Chapitre1 :

Complexité algorithmique
 Supports de cours vol.1 – Période 2005-2014

17 Complexité algorithmique
Comme on l’a vu lors de l’implémentation des types abstraits, il est souvent possible
d’implémenter plusieurs solutions à un problème donné. La question se pose alors de savoir
quel algorithme est le plus efficace. Et pour effectuer cette comparaison, il est nécessaire de
déterminer sur quels critères elle doit être effectuée. Le but de cette section est d’introduire le
champ de la théorie de la complexité, dont l’un des buts est de répondre à ce type de question.

17.1 Introduction à la complexité

17.1.1 Motivation et principe
Théorie de la complexité : théorie développée dans le but de comparer efficacement
différents algorithmes entre eux, Afin de savoir lequel était le meilleur pour un problème donné.
Jusqu’aux années 70, on caractérisait les algorithmes de manière empirique, en considérant :
 Le temps d’exécution ;
 L’espace mémoire utilisé ;
 Les conditions d’exécution :
o Taille des données
o Type d’ordinateur
o Système d’exploitation
o Langage de programmation
o Etc.
exemple :
Pour le problème consistant à calculer 1234 , sur un P4 à 3 GHz, avec un OS Windows XP
et une implémentation en langage C, supposons que l’algorithme 𝐴 met 1,2 secondes et utilise
13 Mo de mémoire, alors que l’algorithme 𝐵 met 1,3 secondes et utilise 0,8 Mo. Alors on peut
dire que 𝐴 est plus rapide que 𝐵, mais que 𝐵 est moins gourmand en mémoire.

Le problème de cette démarche est qu’elle ne permet pas de comparer les algorithmes de
manière objective, car ils ne sont pas les seuls facteurs intervenant dans la performance de
résolution du problème : d’autres facteurs extérieurs interviennent également (matériel,
logiciel...).
La solution retenue est de se détacher de ses facteurs extérieurs, et donc de l’implémentation
de l’algorithme. Pour cela, nous allons utiliser une approche plus théorique, reposant sur deux
notions : les opérations élémentaires et les positions mémoire.
Opération élémentaire : opération atomique, correspondant à une instruction assembleur.
Rappelons qu’une instruction assembleur est atomique, dans le sens où elle correspond à un
code directement interprétable par le processeur. Autrement dit, une instruction assembleur est
associée à une action que le processeur peut réaliser, comme par exemple placer une certaine
valeur dans à une certaine adresse en mémoire. Par comparaison, une instruction du langage C
se décompose généralement en plusieurs instructions assembleur.
La notion d’opération élémentaire va être utilisée pour représenter la consommation que
l’algorithme analysé effectue en termes de temps de calcul. On dira par exemple qu’il a besoin
d’effectuer 𝑥 opérations élémentaires pour résoudre le problème traité.
Position mémoire : unité de mémoire élémentaire, correspondant généralement à un octet.
La notion de position mémoire est une abstraction de l’occupation qu’un algorithme a de la
mémoire. Elle va nous permettre d’évaluer cette consommation de façon indépendante de

178/232
 Supports de cours vol.1 – Période 2005-2014

certaines conditions d’exécution mentionnées précédemment, en considérant le nombre de

positions mémoires qu’il utilise.

Ces deux notions nous permettent d’exprimer la complexité d’un algorithme en fonction de
la taille des données qu’il traite.
Taille des données d’un problème : entier(s) représentant la grandeur des paramètres reçus
par l’algorithme devant résoudre le problème.
Notez bien que la taille peut n’être représentée par un seul entier, mais aussi par plusieurs
entiers distincts. Leur nombre et leur signification exacte dépendent fortement de la nature du
problème étudié :
 Nombre d’éléments à traiter ;
 Grandeur des éléments à traiter ;
 etc.
exemples :
 Tri d’un tableau de taille 𝑁 : la taille des donnés est 𝑁, le nombre d’éléments du
tableau.
 Calcul de 𝐶𝑛𝑝 : la taille des données est le couple 𝑛, 𝑝 .
L’idée est que si la taille est petite, le problème sera vraisemblablement plus facile à
résoudre que si elle est énorme. On veut généralement savoir comment la complexité de
l’algorithme évolue quand on fait grandir la taille du problème.
Complexité d’un algorithme : nombre d’opérations élémentaires ou de positions mémoire
dont l’algorithme a besoin pour résoudre un problème d’une certaine taille.

Formellement, l’expression d’une complexité prend la forme d’une fonction mathématique

de la taille des données.
exemples :
 Si le tri du tableau a une complexité 𝑓 𝑁 = 𝑎𝑛 + 𝑏, on dira que le tri possède une
complexité linéaire.
 Si un autre algorithme de tri possède une complexité 𝑓 𝑁 = 𝑛2 , alors on
considèrera que ce tri a une complexité quadratique.
 La complexité du second tri est supérieure à celle du premier.

17.1.2 Complexités spatiale et temporelle

On distingue deux types de complexités : temporelle et spatiale.
Complexité temporelle : nombre total d’opérations élémentaires pour exécuter
l’algorithme.
La complexité temporelle correspond donc au décompte de toutes les opérations
élémentaires que l’algorithme a besoin d’effectuer pour résoudre le problème.
Complexité spatiale : nombre maximal de positions mémoire utilisées au cours de
l’exécution.
À la différence des opérations élémentaire, qui s’enchaîne de façon séquentielle,
l’occupation mémoire est une quantité qui évolue au cours du temps : en fonction de l’état de
la pile (appels de fonction) et du segment de données (allocation dynamique) l’algorithme peut
augmenter et diminuer le nombre de positions mémoire qu’il utilise. La complexité spatiale
correspond à l’occupation maximale atteinte par l’algorithme au cours de son exécution.
Attention donc à ne pas considérer le total de toutes les positions mémoires occupées au
cours de l’exécution, ou bien juste l’occupation mémoire observée juste avant que l’algorithme
se termine.

179/232
 Supports de cours vol.1 – Période 2005-2014

exemple : 2 fonctions différentes calculant le produit des nombres d’un tableau d’entiers.
int produit1(int tab[N])
1 { int i;
2 int resultat=1;
3 for(i=0;i<N;i++)
4 resultat = resultat*tab[i];
5 return resultat;
}

int produit2(int tab[N])

1 { int i=0;
2 int resultat=1;
3 while(resultat!=0 && i<N)
4 { resultat = resultat*tab[i];
5 i++;
}
6 return resultat;
}
 Taille des données : 𝑁
 Complexités spatiales :
o Supposons qu’un entier occupe 𝑚 positions mémoire.
o Alors pour les deux fonctions, on a :
 Tableau de 𝑁 entiers.
 Variables i et resultat.
 total : 𝑆1 𝑁 = 𝑆2 𝑁 = 𝑚 2 + 𝑁
 Complexités temporelles :
o On suppose que chaque opération/instruction correspond à un certain
nombre d’opérations élémentaires :
 multiplication : a.  affectation : d.
 addition : b.  instruction return : e.
 comparaison : c.  et logique : f.

