La présentation est en train de télécharger. S'il vous plaît, attendez

La présentation est en train de télécharger. S'il vous plaît, attendez

Structures de données IFT-2000 Abder Alikacem Analyse d’algorithmes Semaine 1 Département d’informatique et de génie logiciel Édition Septembre 2009.

Présentations similaires


Présentation au sujet: "Structures de données IFT-2000 Abder Alikacem Analyse d’algorithmes Semaine 1 Département d’informatique et de génie logiciel Édition Septembre 2009."— Transcription de la présentation:

1 Structures de données IFT-2000 Abder Alikacem Analyse d’algorithmes Semaine 1 Département d’informatique et de génie logiciel Édition Septembre 2009

2 Plan  Introduction  Efficacité des algorithmes  Analyse algorithmique  Notation O (big-oh)  Instruction Baromètre  Comparaison entre les classes de complexité

3 Efficacité des algorithmes  Habituellement on mesure l’efficacité d’un algorithme par sa vitesse. • C’est-à-dire la durée que met l’algorithme à produire ses résultats.  On veut savoir combien de temps cela prend de résoudre une instance de taille n du problème P: • données(n) + Algorithme(P) ==> résultat(n). • temps mis ? (en microsecondes, cycles d’horloge, nombre d’instructions exécutées, etc..)  On prend en compte la taille n des données: •en bits, entiers, nombres d’enregistrements...  Parfois, on considère aussi la mémoire nécessaire.

4 Efficacité des algorithmes  Approche empirique: mesure de performances. • essayer l’algorithme sur différents jeux de données bien choisis.  Avantages: • résultats réalistes.  Inconvénients: • coûteux et long • dépend du processeur, de l’OS et de la charge • dépend de l’implémentation • pas toujours généralisable.

5 Efficacité des algorithmes  Approche algorithmique: • estimer le nombre de pas de l’algorithme en fonction de la taille des données. • On aura recours à l’analyse d’algorithmes, basée sur la branche des mathématiques qui s’appelle l’analyse fonctionnelle, pour déterminer ce nombre de pas de façon beaucoup plus fiable.  Avantages: • résultats généraux: on ne dépend pas du processeur, de l’OS ou de l’implémentation • Estimation rapide et peu coûteux • évite de se fourvoyer.  Inconvénients: • prédictions parfois approximatives.  Dans notre cours, on va s’intéresser à l’approche algorithmique pour la détermination de l’efficacité d’un algorithme. Relevez qu’on parle souvent de complexité d’un algorithme lorsqu’on s’intéresse à son efficacité.

6 Analyse algorithmique  Analyse détaillée : • Avantage :Très précise • Désavantage : Long à calculer  Solution: Analyse asymptotique du comportement de l’algorithme lorsque le(s) paramètre(s) de l’algorithme tendent vers l’infini: • Avantage: Parfois facile à calculer • Désavantage: Parfois moins précis  Mesure indépendante de l'implémentation :  Temps d'exécution d'un algorithme = fonction(taille du problème)

7 Notation O (big-oh)  On Cherche une fonction simple qui dépend de la taille n de l’instance en entrée dans un algorithme qui résout un problème donnée et qui décrit la borne supérieure de la complexité de l’algorithme.  Dans notre cours, on s’intéressera uniquement à cette notation et l’appliquer uniquement aux cas les plus simples. La théorie complète pour l’analyse d’algorithmes est le sujet d’un cours entier.  Pour déterminer la complexité d’un algorithme dans la notation O(), on doit d’abord identifier des opérations de base (instructions baromètres), puis trouver la fonction f(n) qui compte le combien de fois cette instruction baromètre est effectuée dans l’algorithme.  Nous verrons dans un exemple qui suit comment déduire la complexité d’un algorithme dans la notation O() à partir de la fonction f(n).

