples ⇒ rapides

résolution des problèmes d'optimisation

solutions approximatives (heuristique)

Contenu

Schéma général

Remise de monnaie

Plus courts chemins

Remise de monnaie

Coloration d’un graphe

Feux de signalisation


Optimisation de la sélection avec contrainte

20 Kg

15 Kg

8 Kg

10 Kg

Capacité = 40 Kg

Solution vorace = 20 + 15 = 35 < 40


Schéma des algorithmes voraces

fonction vorace (C : ensemble) : ensemble

{C est l'ensemble de tous les candidats}

S ← ∅ {ensemble solution}tant que ¬ solution (S) et C ≠ ∅ faire

x ← l'élément de C qui maximise sélect(x)C ← C - {x}si réalisable (S ∪ {x}) alors S ← S ∪ {x}

si solution (S) alors retourner S

sinon retourner pas de solution


Exemple 1 : Remise de monnaie

Problème : remettre la monnaie en donnant le moins de pièces possible.

Solution :

C : ensemble fini de pièces 1, 5, 10, 20, 50 et 100 DH

Solution(S) : total des pièces choisies correspond au montant à rendre

Ensemble réalisable : total des pièces n'excède pas la somme à rendre

fonction de sélection : la plus grande pièce qui reste dans C

Fonction objective : nombre de pièces utilisées dans la solution

Exercice : Décrire un algorithme vorace. Montrer qu’il fournit toujours une solution optimale lorsqu'elle existe


Exemple 1 : Algorithme vorace

fonction Remise_Monnaie (Montant) : tableauC ← {1,5,10,20,50,100}S ← 0tant que (Montant > 0) et (C ≠ ∅) faire

x ← max{y/ y ∈ C}C ← C - {x}NP ← Montant div x {Nombre de pièces de type x}S[x] ← NPMontant ← Montant - NP*x

si (Montant = 0) alors retourner Ssinon retourner pas de solution

Exercice : Montrer l’Optimalité (idée (Ci ≥ 2 Ci+1))


Exemple 1 : qualité de la solution

Soit C ’ = C ∪ {12} = {1, 5, 10, 12, 20, 50, 100}

Montant = 16 =12 + 1 + 1 + 1 + 1 (5 pièces)⇒ solution non optimale

= 10 + 5 + 1 (3 pièces) ⇒ est la solution optimale

Soit C" = C’ - {1} = {5, 10, 12, 20, 50, 100}

Montant = 15 = 12 + ??? ⇒ pas de solution

= 10 + 5 ⇒ une solution existe


Solution d’un algorithme vorace

Algorithme vorace

Solution optimale

Solution approximativenon optimale

Pas de solutionalors qu’elle existe


Exemple 2 : Plus courts cheminsSoit G = (N,A) un graphe orienté où N = {1,2,..,n} ensemble des nœuds et A est l'ensemble d'arcs. A chaque arc est associé une longueur non négative. Essayons de déterminer la longueur du plus court chemin de 1 vers les autres sommets.

L : matrice d'ordre n tel que L[i,j] ≥ 0 si l'arc (i,j) existe et L[i,j] = ∞ s'il n'existe pas.

fonction Dijkstra(L[1..n,1..n]) : tableau [2..n]C ← {2,3,..,n}pour i ← 2 jusqu'à n faire D[i] ← L[1,i]répéter n-2 fois

v ← l'élément de C qui minimise D[v]C ← C - {v}pour chaque élément w de C faire

D[w] ← min (D[w] , D[v] + L[v,w])retourner D


Exemple 2 : Trace de l’algorithme

étape v C D

- - {2,3,4,5} [50,30,100,10]

2 5 {2,3,4} [50,30,20,10]

2 4 {2,3} [40,30,20,10]

3 3 {2} [35,30,20,10]

1

2

3 4

5

1050

100

1020

50

5

30

Exercice : Déterminer l’ordre de l’algorithme de Dijkstra. Modifier le afin de trouver le chemin le plus court entre tous les couples de sommets.


