Chap 4.

Diviser pour régner

Année universitaire :2017/2018

1 Diviser pour régner : Principe
• De nombreux algorithmes ont une structure récursive: pour résoudre un
problème donné, ils s’appellent eux-mêmes récursivement une ou
plusieurs fois sur des problèmes très similaires, mais de tailles moindres,
résolvent les sous problèmes de manière récursive puis combinent les
résultats pour trouver une solution au problème initial.

• Le paradigme « diviser pour régner » donne lieu à trois étapes à chaque

niveau de récursivité :
• Diviser le problème en un certain nombre de sous-problèmes ;
• Régner sur les sous-problèmes en les résolvant récursivement ou, si la
taille d’un sous-problème est assez réduite, le résoudre directement ;
• Combiner les solutions des sous-problèmes en une solution complète du
problème initial.
2
2 Exemple_1 : Recherche du maximum d’un
tableau
Maximum (x, left, right) problème

If ( left = right)
return left; Sous-problème1 Sous-problème2

Else
m= (left+right)/2 // division du problème en 2 sous-problèmes
k1 = maximum (x, left, m) // régner sur le 1er sous-problème
k2 = maximum (x, m+1, right) // régner sur le 2ème sous-problème
If(x (k1) > x (k2)) // combiner les solutions
Return k1
Else
Return k2
End_maximum
3
3 Eexemple_2 : multiplication naïve de
matrices
Nous nous intéressons ici à la multiplication de matrices carrées de taille n.
Algorithme naïf
- L’algorithme classique est le suivant :
 Soit n la taille des matrices carrés A et B
 Soit C une matrice carrée de taille n
Multiplier (A, B,C)
For i = 1 to n do
For j=1 to n do
C(i,j)=0
For k=1 to n do
C(i,j)= C(i,j) +A(i,k)*B(k,j)
End_Multiplier
Cet algorithme effectue O(n3) multiplications et autant d’additions.

4
3 Eexemple_2 : multiplication naïve de
matrices
Algorithme « diviser pour régner » naïf
• Dans la suite nous supposerons que n est une puissance de 2. Décomposons les matrices A, B et C
en sous-matrices de taille n/2 x n/2. L’équation C = AB peut alors se récrire :
r s  a b   e g
     *  
 t u   c d  f h 
• En développant cette équation, nous obtenons :
r = ae+bf ; s = ag+bh; t = ce+df et u = cg+dh:

• Chacune de ces quatre opérations correspond à :

 deux multiplications de matrices carrées de taille n/2  2T(n/2)
 et une addition de telles matrices  O(n2)

• A partir de ces équations on peut aisément dériver un algorithme « diviser pour régner » dont la
complexité est donnée par la récurrence :
T(n) = 8T(n/2)+O(n2)
5
4 Analyse des algorithmes «diviser pour
régner» (1)

• Lorsqu’un algorithme contient un appel récursif à lui-même, son

temps d’exécution peut souvent être décrit par une équation de
récurrence qui décrit le temps d’exécution global pour un problème
de taille n en fonction du temps d’exécution pour des entrées de taille
moindre.

6
4 Analyse des algorithmes «diviser pour
régner» (2)
• La récurrence définissant le temps d’exécution d’un algorithme « diviser pour régner » se
décompose suivant les trois étapes du paradigme de base :

1. Si la taille du problème est suffisamment réduite, n <= c pour une certaine constante c,
la résolution est directe et consomme un temps constant O(1).
2. Sinon, on divise le problème en a sous-problèmes chacun de taille 1/b de la taille du
problème initial. Le temps d’exécution total se décompose alors en trois parties :
- D(n) : le temps nécessaire à la division du problème en sous-problèmes.
- aT(n/b) : le temps de résolution des a sous-problèmes.
- C(n) : le temps nécessaire pour construire la solution finale à partir des solutions aux
sous-problèmes.
 (1) si n  c
• La relation de récurrence prend alors la forme : T ( n)  
aT (n / b)  D(n)  C (n) sin on

7
Notations de Landau (1)
• Quand nous calculerons la complexité d’un algorithme, nous ne
calculerons généralement pas sa complexité exacte, mais son ordre
de grandeur.