8 Opération baromètre  Une opération baromètre est une opération élémentaire qui, à une constante près, est effectuée au moins aussi souvent que n’importe quelle autre opération élémentaire de l’algorithme.  Il est généralement assez simple d’identifier une opération baromètre pour un algorithme car la nature du problème qu’il tente de résoudre nous suggère souvent l’opération contribuant le plus au temps d’exécution  Exemples: • Pour les algorithmes de tri (par comparaison), l’opération de base est la comparaison de deux valeurs (ou de deux clés) • Pour la multiplication de matrices, l’opération de base est la multiplication de deux nombres • Et plusieurs autres exemples à venir dans le cours …

9 Exemple void triSelection(int tab[MAXTAB], int n) { int PositionMin, temp, i, j; for (i = n-1; i > 0; i--) { PositionMin = i; for (j = 0; j < i; j++) { if (tab[j] < tab[PositionMin]) { PositionMin = j; } temp = tab[i]; tab[i] = tab[PositionMin]; tab[PositionMin] = temp; }

10 void triSelection(int tab[MAXTAB], int n) { int PositionMin, temp, i, j; for (i = n-1; i > 0; i--) { PositionMin = i; //b1 for (j = 0; j < i; j++) { if (tab[j] < tab[PositionMin]) { PositionMin = j; } temp = tab[i]; tab[i] = tab[PositionMin]; tab[PositionMin] = temp; } // i * a //b2 Possible baromètre Exemple

11 Exemple (suite) for (i = n-1; i>0; i--) { Coût b1 /* PositionMin = i */ Coût i*a; /* pour exécuter la boucle interne*/ Coût b2; /* pour l'échange de tab[i] et tab[PositionMin] */ }

12 Exemple (suite) b = b1 + b2

13 Comportement de la fonction f(n) = an 2 + bn + c quand n est très grand (n  ) a = , b = , c = 0.1 nf(n)an 2 % du n Exemple (suite)

14 Notation O(g(n)) (big-oh)  Pour un nombre n assez grand f(n)  an 2  Temps d'exécution de l’algorithme est donné par f(n) = an 2 + bn + c  g(n) = n 2  On dit que l'algorithme est en O(n 2 )

15 Notation O(g(n)) (big-oh)  L’analyse est donc simplifiée selon les règles suivantes: • Les constantes sont éliminées • Seul le monôme avec le degré le plus élevé est conservé  Exemple: f(n) = 3n 2 +5n+4 est en O(n 2 )

16 f(n)f(n) 1 log n n 2 n 2n2n Notation O(g(n)) (big-oh) Il y a différentes classes de fonctions qu’on peut exprimer dans la notation O() : O(1), O(n), O(n 2 ), O(n 3 ), O(log n), … n

17 Comparaison entres les classes O(1). Constant ou borné parfait. O(log(n)). Logarithmique excellent O(n). Linéairetrès bon O(n log(n) ) bon. O(n a ) polynomialacceptable O(a n )exponentiel inacceptable O(n!)factorielbeurk.

18 Exemple (suite) b = b1 + b2 L’algorithme est en O(n 2 )

19 Exemple (suite et fin) L’algorithme est en O(n 2 ) void triSelection(int tab[MAXTAB], int n) { int PositionMin, temp, i, j; for (i = n-1; i > 0; i--) { PositionMin = i; for (j = 0; j < i; j++) { if (tab[j] < tab[PositionMin]) { PositionMin = j; } temp = tab[i]; tab[i] = tab[PositionMin]; tab[PositionMin] = temp; } Le bon baromètre

20 int minimumOn2(int tableau[],int taille) { int i,j; for(i=0;i

21 Autres exemples sur les boucles  void f(int N) { int i; for(i=0;i

22 Autres exemples sur les boucles  void f(int N) { int i,j; for(i=0;i

23 Autres exemples sur les boucles  void f(int N) { int i; for(i=0;i<5340*n;i++) cout <<‘’Allo\n’’; } Puisque qu’il faut faire abstraction de toute constante multiplicative, cet algorithme est en O(n).  void f(int N) { int i; for(i=0;i

24 Annexe mathématique • Les séries simplifiées • Rappel sur les logarithmes • Règles de simplification dans la notation O() En plus, voir document RappelsMath.pdf sur le site Web du cours.

25 Analyse d’algorithmes 1- En choisissant l’opération d’affectation comme baromètre, déterminez la fonction f(n) qui exprime le temps de calcul pour l’algorithmes suivant. 2- Déduisez sa complexité dans la notation du O(). i  0 Tant Que i < n début i  i + 1 fin a)

26 Analyse d’algorithmes Mêmes questions pour l’algorithme suivant. i  1 Tant Que i < n début j  1 Tant que j < n début j  j + 1 fin i  i + 1 fin b)

27 Analyse d’algorithmes Mêmes questions.. i  1 Tant Que i < n début j  1 Tant Que j < i début j  j + 1 fin i  i +1 fin c)