Exemple 3 : Minimisation de l'attente

Soient un serveur, n clients et ti : temps de service requis par le client i = 1,2,..,n

minimiser : T = S1 ≤ i ≤ n (temps passé dans le système par le client i)

Exemple : t1 = 4, t2 = 7 , t3 = 3.

ordre T1 2 3 4 + (4 + 7) + (4 + 7 +3) = 291 3 2 4 + (4 + 3) + (4 + 3 + 7) = 252 1 3 7 + (7 + 4) + (7 + 4 + 3) = 322 3 1 7 + (7 + 3) + (7 + 3 + 4) = 333 1 2 3 + (3 + 4) + (3 + 4 + 7) = 24 ← ordre optimal3 2 1 3 + (3 + 7) + (3 + 7 + 4) = 27

Exercice : Montrer que l’algorithme exhaustif ∈ O(n!). Décrire l'algorithme vorace et analyser son efficacité. Démontrer que sa solution est optimale.


Exemple 3 : Algorithme vorace

fonction Ordonnancement (n,t) : tableau

C ← {1,2,3,…,n}pour i=1 à n faire

j ← min{ti/ i ∈ C}C ← C - {j}S[x] ← jretourner S

Exercice : Quel est l’ordre de l’algorithme ?


Exemple 3 : Optimalité de l’algorithme (1/2)

Soit I = (i1,i2,..,in) une permutation quelconque dans {1,2,..,n}.

Soit T(I) le temps total passé dans le système pour les clients i1,i2,..,in.

T(I) = ti1 + (ti1 + ti2) + ... + (ti1 + ti2 + .. tin) = nti1 + (n-1)ti2 + ... + tin

= S1≤k≤n (n - k + 1)tik

Supposons qu'il existe dans I, deux entiers a et b tel que a < b et tia > tib. Inversons l'ordre de ces deux clients et on obtient l'ordre I'.

Ordre de service 1 2 ... a ... b … n

I i1 i2 ... ia ... ib ... In

I' i1 i2 ... ib ... ia ... in

T(I') = (n-a+1)tib + (n-b+1)tia + S1


Exemple 3 : Optimalité de l’algorithme (2/2)

T(I) - T(I') = (n-a+1)tia + (n-b+1)tib - (n-a+1)tib - (n-b+1)tia

= (b-a)tia + (a-b)tib = (b-a) (tia - tib)

Comme b - a > 0 et tia - tib > 0, on déduit que :

T(I) - T(I') > 0 et par conséquent T(I) > T(I').

Nous pouvons améliorer tout ordre de service où un client est servi avant un autre nécessitant moins de temps

⇒ optimalité de l’algorithme


Exemple 4 : Coloration d’un graphe

Soit G = (N,A) un graphe non orienté.

Colorer le graphe tels que deux sommets reliés doivent être de couleurs différentes.

L'algorithme vorace :

- Choisir une couleur et un sommet comme point de départ

- Considérer les autres sommets et essayer de les colorer par cette couleur

- Lorsqu'on ne peut plus faire de progrès choisir une nouvelle couleur et un nouveau point de départ non coloré

- Colorer tout ce qui est possible avec cette deuxième couleur

- ainsi de suite.

1 2

3

4

5


Exemple 4 : Coloration d’un graphe

2-coloration 3-coloration

Remarques

Un algorithme basé sur une heuristique vorace permet la possibilité de trouver une "bonne" solution mais pas la certitude

l’algorithme exhaustif qui produit une solution optimale est exponentiel


Exemple 5 : Feux de signalisation

Considérons 5 artères : A, B, C, D et E.

D et E sont des artères à sens uniqueA

B

C

D

E

Changements de direction(13)

AB, AC, AD, BA, BC, BD, DA, DB, DC, EA, EB, EC et ED

AB et EC sont possibles alors que AD et EB peuvent provoquer une collision

Modélisation à l’aide d’un graphe

sommets correspondent aux changements de direction

arêtes joignent les couples de sommets dont les itinéraires se croisent



4-colorable

AC DA

BD EB

AB AC AD

BA BC BD

DA DB DC

EA EB EC ED

Solution optimale car le sous-graphe composé des sommets AC, DA, BD et EB est un graphe complet de 4 sommets et nécessite par conséquent quatre couleurs.