• Pour ce faire, nous avons besoin de notations asymptotiques connues

sous le nom de « notation de Landau » (Mathématicien Allemand ).

8
Notations de Landau (2)

: f  ( g )  n0, c  0, / n  n0, f (n)  c.g (n)

• On dit aussi que f « est dominée asymptotiquement par g »

• Ou que g « est un majorant presque partout de f »

Exemples
• n = O(n), 2n = O(3n), n+2 = O(n) (Il suffit de prendre n0 = 2 et c = 2)
• sqrt(n) = O(n), log(n) = O(n), n = O(n2).

9
Notations de Landau (3)
: f  ( g )  g  ( f )
• Cela signifie que g « est majorée par f »

o: f  o( g )  c  0, n0 / n  n0, f (n)  c.g (n)

• Ceci signifie que : f « est négligeable devant g »

Exemples
• sqrt(n) = o(n), log(n) = o(n), n = o(n2), log(n) = o(sqrt(n)).

10
Notations de Landau (4)
: f  ( g )  f  ( g ) et g  ( f )
• Ceci signifie que :
f  ( g )  c, d  R  , n0 / n  n0 d .g (n)  f (n)  c.g (n)
• Ce qui veut dire que chaque fonction est un majorant de l’autre ou encore que les deux fonctions
sont « de même ordre de grandeur asymptotique »
Exemples : n+log(n) =  (n+sqrt(n)).

Remarques
• On peut considérer que :
• ( g ) est une borne supérieure
• ( g ) est une borne inférieure
• ( g ) est une borne exacte. Celle-ci est donc plus précise que les précédentes

11
7 Résolution des récurrences « diviser pour
régner »
Théorème 1 (Résolution des récurrences « diviser pour régner »)
• Soient a >=1 et b > 1 deux constantes,
soit f (n) une fonction et soit T(n) une fonction définie pour les entiers
positifs par la récurrence :
T (n)  a.T (n / b)  f (n)
• T(n) peut alors être bornée asymptotiquement comme suit :

12
Version-2 du théorème
OU

Signification intuitive du théorème

• Dans chaque cas, on compare f (n) avec n log a . La solution de la
b

récurrence est déterminée par la plus grande des deux.

13
Exemple-1 : Retour sur l’exemple de la multiplication de matrices
• La relation de récurrence est : T(n) = 8T(n/2)+O(n2)

• Donc : a = 8,
• b = 2  logb a = 3
• f (n) =  (n2) =  (n logb a-1)
• On est donc dans le cas 1 du théorème (avec   1 ), l’algorithme a
donc une complexité en  (n3)

14
Exemple-2
n
T (n)  9T    n
3
• On est dans le cas : a=9 , b=3 et f(n)=n
log 9
 n log a
b
 n log 9
3
 n 2
 ( n 2
)  f ( n)  n  n 21
 n 3
avec   1
 On applique le cas 1 :

T (n)  (n ) 2

15
Exemple-3  2n 
T ( n)  T    1
 3 

• On est dans le cas : a=1 , b=3/2 et f(n)=1

f (n)  (n
log 3 1 logb a
  )
n logb a  n 2
1
• On applique donc le cas 2 :
T (n)  (nlogb a. log n)  (log n)
16
 n
Exemple-4 T (n)  3T    n log n
4
• On est dans le cas : a=3 , b=4 et f(n)=nlogn

 n logb a  n log4 3  (n 0,793 )  f (n)  (n log4 3 ) avec   0.2

• Pour n suffisamment grand on a :

n n n 3 3
af    3 log   n log n  c. f (n) avec c 
4 4 4 4 4

• On applique donc le cas 3 :

T (n)  (n log n)
17
8 Autres récurrences
• D’autres récurrences peuvent ne pas trouver de solution avec les
techniques présentées. Dans ce cas, on peut procéder par itération :

calculer les quelques premières valeurs de la suite

chercher une régularité
poser une solution générale en hypothèse
la prouver par induction

18