diviser et conquérir - Université de Genève

G. Falquet, CUI, Université de Genève 1 de 22
Algorithmique
Mauvaise nouvelle : il n’existe pas d’algorithme pour trouver un algorithme
Mais, il existe des techniques de conception des algorithmes :
•diviser et conquérir
•la programmation dynamique
•les algorithmes récursifs et le retour arrière (backtracking)
•les algorithmes gloutons
G. Falquet, CUI, Université de Genève 2 de 22
Diviser et conquérir
Diviser un problème en sous-problèmes
Résoudre séparément les sous-problèmes
Combiner les solutions partielles
G. Falquet, CUI, Université de Genève 3 de 22
Exemple – MINIMAX
Trouver le plus petit et le plus grand élément d’un ensemble S de taille n = 2k.
Algorithme itératif :
MAX ← un élément quelconque y de S
MIN ← y
pour chaque élément x de S – {y} {
si (x > MAX) MAX ← x
si (x < MIN) MIN ← x
}
Complexité en temps :
2(n-1) comparaisons.
G. Falquet, CUI, Université de Genève 4 de 22
Approche “diviser et conquérir”
• diviser S en deux ensemb les S1 et S2 de même taille,
•chercher le min et le max dans S1 et S2,
•combiner les résultats en prenant le min des min et le max des max.
procédure MAXMIN(ensemble(T) S) retourne (T, T)
si (card(S)) = 2 et S = {x1, x2}
si (x1 < x2) retourne (x1, x2) sinon retourne (x2, x1)
sinon {
diviser S en S1 et S2 de même taille
(a1, b1) ← MAXMIN(S1)
(a2, b2) ← MAXMIN(S2)
retourne (min(a1, a2), max(b1, b2))
}

G. Falquet, CUI, Université de Genève 5 de 22
Complexité
Nombre de comparaison en fonction de la taille n de S
T(n) = 1 si n = 2
= 2T(n/2) + 2 si n > 2
Cette équation a pour solution la fonction
T: n → 3n/2 - 2
Algorithme est 25% meilleur que le précédent.
G. Falquet, CUI, Université de Genève 6 de 22
Exemple-2 : SOUS-SUITES MAXIMALES
Etant donné une suite de nombres positifs, nuls ou négatifs
S = <s1, s2, …, sn>
trouver i et j (i≤j) tels que si + si+1 +si+2 + … + sj soit la plus grande possible.
S = <1, -2, 5, -3, -1, 2, -1, 9, -8, 7, 1>
sous-suite max :
Algorithme exhaustif
essayer toutes les valeurs possibles de i et j,
donc n + (n-1) + (n-2) + … + 2 + 1 = (n (n+1))/2 sommes à calculer.
Chaque somme peut se calculer en une opération à partir de la somme précédente.
Donc effectuer (n (n+1))/2 additions et comparaisons.
G. Falquet, CUI, Université de Genève 7 de 22
Diviser
On divise S en deux parties S1 = <s1, …, sn/2> et S2 = <sn/2+1, …, sn>
Trois cas possibles
•la sous-suite max. se trouve entièrement dans S1;
•elle se trouve entièrement dans S2;
•elle commence dans S1 et finit dans S2.
Dans ce dernier cas les éléments sn/2 et sn/2+1 appartiennent à la sous-suite.
< s1 ……………………………sn >
G. Falquet, CUI, Université de Genève 8 de 22
Algorithme
procedure MAXSOM(a, b)
si (a = b) retourne s[a]
sinon {
d = (a+b)/2; max1 ← MAXSOM(a, d); max2 ← MAXSOM(d+1, b)
// la plus grande somme qui commence en S1 et finit à d
m1 ← s[d]; somme ← s[d];
pour i de d-1 à a {
somme ← somme + s[i]
si (somme > m1) m1 ← somme}
//. la plus grande somme qui commence en d+1 et finit dans S2
m2 ← s[d+1]; somme ← s[d+1];
pour i de d+1 à b {
somme ← somme + s[i]
si (somme > m2) m2 ← somme }
retourner max(max1, max2, m1+m2)

