UNIVERSITE ABDELHAMID IBN BADIS MOSTAGANEM

FACULTE DES SCIENCES EXACTES ET DE L’INFORMATIQUE

DEPARTEMENT DE MATHEMATIQUES ET INFORMATIQUE

Complexité des algorithmes

Cours 7 ASD

2018-2019
Analyse d’un algorithme
 L’analyse d’un algorithme permet de le juger sur la
base de plusieurs critères :
 Est-ce qu'il fait ce qu'on lui demande de faire ?
(correction)
 Est-ce qu’il le fait en un temps raisonnable
?(performance)
 Ou encore:
 Est-ce qu'il est muni d'une documentation expliquant
comment il fonctionne ?
 Est-ce que le code est lisible ?
 Étudier la complexité d'un algorithme fait partie
d'une démarche globale d'analyse et de mesure
des performances d'un algorithme.

2
Théorie de la complexité
 La théorie de la complexité (algorithmique) a pour
objectifs de :
 évaluer les performances des algorithmes
 classer les algorithmes selon leur efficacité
 comparer les algorithmes résolvant un problème donné
et de choisir le plus adéquat sans avoir besoin de les
implémenter

3
Analyse de la complexité
 L’analyse de la complexité revient à quantifier les
2 grandeurs physiques :

 temps d’exécution (critère temporel)

 Espace mémoire (critère spatial)

 Ces deux critères sont en relation directe avec

les performances d'un algorithme

4
Complexité d’un programme
 L'efficacité d'un algorithme peut être évaluée à
travers l’implémentation sur ordinateur d’un
programme correspondant.
 Le programme va s'exécuter en un temps fini et
va forcément mobiliser des ressources pendant
son exécution.
 Le complexité d'un programme est définie à
travers :
 la quantité de mémoire nécessaire à son exécution 
complexité spatiale
 la quantité de temps nécessaire pour son exécution du
début jusqu'à la fin  complexité temporelle

5
Inconvénients
 Les mesures de performances étant dépendantes :
 du processeur utilisé,
 des temps d'accès à la mémoire vive et au disque
dur,
 du langage de programmation,
 de la qualité du code produit par le compilateur
utilisé,
 etc.

 Ces mesures risquent de varier selon les puissances

des machines
 de plus, une telle démarche rendrait difficile la
comparaison des algorithmes entre eux.

6
Comment quantifier ?
 Une approche indépendante de la machine sur laquelle
s’exécute l’algorithme et de la traduction de
l’algorithme en langage exécutable par la machine est
nécessaire pour évaluer l'efficacité des algorithmes.

 Le but étant d’établir des résultats plus généraux

permettant:
 d’estimer l’efficacité intrinsèque de l’algorithme (sans avoir
besoin de l’implémenter au préalable).

 de comparer entre eux les algorithmes indépendamment de

la machine sur laquelle ils sont implémentés

7
 Détermination de la
complexité temporelle d’un
algorithme

8
Complexité temporelle
 On peut calculer la complexité selon les deux
paramètres "temps d'exécution" et "place
mémoire" pour comparer l'efficacité des
algorithmes
 Cependant la complexité temporelle est la plus
utilisé pour comparer les algorithmes, c’est pour
cela que nous allons nous intéresser dans ce cours
uniquement à la complexité temporelle.
 Dans la suite de ce cours, lorsqu’on parlera de
complexité, il s’agira de complexité temporelle.

9
Mesure de la complexité temporelle
 La mesure de la complexité temporelle ne peut pas
s'appuyer sur une unité de temps (par exemple la
milliseconde) car ce genre d'unité est étroitement
lié aux caractéristiques techniques de
l'ordinateur.
 En effet, il est important que l'unité utilisée
reflète la complexité de l'algorithme utilisé
indépendamment de la machine sur laquelle le
programme s'exécute
 il faut donc utiliser des unités de temps
abstraites
 Comment?

10
De quoi dépend la mesure de la complexité ?
 A priori, on peut distinguer 2 facteurs
déterminants pour le calcul de la complexité en
temps d’un algorithme :
1. Une ou plusieurs opérations élémentaires
pertinentes par rapport au problème, au sens où
le temps d’exécution d’un algorithme résolvant
ce problème est toujours proportionnel au
nombre de ces opérations. On les désignera par
opérations fondamentales.