o Première fonction :
 2 : affectation de resultat (d).
 3 : affectation de i (d).
 Dans le for :
 3 : comparaison i<N (c) et incrémentation de i (une addition
(b) et une affectation (d)).
 4 : opération * (a) et affectation à resultat (d).
 Nombre de répétitions du for : N
 3 : comparaison du for à la sortie de la boucle (c).
 Retour de la valeur resultat (e).
 On a : 𝑑 + 𝑑 + 𝑁 𝑐 + 𝑏 + 𝑑 + 𝑎 + 𝑑 + 𝑐 + 𝑒 = 2𝑑 + 𝑁 𝑎 + 𝑏 +
𝑐 + 2𝑑 + 𝑐 + 𝑒
 Total : 𝑇1 𝑁 = 𝑁𝑎 + 𝑁𝑏 + 𝑁 + 1 𝑐 + 𝑁 + 1 2𝑑 + 𝑒
o Seconde fonction :
 1 : affectation de i (d).
 2 : affectation de resultat (d).
 Dans le while :
 3 : comparaisons resultat!=0 (c) et i<N (c), opération &&
(f).
 4 : opération * (a) et affectation à resultat (d).

180/232
 Supports de cours vol.1 – Période 2005-2014

 5
: incrémentation de i (une addition (b) et une affectation
(d)).
 Nombre de répétitions du while :
 M si le tableau contient un zéro en (𝑀 − 1)ème position.
 N si le tableau ne contient pas de zéro.
 3 : comparaisons du while à la sortie de la boucle :
 1 comparaison resultat!=0 (c) si le tableau contient un
zéro.
 2 comparaisons (c) et un && (f) si le tableau ne contient pas
de zéro.
 Retour de la valeur resultat (e).
 on a :
 𝑑 + 𝑑 + 𝑀 𝑐 + 𝑓 + 𝑐 + 𝑎 + 𝑑 + 𝑏 + 𝑑 + 𝑐 + 𝑒 = 2𝑑 +
𝑀 𝑎 + 𝑏 + 2𝑐 + 2𝑑 + 𝑓 + 𝑐 + 𝑒
 𝑑+𝑑+𝑁 𝑐+𝑓+𝑐+𝑎+𝑑+𝑏+𝑑 +𝑐+𝑓+𝑐+𝑒 =
2𝑑 + 𝑁 𝑎 + 𝑏 + 2𝑐 + 2𝑑 + 𝑓 + 2𝑐 + 𝑓 + 𝑒
 Total :
𝑀𝑎 + 𝑀𝑏 + 2𝑀 + 1 𝑐 + 𝑀 + 1 2𝑑 + 𝑒 + 𝑀𝑓 𝑠𝑖 ∃𝑀: 𝑡𝑎𝑏[𝑀 − 1] = 0
𝑇2 𝑁 = {
𝑁𝑎 + 𝑁𝑏 + 2 𝑁 + 1 𝑐 + 𝑁 + 1 2𝑑 + 𝑒 + 𝑁 + 1 𝑓 𝑠𝑖𝑛𝑜𝑛

Remarque : il existe un lien entre les complexités spatiale et temporelle d’un algorithme.
D’abord, sur une machine mono-processeur (i.e. ne possédant qu’un seul processeur, et donc
capable d’exécuter une seule instruction à la fois), la complexité spatiale ne peut pas dépasser
la complexité temporelle, puisqu’il faut effectuer au moins une opération pour initialiser une
position mémoire.
De plus, il est souvent possible de faire diminuer la complexité temporelle en augmentant
la complexité spatiale, et vice-versa. Par exemple, supposons qu’on réalise le calcul d’une
quantité 𝑥 = 𝑓(ℎ 𝑥 ) + 𝑔(ℎ 𝑥 ), où. Supposons que h est une fonction difficile à calculer. On
peut voir deux possibilités ici :
o Soit on calcule ℎ 𝑥 deux fois, et cela risque de prendre longtemps ;
o Soit on définit une variable 𝑦 = ℎ 𝑥 , ce qui augmente l’occupation mémoire, mais
diminue le temps de calcul.

17.1.3 Opérations en temps constant

Même si on a progressé par rapport à la méthode empirique, la comparaison des complexités
temporelles reste difficile, car on dépend encore trop des machines utilisées. En effet, le nombre
d’opération élémentaires associé à une instruction/opération est dépendant de la machine
utilisée. Par exemple, une multiplication peut correspondre à une seule opération élémentaire
sur une machine, et à plusieurs sur une autre machine (par exemple une séquence d’additions).
De la même façon, pour la complexité spatiale, la représentation des données en mémoire
varie suivant le langage et la machine. Par exemple, le nombre d’octets utilisés pour représenter
un entier int en langage C n’est pas standard.
Déterminer certaines valeurs pose donc problème :
 Nombre d’opérations élémentaires associé à une instruction/opération ;
 Nombre d’emplacements mémoire associé à un type de donnée.
On n’a pas la possibilité de les connaître en général, i.e. de déterminer les valeurs des 𝑎, … , 𝑓
utilisés dans l’exemple précédent.

Une solution consiste à réaliser les simplifications, suivantes :

181/232
 Supports de cours vol.1 – Période 2005-2014

 Une instruction/opération correspond à un nombre constant 𝑐 d’opérations

élémentaires.
 Une variable de type simple (entier, booléen, réel, etc.) occupe un nombre constant
𝑐 d’emplacements mémoire.
 Un ensemble de variables de type simple occupe un nombre de positions mémoire
dépendant de la taille des données :
o tab[N] occupe 𝑁𝑐 positions.
o mat[N][M] en occupe 𝑁 × 𝑀 𝑐.
o Etc.
On parle alors d’opérations en temps constant et d’emplacements en espace constant.
Comme nous le verrons plus tard, cette simplification ne porte pas à conséquence dans le cadre
de la comparaison d’algorithmes.

exemple : supposons que toutes les instructions/opérations nécessitent c opérations

élémentaires. Les complexités des fonctions de l’exemple deviennent alors respectivement :
o 𝑇1 𝑁 = 𝑁𝑐 + 𝑁𝑐 + 𝑁 + 1 𝑐 + 𝑁 + 1 2𝑐 + 𝑐 = 5𝑁 + 4 𝑐.
𝑀𝑐 + 𝑀𝑐 + 2𝑀 + 1 𝑐 + 𝑀 + 1 2𝑐 + 𝑐 + 𝑀𝑐 = 7𝑀 + 4 𝑐
o 𝑇2 𝑁 = {
𝑁𝑐 + 𝑁𝑐 + 2 𝑁 + 1 𝑐 + 𝑁 + 1 2𝑐 + 𝑐 + 𝑁 + 1 𝑐 = 7𝑁 + 6 𝑐
On peut alors facilement comparer les complexités spatiales des algorithmes :
5
 si 𝑀 > 7 𝑁, c'est-à-dire : s’il n’y a pas de zéro dans le tableau, ou bien s’il y a un
zéro dans les deux derniers septièmes du tableau, alors produit1 est plus efficace
que produit2, car 𝑇1 𝑁 < 𝑇2 𝑁 .
5
 si 𝑀 < 7 𝑁, c'est-à-dire s’il y a un zéro dans les cinq premiers septièmes du tableau,
alors produit2 est plus efficace que produit1.