G. Falquet, CUI, Université de Genève 9 de 22
Complexité
Le nombre de sommes et comparaisons est
T(n) = 1 si n = 1
= 2T(n/2) + 2n si n>1
Calcul
T(2k) = 2T(2k-1) + 2k+1
= 2(2T(2k-2)+2k)+2k+1 = 22T(2k-2) + 2k+1 + 2k+1
= 22T(2T(2k-3)+2k-1) + 2k+1 + 2k+1 = 23T(2k-3)+2k+1 + 2k+1 + 2k+1
=…
= 2kT(1) + k(2k+1) = 2k + 2k2k = n + 2log(n) n ∈ O(n log n)
G. Falquet, CUI, Université de Genève 10 de 22
Equilibrage des partitions
Tri de n nombres par recherche du plus petit
•trouver le plus petit élément du tableau
•échanger le 1er avec le plus petit
•trier les n-1 éléments restants
Complexité O(n2)
1n – 1
G. Falquet, CUI, Université de Genève 11 de 22
Technique équilibrée : tri-fusion
Le tri-fusion est une méthode par division équilibrée
•tr ier les éléments de 0 à n/2-1
•tr ier les éléments de n/2 à n
•fusionner les deux parties triées dans un nouveau tableau
Temps d’exécution:
T(n) = 0 si n = 1
= 2T(n/2) + n si n>1
Complexité: O(n log n)
G. Falquet, CUI, Université de Genève 12 de 22
Programmation dynamique
Dans certains cas les algorithmes récursifs descendants sont inneficaces car ils
recalculent plusieurs fois la même chose.
Exemple. Etant donné une monnaie qui possède des pièces de valeur v1, v2, …, vk et
une somme s, quel est le nombre minimum de pièces pour obtenir cette somme ?
Un algorithme récursif descendant peut s’écrire comme
NMP(s) =
si s = 0 retourne 0
sinon retourne 1 + min{ NMP(s – vi) | 1 ≤ i ≤ k et s – vi ≥ 0 }

G. Falquet, CUI, Université de Genève 13 de 22
Exemple
s = 15 et v1 = 1, v2 = 2, v3 = 7, v4 = 10
NMP(15)
v1 --> NMP(14)
v1 --> NMP(13) …
v2 --> NMP(12) …
v3 --> NMP(7) …
v4 --> NMP(4) …
v2 --> NMP(13) -- déjà calculé une fois
v1 --> NMP(12) … déjà calculé une fois
v2 --> NMP(11) …
…
v3 --> NMP(8)
v1 --> NMP(7) -- déjà calculé…
v2 --> NMP(6)
Complexité exponentielle (ks/c)
G. Falquet, CUI, Université de Genève 14 de 22
Programmation dynamique
Idée : stocker les résultats partiels déjà obtenus.
Calcul “bottom-up”, on commence par calculer les résultats pour les cas les plus
simples :
NMP(0) = 0 -- cas trivial
NMP(1) = 1 + NMP(0) = 1
NMP(2) = 1 + min{NMP(1), NMP(0)} = 1
NMP(3) = 1 + min{NMP(2), NMP(1)} = 2
NMP(4) = 1 + min{NMP(3), NMP(2)} = 2
NMP(5) = 1 + min{NMP(4), NMP(3)} = 3
NMP(6) = 1 + min{NMP(5), NMP(4)} = 3
NMP(7) = 1 + min{NMP(6), NMP(5), NMP(0)} = 1
NMP(8) = 1 + min{NMP(7), NMP(6), NMP(1)} = 2
NMP(9) = 1 + min{NMP(8), NMP(7), NMP(2)} = 2
Complexité en temps : O(sk)
G. Falquet, CUI, Université de Genève 15 de 22
Retour arrière (backtracking)
Explorer "intelligemment un espace de solutions potentielles".
=> s’arrêter dès qu’il n’y a plus d’espoir
X
XX
OK
G. Falquet, CUI, Université de Genève 16 de 22
Exemple. Le problème des huit reines
Un échiquier de n × n cases
on veut disposer n reines sans qu’elles se menacent mutuellement.
conditions à satisfaire:
•deux reines ne peuvent se trouver sur la même ligne
•deux reines ne peuvent se trouver sur la même colonne
•deux reines ne peuvent se trouv er sur la même diagonale
Solutions partielles : 1 reine placée, 2 reines, 3 , …

G. Falquet, CUI, Université de Genève 17 de 22
Exemple
sur un échiquier 4 × 4:
X
X
G. Falquet, CUI, Université de Genève 18 de 22
Programmation
classe Solution
// variable mémorisant la solution (partielle) actuelle
Description_solution s
méthode essayer()
si (s est une solution complète) { afficher s }
sinon {
pour toute solution partielle s’ constructible à partir de s {
si (s’ peut éventuellement mener à
une solution correcte) {
memoS ← s; s ← s’; essayer();
s ← memoS
}
}
}
G. Falquet, CUI, Université de Genève 19 de 22
classe SolutionNReines
// mémorisation de la solution
int colonne[N] // ligne de chaque reine dans chaque colonne
// uniquement pour accélérer les tests
booléen rangee[N], diagonale1[2*N–1] , diagonale2[2*N–1]
essayer_colonne(j)
i ← N
tant que (i > 0) {
si (case_non_menacée(i, j)) {
placer_reine(i, j)
si (j>1) essayer_colonne(j–1)
sinon afficher_échiquier
enlever_reine(i, j)
}
}
G. Falquet, CUI, Université de Genève 20 de 22
placer_reine(i, j)
colonne[j] ← i; rangée[i] ← vrai;
diagonale1[i+j] ← vrai; diagonale2[N+i–j] ← vrai
}
case_non_menacée(i, j)
retourne non rangee[i] et non diagonale1[i+j]
et non diagonale2[N+i–j]
[]