Références Bibliographiques

1. Références Bibliographiques • 1. Th. Cormen, Ch. Leiserson, R. Rivest, • « Introduction à l’algorithmique », DUNOD, Paris, 1994, (2002) • 2. Ch. Froidevaux, M.-C. Gaudel et M. Soria Types de données et algorithmes, McGraw-Hill, Collection Informatique,1990 • 3. A. Aho, J. Ulman, « Concepts fondamentaux de l’informatique », DUNOD, 1996 • 4. M. Quercia, « Algorithmique », Vuibert , 2002

2. Sommaire • Chapitre I. Algorithmes et Algorithmique. Notions de base • Chapitre II.Rappelsmathématiques et complexité • Chapitre III. Algorithmique élémentaire des tableaux (recherche, tri) • Chapitre IV. Structures linéaires (piles, files, listes chaînées) • Chapitre V. Tables de hachage • Chapitre VI. Arbres (définition, parcours, représentation)Chapitre VII. Tri • Chapitre VIII. Introduction aux graphes

3. Chapitre I. Algorithmes et Algorithmique. Notions de base • Notion de l’Algorithme • Expression des algorithmes • Types d’algorithmes (récursifs, itératifs) • Critères d’évaluation des algorithmes • 5. Complexité

4. Notion de l’Algorithme • Algorithme est une notion connue depuis l’antiquité • Babyloniens, 1800 avant J.C. • Euclide , III siècle de n.è. « algorithme de la division entière » • Terme « Algorithme » - vient du nom d’un mathématicien perse « al-Khowa-rismi » • La notion est très liée à l’idée de machine capable d’exécuter des opérations mathématiques élémentaires. • Machine de Babbage(1833), Ada Lovelace (Byron) (1840) • Vers 1930 machine abstraite de Turing.

5. Machine de Von Neumann(1945) Mémoire Programme UAL UContrôle Accumulateur Entrées Sorties

6. Définition • Un algorithme décrit un traitement sur un certain nombre fini de données (éventuellement aucune). • Un algorithme est la composition d’un ensemble fini d’étapes, chaque étape étant formée d’un nombre fini d’opérations dont chacune est : • définie de façon rigoureuse et non ambiguë; • effective, c’est à dire pouvant être effectivement réalisée par une machine. • Quelle que soit la donnée sur la quelle il travaille, un algorithme doit toujours se terminer après un nombre fini d’opérations et fournir un résultat [1]. • Algorithmes « déterministes » vs « stochastiques »

7. Expression des algorithmes • Pseudo-code Exalgo : langage proche au Pascal, C++, …permet d’écriture logique • Exemple :

8. Pseudo-Code Structure d’un programme : • Partie déclarative : types, variables, constantes Exemples : Type Enregistrement : entier a; caractère c; Fin Enregistrement; // Var a,b : réelles; Const entier c; • Partie « exécutable » : instructions • Parenthèses opératoires « Début », « Fin MonProgramme » • « Début » et « Fin » pour des blocs d’instructions

9. Type pointeur • Si T est un type quelconque, alors ^T représente un pointeur sur le type T • Type1 = Enregistrement a : entier; suivant : ^Type1; Fin Enregistrement; 12 16 28

10. Structures de contrôle (1) (1) Séquence d’instructions: a := 12; b := 21; c := a+b; (2) Alternative : Si condition alors exemple : max(a,b) (A) sinon (B) Fin-Si

11. Structures de contrôle (2) • Répétition: Tant que, Pour, Répéter jusqu’à • Exemple : calcul de f(x)=x2 sur [a;b] en a, a+∆, a+2∆,… • (1) Tant que a<b faire • f= a*a; afficher f ; a:=a+delta; • FinTq • (2) n:=(b-a) div delta • Pour i allant de 1 à n par pas 1 faire • f= a*a; afficher f ; a:=a+delta; • FinPour

12. Strucutres de contrôle (3) • Repeter • //traitement • c:=lire_un_caractère(); • afficher_un_caractère(c); • Jusqu’à c =‘!’ //condition d’arrêt

13. Spécification des algorithmes • La spécification d’un algorithme décrit ce que l’algorithme fait, sans détailler comment. • Il est important d’indiquer les entrées et les sorties

14. Exemple • On considère le problème de recherche suivant : • Entrée : Une séquence de n Nombres A={a1, a2, …, an} et une valeur v. • Sortie : Un indice i tel que v=A[i], ou la valeur spéciale NIL si v n’appartient pas à A.