17.1.4 Cas favorable, moyen et défavorable

Dans l’exemple précédent, la fonction produit2 possède une complexité temporelle qui
varie en fonction des données d’entrée (i.e. le tableau à traiter). En effet, suivant la présence et
la position du zéro, la fonction peut s’arrêter avant d’avoir atteint la fin du tableau.
En fonction des données traitées, on peut distinguer trois situations :
 Meilleur des cas : le zéro est situé au début du tableau → la fonction s’arrête tout de
suite.
 Pire des cas : il n’y a pas de zéro dans le tableau, ou bien à la fin → la fonction
parcourt le tableau jusqu’à la fin.
 Les autres cas : un zéro est présent dans le tableau (ailleurs qu’au début ou à la fin)
→ la fonction n’ira pas jusqu’au bout du tableau.

Sur ce principe, un algorithme pourra caractérisé en considérant sa complexité dans trois

situations différentes, jugées particulièrement intéressantes : meilleur des cas, pire des cas, et
en moyenne.
Complexité dans le meilleur des cas : complexité de l’algorithme quand les données
traitées aboutissent à la complexité minimale. On parle aussi de cas favorable.
On rencontre rarement cette complexité, car le cas le plus favorable rend souvent trivial le
problème traité, et n’est pas très discriminant (i.e. il ne permet pas de comparer les algorithmes
de façon pertinente). De plus, ce cas est en général rare parmi l’ensemble des entrées possibles
du domaine.
Complexité dans le pire des cas : complexité de l’algorithme quand les données traitées
aboutissent à la complexité maximale. On parle aussi de cas défavorable.

182/232
 Supports de cours vol.1 – Période 2005-2014

Il s’agit de la complexité que l’on rencontre le plus souvent dans la littérature quand on veut
décrire un algorithme. En effet, même si le cas défavorable est susceptible d’être rare, à l’instar
du cas favorable, en revanche il est plus discriminant. Il est aussi plus pertinent d’obtenir une
borne supérieure du temps d’exécution ou de l’occupation mémoire.
Complexité moyenne : complexité de l’algorithme moyennée sur l’ensemble de toutes les
données possibles.
On peut considérer que c’est la complexité la plus représentative de l’algorithme.
Cependant, elle est généralement difficile à calculer, et on ne la rencontre donc pas
fréquemment.

exemple : on considère la fonction produit2

 Pire des cas : 𝑇2 𝑁 = 7𝑁 + 6 𝑐
 Meilleur des cas ou cas favorable : 𝑇2 𝑁 = 7 × 1 + 4 𝑐 = 11𝑐
 Cas moyen :
o 𝑁 + 1 cas sont possibles :
 Soit pas de zéro.
 Soit zéro dans une position parmi 0; … ; 𝑁 − 1 .
o Si on suppose que ces 𝑁 + 1 cas sont équiprobables, alors :
7𝑁 + 6 𝑐 + ∑𝑁𝑖=1 7 × 𝑖 + 4 𝑐
𝑇2 𝑁 =
𝑁+1

17.1.5 Notation asymptotique

La question que l’on se pose généralement quand on étudie un algorithme est : Que se passe-
t-il si la taille des données est doublée ? Ceci amène tout une série de questions supplémentaires,
comme : Est-ce que le temps de calcul est lui aussi doublé ? Ou plus ? Ou moins ? Même chose
pour l’espace mémoire occupé ? Et que se passe-t-il si la taille est triplée ?
Pour résumer, on s’intéresse au comportement de l’algorithme quand la taille des données
tend vers l’infini. Plus exactement, on s’intéresse à l’ordre de grandeur de sa complexité. Pour
la représenter, on utilisera certaines des notations asymptotiques de Landau.

Rappelons d’abord formellement ces notations, avant de montrer comment elles peuvent
être utilisées dans le cadre de la complexité algorithme. Soient 𝑓 et 𝑔 deux fonctions définies
de ℕ dans ℕ :

notation définition signification

∃𝑎 > 0, ∃𝑥0 > 0 𝑓 croît moins vite (ou aussi vite) que 𝑔
𝑓∈𝑂 𝑔
∀𝑥 ≥ 𝑥0 : 𝑓 𝑥 ≤ 𝑎 × 𝑔 𝑥 (𝑔 est une borne supérieure asymptotique de 𝑓)
∃𝑎 > 0, ∃𝑥0 > 0 𝑓 croît plus vite (ou aussi vite) que 𝑔
𝑓∈Ω 𝑔
∀𝑥 ≥ 𝑥0 : 𝑓 𝑥 ≥ 𝑎 × 𝑔 𝑥 (𝑔 est une borne inférieure asymptotique de 𝑓)
𝑓 et 𝑔 croissent à la même vitesse
𝑓∈Θ 𝑔 𝑓 ∈ 𝑂 𝑔 ⋀𝑓 ∈ Ω 𝑔
(𝑔 est une borne approchée asymptotique de 𝑓)

exemples : soient les fonctions 𝑓 𝑥 = 3𝑥 2 + 1, 𝑔1 𝑥 = 4𝑥, 𝑔2 𝑥 = 𝑥 2 + 4, 𝑔3 𝑥 =

3
𝑥 . On a alors :
 𝑓 ∈ 𝑂 𝑔2 : prenons 𝑎 = 3 et 𝑥0 = 1.
o 𝑓 𝑥 = 3 × 12 + 1 = 4.
o 3 × 𝑔2 𝑥 = 3 12 + 4 = 7.
 𝑓 ∈ 𝑂 𝑔3 : prenons 𝑎 = 1 et 𝑥0 = 4 :
o 𝑓 𝑥 = 3 × 42 + 1 = 49.

183/232
 Supports de cours vol.1 – Période 2005-2014

o 𝑔3 𝑥 = 43 = 64.
 𝑓∈Ω 𝑔1 : prenons 𝑎 = 1 et 𝑥0 = 1 :
o 𝑓 𝑥 = 3 × 12 + 1 = 4.
o 𝑔1 𝑥 = 4 × 1 = 4.
 𝑓∈Ω 𝑔2 : prenons 𝑎 = 1 et 𝑥0 = 2 :
o 𝑓 𝑥 = 3 × 22 + 1 = 13.
o 𝑔2 𝑥 = 22 + 4 = 8.
 𝑓∈Θ 𝑔2 car 𝑓 ∈ Ω 𝑔2 et 𝑓 ∈ 𝑂 𝑔2 .

Dans ce cours, on utilisera essentiellement la notation en grand 𝑂, qui permet de majorer le

comportement d’une fonction. Bien sûr, on veut obtenir la borne supérieure de degré le plus
petit possible. La notation en Θ sera également utilisée, plus rarement, quand il est possible de
borner la complexité de l’algorithme de manière plus précise.

