Algorithmique et complexité

Ces pages sont destinées à donner quelques principes simples permettant d'évaluer un programme.

I Notion de coût d'un programme

II Modèle

III En pratique

IV Simulation

L'exécution d'un programme a toujours un coût. Il existe deux paramètres essentiels pour mesurer ce coût :

• Le temps d'exécution : la complexité en temps.
• L'espace mémoire requis : la complexité en espace.

Lorsqu'on fait un programme, il faut donc

• évaluer les ressources nécessaires : place mémoire et temps d'exécution.
• évaluer le nombre d'opérations élémentaires pour avoir une idée du coût en temps. Ce qui compte comme opérations dépend du type de problème [cela peut être des opérations du type comparaison, des opérations d'accès au disque ou des opérations arithmétiques]. Elles n'ont pas forcément le même poids. Certaines peuvent être négligeables devant d'autres mais si on les exécute très souvent, il faut quand même en tenir compte.

Il faut ensuite trouver un compromis entre espace et temps.

Pour pouvoir évaluer ces coûts de manière théorique, on définit un modèle abstrait d'ordinateur et on évalue les coûts de ce modèle. Par exemple, dans le cas d'une RAM (Random Acces Machine), on se donne une suite infinie de cases dans lesquelles on peut stocker un entier arbitrairement grand et un programme, c'est-à-dire une suite finie d'instructions permises :

• arithmétique : , où est une des opérations addition, soustraction, multiplication, division d'entiers : ce type d'instruction calcule la valeur et la stocke dans ;
• branchement : Si alors i . Ici, i est l'indice d'une instruction, et une opération de comparaison.
• arrêt.

En pratique, il n'est pas vrai que la mémoire est illimitée. Les nombres stockés en mémoire sont limités. Et les opérations élémentaires n'ont pas toutes le même coût. On ne tient pas non plus compte des opérations qui, relativement aux autres, consomment peu de temps, telles que les tests, les affectations et les incrémentations.
Bien que très approximatif et ne tenant pas compte de la place mémoire, ce décompte du nombre d'opérations permet de comparer plusieurs algorithmes et correspond en général assez bien aux mesures que l'on peut faire dans une implémentation spécifique de l'algorithme.

La plupart des algorithmes que nous verrons dans la suite sont de type arithmétique et les données sont des entiers, des listes d'entiers.

III-1 Taille

III-2 Coût

III-3 Complexité

III-4 Notations de Landau

III-5 Coûts d'opérations simples

III-6 Diviser pour régner

III-7 Pratiquement, que faire ?

III-8 Exercices d'application

On mesure la taille des données de type entier comme leur nombre de chiffres en base 2 : Si les entiers qu'on considère sont de taille petite [par exemple si tous les entiers qu'on considère sont inférieurs à 10000], on pourra prendre T = 1 .

Exercice

On évalue le coût C(x) pour l'entrée x , le coût le pire pour n donné qui est le coût maximal de l'algorithme pour des entrées x de taille T(x) inférieure à n : D'autres coûts peuvent être introduits comme le coût espéré
Plus généralement, on peut se donner une distribution de probabilité Pr sur et évaluer

On emploie souvent le mot complexité à la place de coût. La complexité évalue la difficulté intrinsèque des problèmes : par exemple
Tout algorithme capable de traiter toutes les instances de taille a un coût minimal de T(N) dans le cas le pire.
L'algorithmique fournit des résultats positifs du type : L'algorithme Truc traite une instance de taille N en temps .

Dans ce qui suit, f et g sont des fonctions d'une variable x qui est soit un entier positif, soit un réel, g est une fonction positive pour x assez grand,

• f = O(g) signifie que pour une constante c et pour x assez grand.
• signifie que pour une constante c et pour x assez grand.
• signifie que pour des constantes c et d et pour x assez grand.
• f = o(g) signifie que tend vers 0 lorsque .
• signifie que tend vers 1 lorsque .

Exercice

Un algorithme est dit polynomial si son coût est au plus polynomial en la taille des entrées. D'autres termes sont utilisés : sous-linéaire, linéaire, quadratique, exponentielle ...

Exercice

Attention de bien définir quelle taille est adaptée au problème.