2. La taille des entrées.

11
Taille des entrées
 En pratique, pour évaluer la taille des données
d’un algorithme on choisit la ou les dimensions
les plus significatives.
 Par exemple:
 dans le cas de la recherche dans un tableau ou
le tri d’un tableau : la taille est le nombre
d’éléments du tableau,
 dans le cas du produit de 2 matrices carrées :
la taille est la dimension de la matrice.

12
Détermination des opérations fondamentales
 La nature du problème fait que certaines
opérations sont fondamentales et que leur
nombre intervient principalement dans l’étude de
la complexité de l’algorithme.
 Exemple d’opérations fondamentales :
 Pour la recherche d’un élément e dans un tableau :
le nombre de comparaisons entre l’élément e et
les entrées du tableau;
 Pour le tri d’un tableau, on peut considérer 2
opérations fondamentales : le nombre de
comparaisons et le nombre de déplacements;
 Pour la multiplication de 2 matrices : le nombre de
multiplications et le nombre d’additions.

13
Calcul du nombre d’opérations fondamentales
 Après avoir déterminé les opérations fondamentales, il
faut compter le nombre d’opérations de chaque type.

 S’il existe plusieurs opérations fondamentales, il

faudra les décompter séparément.

 Précisons qu’il n’existe pas de système complet de

règles permettant de compter le nombre d’opérations
en fonction de la syntaxe des algorithmes. On peut
cependant citer quelques règles.

14
Règle 1 : nombre d’opérations d’une séquence
 Lorsque les opérations sont dans une séquence
d’instructions S, leur nombre s’ajoutent.

 Si on note par TS le nombre d’opérations de la

séquence S d’instructions Ij, on a :

TI1+I2+…+Im = TI1 + TI2 + … + TIm

15
Règle 2 : nombre d’opérations d’une alternative
 Comme il est difficile, voire impossible, de
déterminer la branche de l’alternative qui est
exécutée, la règle généralement adoptée consiste à
majorer le nombre d’opérations par le nombre
maximum d’opérations entre les 2 branches.

 Si A est une alternative de la forme :

if condition I1 else I2
Alors :
TA = Tcondition + max (TI1,TI2)
16
Règle 3 : nombre d’opérations d’une boucle
 Le nombre d’opérations dans la boucle est :
TI(i) avec,
 i : variable de contrôle de la boucle
 TI(i) : nombre d’opérations fondamentales
lors de l’exécution de la ième itération.
 Pour évaluer les bornes de i, il faut connaître
le nombre d’itérations.
 il doit être calculé à partir de l’algorithme. Ce
calcul peut s’avérer difficile. On se contente donc
d’un majorant.

17
Détermination de la complexité (1)
Nous allons analyser une fonction de recherche séquentielle
d’un double x dans un tableau v. Cette fonction renvoie le
rang i de x si xv et -1 si xv.
#define N 100
double v[N];

int recherche_Sequentielle (double x)

{
int i;
i = 0;
while ((i < N) && (v[i] != x))
i++;
if(i < N) return i;
return -1;
}
18
Exemple : Détermination de la complexité (2)
 Opération fondamentale: comparaison des
éléments du tableau à x
 Taille des données: N (le nombre d’éléments
contenus dans le tableau)
 Calcul de la complexité :
 la complexité de la fonction dépend du nombre
d'itérations.
 chaque itération comporte une seule comparaison mais
le nombre d'itération (ou de comparaison) n'est pas
connue à l'avance, il dépend de la position de «
x » dans le tableau.

19
Exemple : Détermination de la complexité (3)

 Le nombre d’itérations est égal à :

 N (taille du tableau) : si x n’est pas dans le tableau
 i : rang de la ière occurrence de x si x est dans le
tableau.
 Ce nombre peut donc être majoré par N qui
représente le nombre d'itération maximum.
 La complexité de la fonction est donc N
comparaisons entre deux valeurs de type "double"

20
Détermination de la complexité
 L’exemple d’analyse d’algorithme met en évidence
2 points essentiels :
1. Le choix du (ou des) l’opération(s) que l’on prend en
compte doit être établi avant toute analyse et précisé
dans le résultat.
2. La complexité dépend de la taille des données (ici N)
et, pour une taille fixée, des différentes entrées
possibles.
 Dans le cas de l’exemple, pour les données de
taille N, la complexité en nombre de comparaisons
varie de 1 à N selon les données x et v :
 Les données où x apparaît au rang i de v correspondent à
une complexité i,
 Celles où x n’apparaît pas dans v, correspondent à une
complexité N.

21