On distingue habituellement différentes familles d’algorithmes en fonction de leur borne

supérieure :
 Complexité constante : 𝑂 1 .
 Complexité logarithmique : 𝑂 log 𝑥 .
 Complexité log-linéaire : 𝑂 𝑥 log 𝑥 .
 Complexité linéaire : 𝑂 𝑛 .
 Complexité quadratique : 𝑂 𝑥 2 , cubique 𝑂 𝑛3 , ou plus généralement :
polynômiale 𝑂 𝑥 𝑘 .
 Complexité exponentielle 𝑂 𝑘 𝑥 .
Remarque : en informatique, quand la base d’un logarithme n’est pas précisée, c’est qu’il
s’agit d’un logarithme de base 2.

Pour simplifier le calcul de complexité, on utilise les abus de notation suivants :

 𝑓 ∈ 𝑂 𝑔 sera noté 𝑓 = 𝑂 𝑔
 Dans une formule, 𝑂 𝑔 représente une fonction anonyme appartenant à 𝑂 𝑔
 𝑂 𝑥 0 sera noté 𝑂 1
exemple :
Dans 2𝑥 2 + 3𝑥 + 1 = 2𝑥 2 + 𝑂 𝑥 , 𝑂 𝑥 représente toute fonction 𝑓 appartenant à 𝑂 𝑥
tout en vérifiant l’égalité. Ici, il s’agit de 𝑓 𝑥 = 3𝑥 + 1.

Les propriétés suivantes seront utilisées lors des calculs de complexité :

 Soit 𝑝 𝑥 un polynôme de degré 𝑑, alors on a : 𝑝 𝑥 = Θ 𝑥 𝑑
 𝑂 𝑓 + 𝑂 𝑔 = 𝑂 𝑓 + 𝑔 = 𝑂(max 𝑓 + 𝑔 ) (distributivité pour l’addition)
 𝑂 𝑓 𝑂 𝑔 = 𝑂 𝑓𝑔 (distributivité pour le produit)
 ∀𝑎, 𝑏 > 0: 𝑂 log 𝑎 𝑛 = 𝑂 log 𝑏 𝑛

En pratique, pour obtenir la borne asymptotique supérieure une fois qu’on a exprimé 𝑓 sous
la forme d’un polynôme, il suffit de ne conserver que le terme de degré le plus élevé, et
d’ignorer les coefficients constants.
exemple : 2𝑥 2 + 3𝑥 + 1 = 𝑂 2𝑥 2 + 𝑂 3𝑥 + 𝑂 1 = 𝑂 2𝑥 2 = 𝑂 𝑥 2

17.1.6 Complexité asymptotique

L’intérêt de la notation asymptotique est double. D’une part, les calculs de complexité sont
simplifiés. D’autre part, l’information utile est préservée (on obtient l’ordre de grandeur).

184/232
 Supports de cours vol.1 – Période 2005-2014

exemple : on calcule les complexités asymptotiques des fonctions produit1 et produit2

dans le pire des cas. Toutes les opérations élémentaires ont une complexité asymptotique
constante : 𝑂 1 .
 Complexités temporelles :
o Première fonction :
𝑇1 𝑁 = 𝑂( 5𝑁 + 4 𝑐) = 𝑂 5𝑁𝑐 = 𝑂 𝑁
o Seconde fonction :
𝑇2 𝑁 = 𝑂( 7𝑁 + 6 𝑐) = 𝑂 7𝑁𝑐 = 𝑂 𝑁
Si on compare les complexités temporelles dans le pire des cas, les deux fonctions ont la
même complexité asymptotique. Pourtant, on sait (d’après nos calculs précédents) que les deux
fonctions n’ont pas la même complexité dans le pire des cas : 𝑇1 𝑁 = 4 + 5𝑁 et 𝑇2 𝑁 = 6 +
7𝑁. Le fait que les deux fonctions aient la même complexité asymptotique signifie que lorsque
𝑁 tend vers l’infini, la différence entre 𝑇1 et 𝑇2 est négligeable.

produit1
produit2

Remarque : quand on compare des algorithmes en termes de complexité asymptotique, il

ne faut pas perdre de vue le fait que cette comparaison n’est valable que quand on parle de
données de grande taille. En effet, sur de petites données, un algorithme en 𝑂 𝑁 2 peut être
plus rapide qu’un algorithme en 𝑂 𝑁 .
exemple : considérons les algorithmes 𝐴 et 𝐵 suivants :
 L’algorithme 𝐴 possède une complexité temporelle de 𝑇𝐴 𝑁 = 100𝑁.
 L’algorithme 𝐵 possède une complexité temporelle de 𝑇𝐵 𝑁 = 2𝑁 2 .

𝑵 Algorithme 𝑨 Algorithme 𝑩
10 1000 200
100 10000 20000
1000 100000 2000000
10000 1000000 200000000

algo.A
algo.B

Pour des valeurs de 𝑁 inférieures à 50, on peut observer que 𝐵 est plus rapide que 𝐴. Au-
dessus de 50, 𝐴 est largement plus performant, et la différence ne cesse de s’accroître.

185/232
 Supports de cours vol.1 – Période 2005-2014

Asymptotiquement, la complexité de 𝐴 (qui est en 𝑂 𝑁 ) est plus faible que celle de 𝐵 (qui est
en 𝑂 𝑁 2 ).

L’ordre de grandeur de la complexité d’un algorithme est un concept indépendant des

contraintes matérielles (machine, langage, implémentation…). Par conséquent, l’utilisation
d’une machine plus puissante ne change rien en termes de comparaison asymptotique.
exemple : supposons qu’une opération élémentaire est effectuée en 1 unité de temps. Soit
un problème traité par l’algorithme 𝐴 en 5000 opérations élémentaires, c'est-à-dire en autant
d’unités de temps. Ce problème a une taille 𝑁 = 50. Pour l’algorithme 𝐵, un problème traitable
en 5000 opérations élémentaires correspond également à un problème de taille 𝑁 = 50.
Supposons qu’on dispose d’une machine 10 fois plus puissante : elle effectue 10 opérations
élémentaires en 1 seule unité de temps. Alors pour la même durée, l’algorithme 𝐴 peut traiter
un problème de taille 𝑁 = 500, c'est-à-dire 10 fois plus gros qu’avec la machine moins
puissante. L’algorithme 𝐵 peut traiter un problème de taille 𝑁 = √5000⁄2 ≈ 158, c'est-à-dire
seulement 3 fois plus gros qu’avec la machine moins puissante.

17.2 Calcul de complexité

Dans cette sous-section, nous nous intéressons plus concrètement au calcul de complexité
pour des algorithmes itératifs, en considérant séparément les complexités temporelle et spatiale.