Les sommets de la même couleur correspondent aux itinéraires sans collision. Les quatre couleurs correspondent aux quatre phases nécessaires du système de signalisation

Graphe complet


Exercices

Exercice 1 :Résoudre le problème de signalisation pour le carrefour suivant :

Exercice 2 :Trouver un algorithme vorace pour résoudre le problème du commis voyageur en supposons que le graphe est complet.

A

B

C

D


Chapitre 5 : Programmation dynamique

diviser-pour-régner : méthode descendante

programmation dynamique : méthode ascendante + utilisation espace mémoire (afin d'éviter de calculer la même chose plus d'une fois)

Contenu

Coefficient du binôme

Principe d’optimalité

Multiplication chaînée de matrices

Plus courts chemins


Exemple 1 : Coefficient du binôme

Coefficient binomial

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

= 1 autrement

fonction C(n,k)si k=0 ou k=n alors retourner 1

sinon retourner C(n-1 , k-1) + C(n-1 , k)


)( nk


Trace pour (5,2) =10

Remarques :beaucoup de valeurs C(i,j) sont calculées plusieurs fois.

Exercice : Montrer que le nombre d'appels récursifs provoqués par C(n,k) est égal à :

2 - 2

C(5,2)

C(4,1) C(4,2)

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

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

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


Exemple 1 : Triangle de Pascal

Exercice : Décrire cet algorithme. Montrer qu’il demande un espace dans O(k) et un temps dans O(nk) si on compte chaque addition à coût unitaire.

Exercice : Parmi les algorithmes du calcul des nombres de Fibonacci, lequel est un algorithme de programme dynamique ?

0 1 2 3 4 5 ... k-10

1

2

3

4

5

n-1

n

k

.

.

1

1

1

1

1

1

1

1

1

1

1

1

1

2

3

4

5

C(n-1,k-1)

4

10

3

6

5

C(n-1,k)

C(n,k)

10


Principe d’optimalité

La programmation dynamique est souvent utilisée pour résoudre des problèmes d'optimisation qui satisfont le principe d'optimalité suivant :

Principe d'optimalité : Dans une séquence optimale de décisions ou de choix, chaque sous-séquence doit être optimale.

Exemple : le problème du plus court chemin vérifie le principe d’optimalité

Exercice : Le principe d'optimalité s'applique-t-il au problème du plus long chemin simple entre deux villes ? Un chemin simple va directement de ville en ville sans passer deux fois par la même ville (sans cycle).


Exemple 2 : Multiplication chaînée de matrices

M = M1M2...Mn

Comme la multiplication matricielle est associative

M = (...((M1M2)M3) ... )Mn

= M1(M2(M3(... (Mn-1Mn) ...)))

= ((M1M2)(M3M4) ... )

= ...

Le choix d'une méthode peut influencer sur le temps de calcul.

Exercice : Montrer que le calcul de AB, où A est d'ordre pxq et B est d'ordre qxr, par la méthode directe nécessite pqr multiplications de nombres scalaires.


Exemple 2 : Application

Exemple :Soient quatre matrices A, B, C et D d'ordre (13x5), (5x89), (89,3) et (3, 34) respectivement.

Il y a cinq manières différentes de calculer ABCD :

((AB)C)D qui nécessite 10582 multiplications

(AB)(CD) " " 54201 "

(A(BC))D " " 2856 "

A((BC)D) " " 4055 "

A(B(CD)) " " 26418 "

La méthode la plus efficace est 9,5 fois plus rapide que la plus lente


Exemple 2 : Nombre de Catalan

Soit T(n) : nombre de manières différentes d'insérer des parenthèses dans M

M = (M1M2...Mi) (Mi+1 .. Mn)

Nous avons T(i) manières de mettre les parenthèses dans la partie gauche de Mi et T(n-i) manières de mettre les parenthèses dans la partie droite. Par conséquent

T(n) = S1≤i≤n-1 T(i) T(n-i)

et T(1) = 1

T(n) s'appelle nombre de Catalan.

Exercice :Montrer que T(n) = 1/n

T(n)

1

2

3

4

5

1

2

10

5

14

2

4862

n

)( 2n – 1n – 1


Exemple 2 : Algorithme de programmation dynamique

Soit mij (1 ≤ i ≤ j ≤ n) la solution optimale pour la partie Mi...Mj du produit M.