15. Procédures et fonctions • Le pseudo-code admet trois formes de représentation d’un algorithme • programme • procédure • fonction • A proprement parler, les 3 peuvent être exprimés à l’aide des deux derniers. • (Remarquons que ce n’est pas le cas des langages de programmation moderne tel le C++ où tout algorithme peut être exprimé sous forme d’une fonction) • Néanmoins nous allons garder cette partition en « fonction » et « procédure ».

16. Procédure vs fonction • Procédure Division_Euclidéenne(val a,b:entiers, réf p,q:entiers); • Fonction PGCD(val a,b:entiers):entier; • Une procédure est nécessaire quand il s’agit de modifier la valeur de plusieurs variables de sortie • Une fonction renvoie toujours un résultat (qui peut être représenté sous forme d’un ensemble, d’un vecteur, … d’une collection d’objets)

17. Passage par valeur ou par référence? • Passage par valeur : les valeurs d’appel restent inchangées quelles que soient opérations effectuées sur les variables à l’intérieur de la procédure/fonction • Passage par référence : c’est l’adresse d’emplacement dans la mémoire de la machine abstraite • Exemple : Procédure qui additionne et soustrait deux nombres Procédure AddSous(val a,b:entier, réf somme, reste : entiers) Ou Procédure AddSous(réf a,b : entiers)

18. Types d’algorithmes (récursifs, itératifs) • L’expression des algorithmes sous forme récursive permet des descriptions concises qui se prêtent bien à des démonstrations par récurrence. • Le principe de récursivité : utiliser pour décrire l’algorithme sur une donnée d, l’algorithme lui-même appliqué à un sous-ensemble de d ou à une donnée d’ plus petite. • Pour un algorithme récursif on définit : • relation de récurrence ; • base de récursivité ; • domaine de récursivité (rejoint le domaine de validité)

19. Algorithmes récursifs (1) • Exemple 1. Factorielle • Def. • Relation de récurrence : • Base : • Domaine : N

20. Algorithmes récursifs (2)

21. Algorithmes récursifs (3) Exemple 2 : pgcd On utilise la propriété suivante pour tout a>=0 et b>0 pgcd(a,b) = pgcd(b, a mod b); A. Version récursive 1. Relation de récurrence pgcd(a,b)=pgcd(b, a mod b); 2. Base de récursivité a mod b =0=>pgcd=b 3. Domaine a>=0, b>0.

22. Algorithmes récursifs (4) Fonction pgcd(val a,b : entiers):entier Var r : entier; Début /* a est supposé supérieur ou égal à b*/ r:= a mod b; Si r=0 alors retourner b; sinon retourner pgcd(b,r); /* b est supéieur à r*/ FinSi Fin pgcd

23. Algorithmes récursifs (5) Exemple 2 : pgcd B) Version itérative Fonction pgcd(val a,b : entiers):entier Var r : entier; Debut r:= a-(a/b)*b /* rappel du modulo*/ Tant que r!=0 faire a:=b; b:=r; r:= a-(a/b)*b; FinTq retourner b; Fin pgcd