17.2.1 Complexité temporelle

Pour réaliser un calcul de complexité temporelle, on associe une certaine complexité à
chaque élément composant l’algorithme. Nous nous concentrons ici sur la complexité dans le
pire des cas.
 Opération élémentaire (on considère une instruction) : temps constant 𝑂 1 .
 Appel d’une fonction : soit 𝑓 la complexité au pire de la fonction ; alors la
complexité de l’appel est en 𝑂 𝑓 .
 Instruction de test (if ou switch) : soient 𝑓 la complexité de la condition, et 𝑔𝑖 les
complexités des différents blocs (then, else, case…) ; alors la complexité au pire
est en 𝑂 (𝑓 + max 𝑔𝑖 ).
𝑖
 Instruction de répétition (for, do, while) : soient 𝑓 la complexité du bloc et de la
condition, et 𝑔 la borne supérieure du nombre d’itérations au pire, alors la
complexité au pire est en 𝑂 𝑓 ∙ 𝑔
 Séquence d’instructions : soit 𝑓𝑖 la complexité de la ième instruction ; alors la
complexité au pire de la séquence est en 𝑂 ∑𝑖 𝑓𝑖 .

exemple : recherche du plus petit élément dans un tableau non trié de taille 𝑁.
int cherche_minimum (int tab[N])
{ int i;
1 int indice=0; 𝑂 1

2 for(i=1;i<N;i++) 𝑂 1
𝑂 𝑁
3 if(tab[i] < tab[indice]) 𝑂 1 𝑂 𝑁
4 indice = i; 𝑂 1
5 return tab[indice]; 𝑂 1
}

 ligne 1 : affectation : 𝑂 1 .
 dans le for :

186/232
 Supports de cours vol.1 – Période 2005-2014

o affectation : 𝑂 1 .
o comparaison i<N : 𝑂 1 .
o incrémentation i++ : 𝑂 1 .
o dans le if :
 test : 𝑂 1 .
 affectation : 𝑂 1 .
 total : le if a une complexité de : 𝑂 1 + 𝑂 1 = 𝑂 1 .
o total :
 le for est répété 𝑁 − 1 fois.
 complexité : 𝑂 1 + 𝑁(𝑂 1 + 𝑂 1 + 𝑂 1 ) = 𝑂 𝑁 .
 retour de valeur : 𝑂 1 .
 total : 𝑂 1 + 𝑂 𝑁 + 𝑂 1 = 𝑂 𝑁 .

17.2.2 Complexité spatiale

Comme on l’a vu précédemment, la complexité spatiale correspond à l’occupation mémoire
maximale rencontrée au cours de l’application de l’algorithme. Comme pour la complexité
temporelle, le calcul se fait en décomposant l’algorithme en différentes parties pour lesquelles
on sait calculer la complexité. Là encore, on se concentre sur le pire des cas.
 Déclaration de variable : nombre de positions mémoire occupées par la variable.
 Appel d’une fonction : soit 𝑓 la complexité au pire de la fonction ; alors la
complexité de l’appel est en 𝑂 𝑓 .
 Instruction de test (if ou switch) : soient 𝑓𝑖 les complexités des différents blocs
(then, else, case…) ; alors la complexité au pire est en 𝑂 (max 𝑓𝑖 ).
𝑖
 Instruction de répétition (for, do, while) : soit 𝑓 la complexité du bloc ; alors la
complexité au pire est en 𝑂 𝑓 .
 Séquence d’instructions : soit 𝑓𝑖 la complexité de la ième instruction ; alors la
complexité au pire de la séquence est en 𝑂 (max 𝑓𝑖 ).
𝑖

exemple : recherche du plus petit élément dans un tableau non trié de taille 𝑁.
 Tableau : 𝑂 𝑁 .
 Variables simples i et indice : 𝑂 1 + 𝑂 1 = 𝑂 1 .

Remarque : si on effectuait une analyse de la complexité spatiale en tenant compte des

spécificités du langage C, les tableaux/listes passés en paramètres devraient être considérés
comme étant en 𝑂 1 et non pas en 𝑂 𝑁 . La raison est qu’on ne passe pas le tableau/liste lui-
même, mais un simple pointeur. Le tableau/liste est créé en amont de la fonction étudiée (dans
la fonction appelante, ou bien dans la fonction appelant la fonction appelante…). Mais, dans le
cadre de ce cours, nous conviendrons qu’une liste/tableau a une complexité spatiale égale au
nombre d’éléments contenus.

17.2.3 Exercices

17.2.3.1 Test de permutation v.1

La fonction teste_permutation teste si un tableau d’entiers de taille 𝑁 correspond bien
à une permutation de 0 à 𝑁 − 1. La fonction renvoie 1 si la fonction est une permutation et 0
sinon.
Donnez les complexités spatiale et temporelle de l’algorithme.

187/232
 Supports de cours vol.1 – Période 2005-2014

int teste_permutation(int tab[N])

1 { int i=0; 𝑂 1
2 int continuer=1; 𝑂 1
int j;

3 while(i<N && continuer) 𝑂 1

4 { j=i+1; 𝑂 1
5 continuer = (tab[i]<N && tab[i]>=0); 𝑂 1
6 while(j<N && continuer) 𝑂 1
7 { continuer = (tab[i] != tab[j]); 𝑂 1 𝑂 𝑁2
𝑂 1 𝑂 𝑁
8 j++;
}
9 i++; 𝑂 1
}

10 return continuer; 𝑂 1
}

Complexité temporelle :
 lignes 1 et 2 : affectations : 𝑂 1
 ligne 3 : dans le while :
o test : 𝑂 1
o lignes 4 et 5 : séquence d’opérations élémentaires 𝑂 1
o dans le while :
 test : 𝑂 1
 lignes 7 et 8 : séquence d’opérations élémentaires 𝑂 1
 total :
 nombre de répétitions : quel est le pire des cas ?
o le tableau est une permutation
o j=1 à N-1, soit N-1 répétitions
 complexité : 𝑁 − 1 𝑂 1 = 𝑂 𝑁
o ligne 9 : opérations élémentaires : 𝑂 1
o total :
 nombre de répétitions : quel est le pire des cas ?
 le tableau est une permutation.
 𝑖 = 0 à 𝑁 − 1, soit 𝑁 répétitions.
 complexité : 𝑁 ∙ 𝑂 1 + 𝑁 = 𝑂 𝑁 2
 ligne 10 : opération élémentaire : 𝑂 1
 total : 𝑂 1 + 𝑂 𝑁 2 + 𝑂 1 = 𝑂 𝑁 2

Complexité spatiale :
 on manipule exclusivement des entiers, donc on évaluera la complexité spatiale en
termes de nombre de positions mémoire d’entiers.
 1 tableau tab de taille N : 𝑂 𝑁
 3 variables i, j et continuer : 3 × 𝑂 1
 total : 𝑂 𝑁 + 3 × 𝑂 1 = 𝑂 𝑁

17.2.3.2 Test de permutation v.2

Écrivez une fonction qui réalise la même tâche que la précédente, mais avec une complexité
temporelle en 𝑂 𝑁 .
Calculez la complexité spatiale de cette fonction.