Soient a et b deux entiers, inférieurs ou égaux à n . Le nombre de bits dans la représentation binaire de n est Si les entiers sont représentés en base B , le nombre de chiffres est Tous deux sont en .
Une opération sur des entiers de taille "petite" [par exemple, ayant un chiffre en base B , on parle d'entiers simple précision] est appelée opération élémentaire.
La taille d'un entier est donc mesurée en général par lg(n) .

III-5-1 Opérations élémentaires

III-5-2 Coût de l'algorithme d'Euclide

III-5-3 Calcul modulaire modulo n

Le nombre d'opérations élémentaires pour des entiers grands (multi-précision) pour les quatre opérations de base nécessaires avec des algorithmes classiques (ceux que vous utilisez pour faire une opération à la main) est résumé dans le tableau suivant :

On a un problème avec une solution "simple" algosimple(x) pour des entrées x de taille petite. Pour x de taille grande, on le décompose en plus petites entrées x₁ , ..., x_r , de taille plus petite. Par exemple, on décompose le problème en deux avec des tailles moitié. On fait alors tourner le programme algo (x) sur ces entrées. Éventuellement, pour pouvoir décomposer le problème et le recomposer, on a d'autres petites choses à faire dont le coût est en f(x) .
Si le coût du programme est C(x) , on a donc pour x > T₁ ; C(x) pour x < T₁ est le coût de l'algorithme simple. Par exemple, si l'on a décomposé le problème en deux problèmes de taille moitié, pour x > T₁ , . Il reste à évaluer à partir de cette inégalité de récurrence quel est le coût. Pour cela on s'inspire du lemme suivant.

Lemme

Démonstration
Il existe des versions avec des relations du type où le comportement asymptotique de f est connu.
Dans les cas réels, la fonction C n'est pas définie sur , on ne la connait souvent bien que sur une classe d'entiers (par exemple dans le cas de dichotomie, sur les entiers de la forme 2^k ). On fait alors des hypothèses raisonnables sur la fonction de coût pour pouvoir appliquer ce lemme ou une variante (croissance, ...)

Exercice

• Choisir la fonction taille pour les entrées.
• Compter le nombre de boucles.
• Évaluer le coût des opérations à l'intérieur : est-ce une opération élémentaire, donc à coût en O(1) ?
• Dans le cas d'un branchement, évaluer le coût de la branche la plus coûteuse.

Voici deux exemples : Il y a ici au plus passages dans la boucle et à chaque fois une addition élémentaire est faite. La taille T d'un entier n étant , le coût de l'algorithme est en exp(O(T)) . On compte le nombre de passages dans la boucle, la comparaison étant considérée comme une opération élémentaire. Il y en a n - 1 = O(T) si la liste est de taille inférieure à T . Le coût est donc au plus linéaire en T .

Exercice

IV-1 Addition dans Pari/GP

IV-2 Addition dans Octave

IV-3 Multiplication dans Pari/GP

IV-4 Multiplication dans Octave

On fait 5000 additions de nombres dont la taille (longueur en base 2) est 3000 + 5000i pour i = 1 , 30 . Le calcul est fait avec le logiciel GP/Pari. Des droites de pentes diverses ont été tracées en vert ainsi que des paraboles en bleu pour donner des points de repère.

elapsed_time = toc ;
On fait 10000 additions de nombres dont la taille (longueur en base 2) est 30000 + 50000i pour i = 1 , 30 . Le calcul est fait avec le logiciel Octave Des droites de pentes diverses ont été tracées en vert ainsi que des paraboles en bleu pour donner des points de repère.

On fait 5000 multiplications de nombres dont la taille (logarithme en base 2) est 0 + 1000i pour i = 1 , 30 . Le calcul est fait avec le logiciel GP/Pari.
Les graphes tracés sont les courbes d'équation

• en vert,
• y = x en bleu,
• y = x^1.25 en noir,
• y = x² en violet.

Les échelles ne sont pas précisées intentionnellement car elles n'ont pas de signification ici.

On fait 3000 multiplications de nombres dont la taille (longueur en base 2) est 10000 + 5000i pour i = 1 , 30 . Le calcul est fait avec le logiciel Octave