24. Critères d’évaluation des algorithmes • Terminaison • Validité • Lisibilité • Complexité

25. 5. Complexité L’objet de l’analyse de la complexité d’un algorithme est de quantifier les deux grandeurs physiques « temps d’exécution » et « place mémoire » dans le but de comparer entre eux différents algorithmes qui résolvent le même problème. Complexité en temps : le nombre d’opérations effectuées par le programme et le temps d’exécution Complexité en espace : le nombre d’instructions et le nombre de données du programme avec le nombre de mots mémoire nécessaires pour stocker chacune d’entre elles, ainsi que le nombre de mots mémoire supplémentaires pour la manipulation des données. Le but de l’analyse de la complexité des algorithmes est d’établir des résultats généraux, permettant d’estimer l’efficacité intrinsèque de la méthode utilisée par un algorithme, indépendamment de la machine, du langage de programmation, du compilateur et de tous les détails d’implémentation.

26. Complexité en temps • Mesure de complexité : nombre d’opérations fondamentales • Exemples : • recherche séquentielle dans une liste – OF est celle de comparaison; • calcul de la somme de n nombres – OF est celle d’addition; • multiplication des matrices – OF sont l’addition et la multiplication Etc…

27. Calcul de complexité (1) • Dénotons C(X) le nombre d’opérations fondamentales de la construction X • Lorsque les opérations sont dans une séquence d’instructions, leur nombres s’ajoutent (ex. incrémenter n variables) • Pour les branchements conditionnels C(Si Cond alors I1 sinon I2)< C(Cond)+max(C(I1),C(I2)) – majoration • Pour les boucles, le nombre d’opérations dans la boucle est Avec n – le nombre d’itérations dans la boucle, C(i) – le nombre d’opérations fondamentales à chaque itération

28. Calcul de complexité (2) • Pour les appels des procédures ou fonctions : s’il n’y a pas d’appels récursifs, on peut toujours trouver une façon d’ordonner les procédures et fonctions de telle sorte que chacune d’entre elles n’appelle que des procédures et des fonctions dont le nombre d’opérations fondamentales a déjà été évalué. • Appels récursifs : résolution de la relation de récurrence • Exemple (factorielle) Fonction Fact(val n: entier):entier Var fct : entier; Debut Si n=0 alors fct := 1; sinon fct := n*Fact(n-1); FinSi retourner fct; Fin Fact • Dénotons T(n) le nombre des opérations fondamentales (multiplications). T(0)=0, T(n)=T(n-1)+1, T(n)=T(n-2)+1+1, … T(n)=T(0) + 1+1+….=n • Ordre de grandeur, récurrences => bases mathématiques.

29. Complexité : du meilleur au pire (1) • Exemple : algorithme de recherche séquentielle dans un tableau. Son temps d’exécution dépend de la donnée sur laquelle il opère. • On peut définir plusieurs quantités pour caractériser le comportement d’un algorithme sur l’ensemble Dn des données de taille n. • Notons coûtA(d) la complexité en temps de l’algorithme A sur la donnée d (de taille n). A) La complexité dans le meilleur des cas B) La complexité dans le pire des cas C) La complexité en moyenne

30. Complexité : du meilleur au pire (2) • Relations entre les complexités • Si le comportement de l’algorithme ne dépend que de la taille des données, alors les trois sont égales. • Un exemple : Algorithme de la recherche séquentielle d’un élément dans un tableau non-ordonné. Le résultat est l’indice de l’élément ou 0 Var L: tableau[1…n] des entiers X: entier J: entier Début j:=1 TQ (j<=n et L[j]!=X) faire j:=j+1; FTQ Si j>n alors j:=0 Fsi

31. Complexité : du meilleur au pire (3) • Analyse de la complexité • Opération fondamentale : comparaison • Solution : dénotons q la probabilité que X se trouve dans le tableau. Supposons que toutes les places sont équiprobables p(i)=1/n • Ainsi la probabilité que X se trouve dans le tableau en i-ème place est p(Dn,i)=qxp(i)=q/n • La probabilité que X ne se trouve pas dans le tableau est : p(Dn,i)=1-q

32. Comparaisons de complexités • Comparer sur un ensemble des données très grand; • « Ordre de grandeur », « Comportement asymptotique »