188/232
 Supports de cours vol.1 – Période 2005-2014

int teste_permutation(int tab[N])

1 { int i=0; 𝑂 1
2 int continuer=1; 𝑂 1
3 int teste[N];

4 while(i<N && continuer) 𝑂 1

5 { continuer = (tab[i]<N && tab[i]>=0); 𝑂 1
6 teste[i] = 0; 𝑂 1 𝑂 𝑁
7 i++; 𝑂 1
}
𝑂 𝑁
8 i=0; 𝑂 1
9 while(i<N && continuer) 𝑂 1
10 { continuer = !teste[tab[i]]; 𝑂 1
11 teste[tab[i]] = 1; 𝑂 1 𝑂 𝑁
12 i++; 𝑂 1
}

13 return continuer; 𝑂 1
}

Complexité temporelle :
 lignes 1 et 2 : affectations : 𝑂 1
 dans le while :
o test : 𝑂 1
o lignes 5, 6 et 7 : opérations élémentaires : 𝑂 1
o total :
 nombre de répétitions au pire des cas : N
 complexité : 𝑁 × 𝑂 1 = 𝑂 𝑁
 ligne 8 : affectation : 𝑂 1
 dans le while :
o test : 𝑂 1
o lignes 10, 11 et 12 : opérations élémentaires : 𝑂 1
o total :
 nombre de répétitions au pire des cas : 𝑁
 complexité : 𝑁 × 𝑂 1 = 𝑂 𝑁
 ligne 13 : opération élémentaire : 𝑂 1
 total : 𝑂 1 + 𝑂 𝑁 + 𝑂 𝑁 + 𝑂 1 = 𝑂 𝑁

Complexité spatiale :
 2 tableaux tab et teste de taille N : 𝑂 𝑁
 2 variables simples i et continuer : 2 × 𝑂 1
 total : 𝑂 𝑁 + 2 × 𝑂 1 = 𝑂 𝑁
 Remarques :
o la complexité spatiale a-t-elle augmenté ? Oui : elle passe de 3 + 𝑁 à 2 +
2𝑁.
o Cela a-t-il une importance asymptotiquement parlant ? Non : la complexité
asymptotique reste en 𝑂 𝑁 .

17.2.3.3 Recherche linéaire

Écrivez une fonction recherche qui recherche une valeur v dans un tableau d’entiers non-
triés tab de taille 𝑁. La fonction renvoie 1 si v apparaît dans tab, ou 0 sinon.
Donnez les complexités spatiale et temporelle de l’algorithme.

189/232
 Supports de cours vol.1 – Période 2005-2014

int recherche(int tab[N], int v)

1 { int trouve=0; 𝑂 1
2 int i=0; 𝑂 1

3 while(i<N && !trouve) 𝑂 1

4 if(tab[i]==v) 𝑂 1
5 trouve = 1; 𝑂 1 𝑂 𝑁
else 𝑂 1
6 i++; 𝑂 1
7 return trouve; 𝑂 1
}

Complexité temporelle :
 lignes 1 et 2 : affectations : 𝑂 1
 dans le while :
o test : 𝑂 1
o dans le if :
 test : 𝑂 1
 premier bloc :
 ligne 5 : opération élémentaire : 𝑂 1
 else :
 ligne 6 : opération élémentaire : 𝑂 1
 total : 𝑂 1 + max(𝑂 1 , 𝑂 1 ) = 𝑂 1
o total :
 nombre de répétitions au pire des cas : N
 complexité : 𝑁 × 𝑂 1 = 𝑂 𝑁 .
 ligne 7 : opération élémentaire : 𝑂 1 .
 total : 𝑂 1 + 𝑂 𝑁 + 𝑂 1 = 𝑂 𝑁 .

Complexité spatiale :
 1 tableau tab de taille N : 𝑂 𝑁
 3 variables simples i, trouve et v : 3 × 𝑂 1
 total : 𝑂 𝑁 + 3 × 𝑂 1 = 𝑂 𝑁

17.2.3.4 Recherche dichotomique

Écrivez la fonction recherche_dicho qui recherche une valeur v dans un tableau
d’entiers triés tab de taille 𝑁, en utilisant le principe de la dichotomie.
Donnez les complexités spatiale et temporelle de l’algorithme.

190/232
 Supports de cours vol.1 – Période 2005-2014

int recherche_dicho(int tab[N], int v)

1 { int m = -1; 𝑂 1
2 int a = 0; 𝑂 1
3 int b = N-1; 𝑂 1

4 while(a<=b && m==-1) 𝑂 1

5 { m = (a+b)/2; 𝑂 1
6 if(tab[m]!=v) 𝑂 1
7 { if (tab[m]>v) 𝑂 1
8 b = m-1; 𝑂 1
else 𝑂 1 𝑂 1 𝑂 log 𝑁
9 a = m+1; 𝑂 1
10 m = -1; 𝑂 1
}
}
11 return m!=-1; 𝑂 1
}

Complexité temporelle :
 lignes 1, 2 et 3 : affectations : 𝑂 1
 dans le while :
o test : 𝑂 1
o dans le if :
 test : 𝑂 1
 dans le if :
 test : 𝑂 1
 premier bloc :
o ligne 8 : opération élémentaire : 𝑂 1
 else :
o ligne 9 : opération élémentaire : 𝑂 1
 total : 𝑂 1 + max(𝑂 1 , 𝑂 1 ) = 𝑂 1
 ligne 10 : opération élémentaire : 𝑂 1
 total : 𝑂 1 + 𝑂 1 + 𝑂 1 = +𝑂 1
o total :
 nombre de répétitions au pire des cas :
 le while est répété tant qu’on n’a pas trouvé l’élément et que la
recherche est possible.
 le pire des cas est celui où on ne trouve pas l’élément : il faut
poursuivre la recherche jusqu’à ce que ce ne soit plus possible.
 à chaque itération, on coupe en deux l’intervalle exploré (ligne 5 :
m = (a+b)/2;)
 dans le pire des cas, on va donc couper l’intervalle en deux
jusqu’à obtenir un intervalle ne pouvant plus être divisé
(intervalle ne contenant qu’un seul élément).
 la question est donc : combien de fois peut-on couper N en deux ?
 supposons qu’on puisse couper N en deux p fois. On a alors : 𝑁 =
2𝑝 + 𝑘, avec 𝑘 ∈ ℕ.
 par définition du logarithme : 𝑝 ≤ log 2 𝑁.
 On en déduit que l’intervalle de taille N peut être coupé au plus
⌊log 2 𝑁⌋ + 1 fois.
 complexité : ⌊log 2 𝑁⌋ + 1 × (𝑂 1 + 𝑂 1 ) = 𝑂 log 𝑁 .
 ligne 11 : opération élémentaire : 𝑂 1 .

191/232
 Supports de cours vol.1 – Période 2005-2014

 total : 𝑂 1 + 𝑂 log 𝑁 + 𝑂 1 = 𝑂 log 𝑁 .

Complexité spatiale :
 1 tableau tab de taille N : 𝑂 𝑁
 4 variables simples a, b, m et v : 4 × 𝑂 1

17.3 Algorithmes récursifs

Le calcul de complexité pour des algorithmes récursifs est plus délicat qu’il ne l’était pour
les algorithmes itératifs, c’est la raison pour laquelle nous les traitons en dernier. Dans cette
sous-section, nous décrivons différentes méthodes permettant de résoudre la relation de
récurrence, et un formulaire utilisable en examen est donné pour tirer parti des résultats
présentés ici.