La solution du problème est m1n.

Supposons que la dimension de Mi est di-1 x di pour i = 1,2,..,n.

Construisons la table mij diagonale par diagonale : la diagonale s contient l'élément mj tel que j-i = s.

Cas 1 : s = 0 ⇒ mij = 0, i = 1,2,..,n

Cas 2 : s = 1 ⇒ mi,i+1 = di-1 di di+1 , i = 1,2,..,n-1

Cas 3 : 1 < s < n ⇒ mi,i+s = min i ≤ k ≤ i+s-1 (mik + mk+1,i+s + di-1dkdi+s)

Le troisième cas représente le fait que pour calculer (Mi Mi+1...Mi+s) on essaye toutes les possibilités(Mi...Mk)(Mk+1...Mi+s) pour en choisir la meilleure.



Reprenons l'exemple précédent : d = (13,5,89,3,34)

s = 1 : m12 = 5785, m23 = 1335 et m34 = 9078

s = 2 : m13 = min(m11 + m23 + d0d2d3 , m12 + m33 + d0d2d3) = min(1530 , 9256) = 1530

m24 = min(m22 + m34 + d1d2d4 , m23 + m44 + d1d3d4) = min(24208 , 1845) = 1845

s = 3 : m14 = min(m11+ m24+ d0d1d4 , m12+ m34+ d0d2d4 , m13+ m44 + d0d3d4)

= min(4055 , 54201 , 2856) = 2856

j=1 j=2 j=3 j=4

i=1 0 5785 1530 2856

i=1 0 1335 1845

i=3 0 9078

i=4 0


Exercices

Exercice 1 :Ecrire l'algorithme qui calcule m1n. Comment peut-on modifier l'algorithme si l'on veut savoir comment calculer M de façon optimale ?

Exercice 2: Montrer que l’algorithme ∈ θ(n3).


Exemple 3 : Plus courts cheminsSoit G = (N,A) un graphe orienté où N = {1,2,..,n}. Soit L une matrice qui donne la longueur de chaque arc. Trouvons le plus court chemin entre chaque paire de sommets.

Le principe de l'optimalité s'applique car si k est un sommet intermédiaire sur le plus court chemin entre i et j alors la portion du trajet de i à k ainsi que celle de k à j doivent aussi être optimales. A l'itération k on trouve un chemin qui ne passe que par {1,2,..,k}.

Dk[i,j] = min(Dk-1[i,j], Dk-1[i,k] + Dk-1[k,j])

ProcédureFloyd (L[1 .. n,1 .. n]) : tableau [1 .. n,1 .. n]D ← Lpour k = 1 à h faire

pour i = 1 à n fairepour j = 1 à n faire

D[i,j] ← min(D[i,j] , D[i,k] + D[k,j])retourner D

Exercice :Montrer que t(n) ∈ O(n3)



D0 = L = et D4 =

1

2 3

415

15

5

30

5 50 5 15

0 5 15 1020 0 10 5 30 35 0 1515 20 5 0

0 5 ∞ ∞50 0 15 5 30 ∞ 0 1515 ∞ 5 0


Chapitre 6 : Transformation du domaine

Soit f : Dt → D une fonction à calculer.

Une transformation consiste en :

- domaine R

- injection F : D → R

- fonction g : Rt → R

tel que : f = F-1 o g o F

Contenu

Multiplication symbolique de deux polynômes

Transformée de Fourrier

Transformée de Fourier inverse

D D

R R

t f

g t

Φ Φ − 1


Exemples de transformation du domaine

Produit de deux nombres positifs

D = ℜ+*, f(u,v) = u*v , R = ℜ et F (u)= ln u et g(x,y) = x+y

Addition en représentation romaine (XVI + CIV)

Changement de coordonnées (cartésiennes/ polaires)

Calcul dans un ordinateur (E/S en décimal et calcul en binaire)

Calcul différentiel (transformée de Laplace).