28 Analyse d’algorithmes Mêmes questions pour l’algorithme suivant. s  0 i  1 Tant Que i ≤ n début s  s - 1 j  1 Tant Que j ≤ i début s  s + 2 j  j+1 fin i  i + 1 fin d)

29 Analyse d’algorithmes i  n Tant Que i > 0 début i  i/2 fin i  1 Tant Que i 0 début i  i - 2 fin e)

30 Analyse d’algorithmes Mêmes questions. i  1 Tant Que i ≤ n début j  1 Tant Que j < i début j  j*2 fin i  i+1 fin h) i  1 Tant Que i

31 Laboratoire de la semaine Soit a1, a2,..., an, une séquence d’entiers possiblement négatifs. On veut trouver le couple (i,j) tel que la somme des a k, k=i,..., j est maximale, avec 1≤ i ≤ j ≤ n a1a2a3a4...an-3an-2an-1an « Maximum Subsequence Sum Problem »

32 Laboratoire de la semaine Il s’agit d’évaluer en termes de notation asymptotique quelques solutions proposées à cette problématique. Il s’agit également de comparer le temps d’exécution de ces solutions pour, d’abord, confirmer la complexité de chacune d’elles et, ensuite, de constater l’énorme différence en temps de calcul qui peut exister entre une solution naïve et une solution plus élaborée. « Maximum Subsequence Sum Problem » Fichiers fournis • ModeleTranchesMax.h (définitions de types + inclusions de librairies C++ • TrancheMax.h (prototypes des fonctions à implanter) • Algorithmes.cpp (à compléter par l’implémentation des fonctions demandées) • Main.cpp (le programme principal: appel des fonctions implémentant les algorithmes proposés pour déterminer la tranche max dans un tableau d’entiers, mesure du temps d’exécution de chaque algorithme pour des fins de comparaison).

33 Laboratoire de la semaine Tous les fichiers fournis dans ce laboratoire ont été documentés avec les balises de Doxygen. Afin de vous familiariser avec, nous vous demandons de compiler tous les fichiers avec cet outil afin de générer la documentation attendue. Nous vous fournissions le fichier de configuration sdd.doxyfile pour cette fin. Vous trouverez un tutoriel pour utiliser Doxygen (avec le Doxywizard ou bien dans Eclipse si vous utilisez cet IDE) dans la section Travaux Examen/Travaux Pratiques/Doxygen sur le site Web du cours). Utilisation de Doxygen (génération de documentations automatisée)

34 L'interface... /** * \brief * * \pre * * \post * * \exception */ Implémentation... /** * \fn * * \param[in] * \param[out] * * \return Section Documentations/Normes de programmation: •Resume.h (à propos des commentaires Doxygen) Résumé des balises de Doxygen

35 Laboratoire de la semaine Éléments du C++ à découvrir lors de ce laboratoire • Les entrées/sorties • #include // Librairie pour les entrées/sorties • using namespace std; • ne jamais mettre cette instruction dans les fichiers.h • cin (stdin), cout (stdout), • > (scanf du C), endl (saut de ligne) • Les structs: différence entre le C et le C++ struct SousSequence { int debut; /*!< Indice de début de la sous-séquence dans Sequence*/ int fin; /*!< Indice de fin*/ int somme; /*!< La somme (max) de la sous-séquence*/ }; En C++, le typedef est inutile…

36 Laboratoire de la semaine Éléments du C++ à découvrir lors de ce laboratoire • Gestion des exceptions • #include • Le mécanisme try…catch..throw…(voir fichier Main.cpp) int main() {... try {... affiche(trancheMax3(seq, tailleSeq));... } catch (invalid_argument& ia) { cerr << "Invalid argument: " << ia.what() << endl; }... return 0; }

37 Laboratoire de la semaine Éléments du C++ à découvrir lors de ce laboratoire • Gestion des exceptions • Gestion des exceptions dans une fonction…(fichier Algorithmes.cpp) SousSequence trancheMax1(Sequence a, int taille) { … if (taille<=0) throw invalid_argument("TrancheMax1: argument invalide\n"); … } La classe invalid_argument fait partie de

38 Éléments du C++ à voir courant la semaine •Du C au C++ •Les entrées/sorties (important pour cette semaine) •L'espace de nommage •Les types vector et string Voir Section « C++ primer » dans le semainier sur le site Web


Télécharger ppt "Structures de données IFT-2000 Abder Alikacem Analyse d’algorithmes Semaine 1 Département d’informatique et de génie logiciel Édition Septembre 2009."

Présentations similaires


Annonces Google