17.3.1 Généralités
On a vu en section 13.3 que le traitement récursif peut être décrit par un arbre d’appels, qui
représente les relations entre les différents appels récursifs effectués au cours du traitement.
Tout en haut de l’arbre, sa racine correspond au tout premier appel effectué. Le temps nécessaire
à la résolution du problème traité correspond au temps nécessaire pour exécuter cet appel. Or,
il y a deux types de traitements dans cet appel : une partie est locale, et l’autre est récursive, i.e.
elle est effectuée au moyen d’appels supplémentaires. Le temps d’exécution de l’appel initial
correspond donc à la somme du temps utilisé pour le traitement local, et du temps utilisé pour
les appels récursifs. Le même principe s’applique pour chacun de ces appels récursifs. Au final,
il vient que le temps total est égal à la somme des temps de traitement local pour tous les appels
effectués.
En termes de complexité temporelle, cela signifie que la complexité temporelle de l’appel
considéré est égale à la somme des complexités temporelles associées aux traitements locaux
des appels effectués. Considérons par exemple un appel récursif simple, qui prend la forme
d’un arbre linéaire du type suivant :

Alors la complexité temporelle de l’appel initial est calculée à partir des nœuds grisés (c’est-
à-dire tous les nœuds). Si la récursivité multiple, on obtient un arbre non-linéaire du type
suivant :

Là encore, on doit considérer tous les nœuds présents dans l’arbre, puisque ils doivent tous
être traités avant que le calcul ne se termine (un appel initial ne peut pas s’achever avant que
tous ses propres appels soient eux-mêmes terminés).

Pour la mémoire, la situation est un peu différente, car son occupation peut croître ou
décroître avec l’évolution de l’exécution (alors que le temps de calcul ne peut que croître). On
sait que la complexité spatiale correspond à l’occupation maximale atteinte lors de l’exécution
de l’algorithme étudié. Pour reprendre l’image de l’arbre d’appel, cela signifie qu’on cherche
le nœud tel que la somme des occupations spatiales de tous ses ancêtres est maximale.
Autrement dit, on fait la somme des occupations spatiales pour la pire branche de l’arbre.

192/232
 Supports de cours vol.1 – Période 2005-2014

Pour le cas de la récursivité simple, cela signifie généralement qu’on fait la somme des
occupations mémoires pour chaque appel.

Attention toutefois, ce n’est pas forcément toujours vrai. Par exemple, si la fonction utilise
l’allocation dynamique, il est possible qu’elle libère de la mémoire avant l’appel ou qu’elle
l’alloue après l’appel. Dans ce cas-là, on peut avoir une complexité spatiale ponctuellement
élevée mais qui ne s’applique pas récursivement.
Par exemple, supposons que la fonction déclare 1 entier statique et un tableau de 1000
entiers dynamique. À ce moment-là, on a donc 1001 entiers en mémoire. Puis, la fonction libère
ces 1000 entiers avant de faire l’appel récursif. Le deuxième appel va faire la même chose, ce
qui signifie qu’à un moment donné, on occupera en mémoire l’espace nécessaire au stockage
de 1002 entiers (et non pas 2002). À moins de répéter l’appel récursif un grand nombre de
fois, on restera largement en dessous de la taille du tableau.
Pour la récursivité multiple, on a un arbre non-linéaire de la forme suivante :

Ici, la différence avec la complexité temporelle est encore plus nette. À un moment donné
de l’exécution, on ne doit considérer qu’un seul nœud et tous ces ancêtres (i.e. les nœuds
permettant de remonter jusqu’à la racine). Comme on s’intéresse à l’occupation maximale, on
doit déterminer quelle est la pire des branches, comme ici celle représentée en gris. La
complexité spatiale est alors la somme des complexités individuelles de chaque nœud présent
sur cette branche.

En raison de l’aspect récursif des algorithmes étudiés, on a ici besoin d’une relation de
récurrence pour exprimer ces complexités. Pour rappel, une récurrence est une équation ou une
inégalité décrivant une fonction à partir de sa valeur pour des paramètres différents
(généralement : plus petits).
Soit 𝑇 𝑛 la complexité temporelle de la fonction pour une taille 𝑛 des données d’entrée. Si
on considère un cas d’arrêt, 𝑇 𝑛 correspond à la complexité du traitement effectué pour ce cas.
Sinon, dans le cas général, 𝑇 𝑛 dépend de :
 La complexité 𝑓 𝑛 du traitement effectué localement à la fonction ;
 La complexité de l’appel récursif 𝑇(ℎ 𝑛 ), avec ℎ 𝑛 ≠ 𝑛.
Remarque : le plus souvent, ℎ 𝑛 est de la forme ℎ 𝑛 = 𝑛 − 𝑘 ou ℎ 𝑛 = 𝑛/𝑘, k étant
une constante.

exemple : calcul de factorielle

int factorielle(int n)
{ int resultat;
1 if(n<=1) 𝑂 1
𝑂 1
2 resultat = 1; 𝑂 1
else
3 resultat = n*factorielle(n-1); 𝑂 1 +𝑇 𝑛−1
4 return resultat; 𝑂 1
}

Complexité temporelle :
 Complexité du cas d’arrêt 𝑛 = 1 :

193/232
 Supports de cours vol.1 – Période 2005-2014

o ligne 1 : condition du if : 𝑂 1
o ligne 2 : affectation : 𝑂 1
o ligne 4 : opération élémentaire : 𝑂 1
o total : 𝑇 𝑛 = 𝑂 1 + 𝑂 1 + 𝑂 1 = 𝑂 1 .
 Complexité du cas général 𝑛 > 1 :
o ligne 1 : condition du if : 𝑂 1
o ligne 3 :
 multiplication : 𝑂 1
 appel récursif : 𝑇 𝑛 − 1
o ligne 4 : opération élémentaire : 𝑂 1
o total : 𝑇 𝑛 = 𝑂 1 + 𝑂 1 + 𝑇 𝑛 − 1 + 𝑂 1 = 𝑂 1 + 𝑇 𝑛 − 1 .
o remarque : ici ℎ 𝑛 = 𝑛 − 1.

Complexité spatiale :
 complexité du cas d’arrêt 𝑛 = 1 :
o deux variables entières n et résultat
o total : 𝑆 𝑛 = 𝑂 1
 complexité du cas général 𝑛 > 1 :
o deux variables entières n et résultat
o les variables utilisées dans l’appel récursif : 𝑆 𝑛 − 1
o total : 𝑆 𝑛 = 𝑂 1 + 𝑆 𝑛 − 1

Une fois que la récurrence est établie, il faut la résoudre pour obtenir la complexité de
l’algorithme. En d’autres termes, on doit exprimer la fonction 𝑇 𝑛 sans utiliser 𝑇. Il existe de
nombreuses méthodes pour résoudre une récurrence. Dans le cadre de ce cours, nous limiterons
aux suivantes :
 Méthode par substitution ;
 Méthode par bornage ;
 Méthode par arbre.