(u,v) u*v

(ln u,ln v) ln u + ln v

f

g

lne


Multiplication symbolique des polynômes

Soient p(x) = ad-1xd-1 + ad-2x

d-2 + … + a0 et q(x) = bd-1xd-1 + bd-2 x

d-2+ … + b0

On veut calculer r(x) = p(x) q(x)

algorithme classique

∈ O(d2) en comptant les opérations scalaires comme élémentaires.

Transformation du domaine

f : multiplication symbolique

Φ : évaluation en 2d - 1 points ∈ O(d2)

g : multiplication ponctuelle)

F-1 : interpolation

p ( x ) ,q ( x ) r ( x )

p ( x i ) ,q ( x i ) i = 0 ,1 , . . . , 2 d - 2

f

g Φ Φ − 1

r ( x i ) = p ( x i ) q ( x i ) i = 0 ,1 , . . . , 2 d - 2


Exemple de la multiplication de deux polynômes

p(x) = 2x - 1 et q(x) = x - 1

r(x) = p(x)q(x) = (2x – 1)(x – 1) = 2x2 – 3x + 1

p et q peuvent être représentées à l'aide de leur coefficients ou en 2 valeurs

p = (-1,1) et q = (-1,0) ⇒ r = pq = (1,0)

r(x) n’est pas complètement défini

r est de degré 2 ⇒ il doit être défini de façon unique à l'aide de 3 valeurs

p = (-1,1,3) et q = (-1,0,1) ⇒ r = pq = (1,0,3)

par la méthode de Lagrange (ou résolution d’un système linéaire ou ) on trouve :

r (x) = 2x2 – 3x + 1


Transformée de Fourier (discrète)Applications (optique, acoustique, télécommunications, traitement du signal)

Soient n = 2k , k > 0,

w / wn = 1 (racine de l’unité)

Exemples

w = 4, n = 8 et le calcul se fait modulo 257

w = (1+i) /√2, n = 8 et le calcul est en arithmétique complexe

Définition

Soit a = (a0,a1, .. ,an-1) vecteur qui définit pa(x) = an-1xn-1 + .. + a0

Transformée de Fourier de a relativement à w est :

Fw(a) = (pa(1), pa(w),..., pa(wn-1))

Exercice

Calculer Fi(a) et Fi(a) avec a=(1,-1,-5,3) et b=(-2,6,-4,1)


Algorithme pour la Transformée de Fourrier

Supposons n > 1 et posons t = n/2

Soient b = (a0,a2,...,an-2) et c = (a1,a3,...,an-1) tels que :

pa(x) = pb(x2) + x pc(x

2).

En particulier :

pa(wi) = pb(b

i) + wi pc(bi) où b = w2

bt = 1 ⇒ on peut de parler de Fb(b) et Fb(c)

De plus

bt+i= bi ⇒ pa(wt+i) = pb(b

i) + wt+i pc(bi)

comme nous allons voir que wt = -1

⇒ pa(wt+i) = pb(b

i) - wi pc(bi)


Algorithme FFTfonction FFT (a[0...n-1] , w) : tableau [0...n-1]

tableauA[0...n-1] {pour recevoir le résultat}si n=1 alors A[0]


Trace de FFT

a = (1,-1,-5,3), w=iFFT(a,i)

t=2, b = (1,-5) et c = (-1,3)B=FFT(1,5)

t=1, b=(1) et c=(-5)B=FFT(b,1)=(1)C=FFT(c,1)=(-5)A=(-4,6)

C=FFT(c,-1)t=1, b=(-1) et c=(3)B=FFT(b,1)=(-1)C=FFT(c,1)=(3)A=(2,-4)

A=(-2, 6-4i, -6, 6+4i)


Transformée de Fourrier inverse

Définition : le nombre w est appelé une n-ième racine principale de l'unité si :

i) w ≠ 1 (sauf si n=1)ii) wn = 1iii) S1≤j≤n-1 w

jp = 0 pour 1 ≤ p < n

Remarques :

l'inverse de w est wn-1

si p = n/2, la deuxième condition implique :

S1≤j≤n-1 wjn/2 = n/2(1 + wn/2) = 0 ⇒ wn/2 = -1.

Exercice :• Montrer que w-1 est une n-ième racine principale de l'unité.• Soient n et w des puissances positives de 2 et soit m = wn/2 + 1. Prouver que w est une n-ième racine principale de l'unité dans l'arithmétique modulo m. Prouver que n-1 existe, en montrant que n-1 = m - (m-1)/n.


Transformée de Fourrier inverse

Théorème :Soient A la matrice n x m / A = (aij) et aij = wij. Comme w est une n-ième racine principale de l'unité et n-1 existe alors A est inversible, son inverse étant la matrice B / B = (bij) et bij = n-1 w

-ij et AB = In où In est la matrice identité.

Une autre formulation de la définition de la transformée de Fourier est :

Fw(a) = a A

Exercice :

Définir A et B pour n = 4.

Corollaire : 0 ≤ i < j < n ⇒ wi ≠ wj.

Cette propriété est essentielle à l'interpolation du polynôme produit


Algorithme FTT inverse

La transformée de Fourier inverse de a relativement à w est :

F-1w(a) = (n-1pa(1) , n

-1pa(w-1) ,...n-1, n-1pa(w

-(n-1))

= n-1 Fw-1(a) = n-1 Fwn-1(a).

Exercice 4 :Montrer que F-1w(Fw(a)) = a pour tout vecteur a

fonction FFTinverse (a[0 .. n-1] , w) : tableau[0 .. n-1]tableauF[0 .. n-1]F


Application à la multiplication symbolique des polynômes

Soient p(x) = as-1xs-1 +...+ a0 et q(x) = bt-1 xt-1 +...+ b0

On veut calculer r(x) = p(x)q(x) de degré d = s + t.

Soient n la plus petite puissance de 2 ≥ d et w une n-ième racine principale de l'unité.

Soient a et b tels que a = (a0,a1,..., as-1,0,...,0) et b = (b0,b1,..., bt-1,0,0,...,0).

Soient A = Fw(a) et B = Fw(b)

A i = p(wi) et Bi = q(w

i) , i = 0,1,...,n-1.

Soit C tel que Ci = AiBi = p(wi)q(wi) = r(wi).

⇒ C = Fw(c) correspond aux coefficients de r

D’où

La multiplication symbolique des polynômes ∈ O(d log d)


Trace de l’exemple

p(x) = 3x3 - 5x2 - x + 1 et q(x) = x3 - 4x2 + 6x – 2

On choisit n=8 et on sait que w=4 est une racine principale de l'unité dans l‘arithmétique modulo 257.

Soit a = (1,-1,-5,3,0,0,0,0), b = (-2,6,-4,1,0,0,0,0).

Fw(a) = (255,109,199,29,251,247,70,133)

et Fw(b) = (1,22,82,193,244,103,179,188).

Le produit point par point modulo 257 donne C = (255,85,127,200,78,255,194,75)

Comme F-1w(C) = (-2, 8, 0, -31, 37, -17, 3, 0).

alors :

r(x) = 3x6 - 17x5 + 37x4 - 31x3 + 8x - 2


Chapitre 7 : Algorithmes probabilistes

Caractéristiques

Hasard peut prendre certaines décisions

Différentes exécutions sur le même exemplaire peuvent produire des résultats différents

Conflit avec la définition d’un algorithme

Contenu

Ali Baba et les 40 voleurs

Calcul de ΠIntégration numérique

Test de primalité

Algorithmes génétiques


Exemple 1 : Ali Baba et les 40 voleurs

Hypothèses

Valeur du trésor est T

les voleurs prélèvent chaque nuit un montant x

Une fois sur place Ali Baba peut reconnaître le trésor

4 jours de calcul pour déterminer le lieu exact

Indication de Jouha moyennant 3x

Solutions

S1 = T – (4 + 5)x = T – 9 x

S2 = T – (3 + 5)x = T – 8 x

S3 = T - 5x

=T - 10 x ⇒ espérance = (T - 5 x)/2 + (T – 10 x)/2 = T – 7,5 x

5 jours

5 jours

5 jours

Trésor ?Trésor?

Ali Baba


Exemple 2 : Calcul de Π

k : nombre des points à l’intérieur du cerclen : nombre total de points

S1 = Πr2 : surface du cercle S2 = (2r)

2 = 4 r2 : sUrface du carréS1/S2 = Πr2/4r2 = Π/4 ⇒ Π = 4 S1/S2 ≈ 4 k/n

fonction Π (n)k ← 0pour i = 1 à n faire

x ← uniforme(0,1)y ← uniforme(0,1)

si (x2 + y2


Exemple 3 : Intégration numérique

Soit f : [0,1] � [0,1] continue

Calculons l’intégrale f(x) entre 0 et 1

fonction intégration1(f,n)

k ← 0pour i = 1 à n faire

x ← uniforme(O,1)y ← uniforme(0,1)

si y ≤ f(x) alors k ← k + 1retourner k/n


Exemple 3 : Intégration numérique

fonction intégration2(f,n)

somme ← 0pour i = 1 à n faire

x ← uniforme(O,1)somme ← somme + f(x)

retourner somme/n

Remarque

Algorithme1 et 2 sont intéressants car les algorithmes systématiques ne donnent que des valeurs approximatives


Exemple 4 : Test de primalité

fonction premier(n)

d ← uniforme(2, √n)retourner d

Remarques

• Cas favorable : n =1 x 2 x 3 x … x (n-1) = n!

• Pire cas : n non premier mais est le produit de deux nombres premiers

• n = 2623 = 43x61 ⇒ fiabilité = 2%• Plusieurs tests permettent d’augmenter la fiabilité

• Il existe d’autres moyens qui donnent des tests plus précis


Exemple 5 : Algorithmes génétiques

� analogies avec les phénomènes biologiques (sélection naturelle de Charles Darwin)

� vocabulaire : individus (solutions potentielles), population, gènes (variables), chromosomes, parents, descendants, de reproduction, de croisement, de mutations, etc.


Chapitre 8 : Pré-conditionnement

I : ensemble des exemplaires

J, K ⊂ I tel que i ∈ I, i= i’ est la solution de i

Algorithme A Algorithme Bjj

k

i’

Exemples

Réalisation d’une application = Compilation + exécution

Recherche dans un ensemble = Construction du tas + recherche binaire en O(log n)

Evaluation répétée d’un polynôme = forme pré-conditionnée + évaluation


Evaluation répétée d’un polynôme

J : ensemble des polynômes à une variable de degré nK : ensemble des valeurs que la variable peut prendre

HypothèsesCoefficient entiersÉvaluation pour des valeurs entièresPolynôme unitairesn = 2k – 1Comptage du nombre de multiplications

P(x) = x7 – 5x6 + 4x5 +- 13x4 + 3x3 – 10 x2 + 5 x –17= (x4 + 2)[(x2 + 3)(x – 5) + (x + 2)] + [(x2 –2 – 4)x + (x + 9)]⇒ 5 multiplications et 9 additions


Méthode de pré-conditionnement

Soit p(x) un polynôme unitaire de degré 2k – 1p’(x) = (x2

k-1+ a)(q(x) + r(x))

avec a une constante et q et r deux polynômes unitaires de degré 2k-1 -1la même procédure est appliquée récursivement à q et rp’ appelée est la forme pré-conditionnée de p

Exercice : trouver p’ pour x7 + 2x6 – 5x4 + 2x3 – 6x2 + 6x – 32 et x7

Soit M(k) : nombre de multiplications pour évaluer p(x) M’(k) = M(k) – k + 1 Si on ne compte pas les multiplications pour x2, x4, …, x2

k-1

M’(k) = 0 si k = 0= 2 M’(k – 1) + 1 si k ≥ 2

⇒ M’(k) = 2k – 1 – 1 ⇒ M(k) = 2k – 1 + k – 2

D’où il suffit de faire : (n-3)/2 + log(n + 1) multiplications


Méthodes d’évaluation d’un polynôme

(n – 3)/2 + log(n + 1)5Pré-conditionnement

n – 16Horner

2n – 212Dynamique

n(n + 1)/2 - 127Directe

En généralNombre de multiplications pour p

Méthode

Tranparents - École Mohammadia d'ingénieurs · Algorithmique et complexité de calcul, M....

Documents

Transcript of Tranparents - École Mohammadia d'ingénieurs · Algorithmique et complexité de calcul, M....