17.3.2 Méthode par substitution

Le principe de cette méthode est le suivant :
1. Dans l’équation définissant la complexité de la fonction, on remplace les 𝑂 𝑛 par
des polynômes en 𝑂 𝑛 , en utilisant des constantes arbitraires.
2. Dans la définition de 𝑇 𝑛 obtenue, on substitue récursivement les 𝑇(ℎ 𝑛 ) par
leur définition, jusqu’à voir apparaître une relation entre 𝑇 𝑛 et 𝑇 (ℎ𝑖 𝑛 ).
3. On prouve cette relation.
4. On en déduit une expression non-récursive de 𝑇 𝑛 .

exemple : calcul de factorielle

1. On remplace dans 𝑇 𝑛 :
o Cas d’arrêt : 𝑇 1 = 𝑂 1 = 𝑎
o Cas général : 𝑇 𝑛 = 𝑂 1 + 𝑇 𝑛 − 1 = 𝑏 + 𝑇 𝑛 − 1
2. On tente de trouver une relation à démontrer :
𝑇 𝑛 =𝑏+ 𝑇 𝑛−1 (1)
𝑇 𝑛−1 =𝑏+ 𝑇 𝑛−2 (2)
On remplace (2) dans (1) :
𝑇 𝑛 = 𝑏 + (𝒃 + 𝑻 𝒏 − 𝟐 ) = 2𝑏 + 𝑇 𝑛 − 2 (3)

194/232
 Supports de cours vol.1 – Période 2005-2014

On recommence :
𝑇 𝑛 = 2𝑏 + (𝒃 + 𝑻 𝒏 − 𝟑 ) = 3𝑏 + 𝑇 𝑛 − 3 (4)
𝑇 𝑛 = 3𝑏 + (𝒃 + 𝑻 𝒏 − 𝟒 ) = 4𝑏 + 𝑇 𝑛 − 4 (5)
etc.
On peut faire l’hypothèse qu’on s’intéresse à la propriété 𝑃𝑖 telle que : 𝑇 𝑛 = i𝑏 +
𝑇 𝑛 − i pour 1 < 𝑖 < 𝑛.
3. Prouvons 𝑃𝑖 :
o Cas de base : 𝑖 = 1
Le cas de base correspond à notre définition de la complexité :
𝑇 𝑛 = 1𝑏 + 𝑇 𝑛 − 1 (𝑃1 )
o Cas de récurrence : 2 < 𝑖 < 𝑛
On suppose que Pi est vraie, et on veut prouver Pi+1 :
𝑇 𝑛 = 𝑖𝑏 + 𝑇 𝑛 − 𝑖 (𝑃𝑖 )
Or on a par définition de 𝑇 :
𝑇 𝑛−𝑖 =𝑏+ 𝑇 𝑛−𝑖−1
On remplace 𝑇 𝑛 − 𝑖 dans Pi :
𝑇 𝑛 = 𝑖𝑏 + (𝑏 + 𝑇 𝑛 − 𝑖 − 1 )
𝑇 𝑛 = 𝑖 + 1 𝑏 + 𝑇(𝑛 − 𝑖 + 1 ) (𝑃𝑖+1 )
o On a prouvé P.
4. On peut donc maintenant se ramener à une expression de 𝑇 𝑛 en posant 𝑖 = 𝑛 −
1:
𝑇 𝑛 = 𝑛 − 1 𝑏 + 𝑇(𝑛 − 𝑛 − 1 )
𝑇 𝑛 = 𝑛−1 𝑏+ 𝑎
o Au final, la complexité temporelle est donc 𝑇 𝑛 = 𝑂 𝑛 + 𝑂 1 = 𝑂 𝑛
Remarque : la complexité spatiale est identique, puisqu’elle repose sur la même définition
récursive.

17.3.3 Méthode par bornage

La notation asymptotique peut être utilisée pour faciliter la démonstration : en effet, il est
inutile de calculer la relation de récurrence exacte, puisqu’au final on ne veut qu’une borne
supérieure.
Le principe de cette méthode est d’abord de déterminer intuitivement une hypothèse quant
à la forme de la borne asymptotique supérieure (ou inférieure) de 𝑇 𝑛 (ou de 𝑆 𝑛 ), puis de
prouver cette hypothèse par récurrence.
1. Soit une fonction 𝑔 telle que 𝑇 = 𝑂 𝑔 . On suppose donc qu’il existe une constante
𝑘 telle qu’à partir d’un certain 𝑛 ≥ 𝑛0 , on ait : 𝑇 𝑛 ≤ 𝑘 × 𝑔 𝑛 .
2. Cas de base : on montre la propriété pour un 𝑛0 .
3. Cas de récurrence : on substitue l’expression de 𝑇 𝑛 dans 𝑇(ℎ 𝑛 ), et on tente de
montrer que 𝑇(ℎ 𝑛 ) ≤ 𝑘 × 𝑔(ℎ 𝑛 ).

Remarque : On tente d’abord la démonstration avec une fonction 𝑔 ne contenant qu’un

seul terme, du degré le plus élevé. Si la démonstration bloque, on peut rajouter des termes de
degré inférieur qui permettront éventuellement de simplifier une inégalité et d’aboutir.

exemple : calcul de factorielle

On reprend les constantes 𝑎 et 𝑏 posées précédemment :
𝑇 1 =𝑎 (1)
𝑇 𝑛 =𝑇 𝑛−1 +𝑏 (2)

195/232
 Supports de cours vol.1 – Période 2005-2014

1. Supposons que 𝑇 est en 𝑂 𝑛 , avec 𝑘𝑔 𝑛 = 𝑐𝑛, i.e. 𝑇 𝑛 ≤ 𝑐𝑛 pour un certain 𝑛 ≥

𝑛0 .
2. Cas de base : 𝑛 = 1
D’après (1), on a : 𝑘𝑔 1 = 𝑐.
On pose : 𝑐 ≥ 𝑎 de manière à avoir 𝑇 1 ≤ 𝑘𝑔 1 .
3. Cas de récurrence : 𝑛 > 1
Soit la propriété 𝑃𝑛 :
𝑇 𝑛 ≤ 𝑐𝑛 (𝑃𝑛 )
On suppose que 𝑃𝑛 est vraie, et on veut montrer 𝑃𝑛+1 :
𝑇 𝑛+1 ≤𝑐 𝑛+1 (𝑃𝑛+1)
On réécrit (2) sous la forme :
𝑇 𝑛+1 =𝑇 𝑛 +𝑏 (3)
On substitue 𝑃𝑛 dans (3) :
𝑇 𝑛 + 1 ≤ 𝑐𝑛 + 𝑏 (4)
En posant 𝑏 = 𝑐, l’équation (4) correspond bien à l’inégalité à prouver (𝑃𝑛+1).
On a donc prouvé que pour 𝑎 ≤ 𝑏 = 𝑐 et 𝑛 ≥ 1, on a bien la propriété 𝑃𝑛 .
Donc 𝑇 𝑛 est bien en 𝑂 𝑛 .

Remarque : avec cette méthode, on peut prouver que la complexité d’une fonction est en
𝑂 𝑔 , mais on ne prouve pas qu’il n’existe pas de meilleure borne supérieure (i.e. une borne
d’ordre inférieur). Cependant, on peut l’utiliser pour trouver une borne supérieure et une borne
inférieure de même forme (on a donc une borne approchée).

exemple : recherche dichotomique récursive

int recherche_dicho(int tab[], int debut, int fin, int v)
{ int resultat,m;

1 if(debut<=fin) 𝑂 1
2 { m = (debut+fin)/2; 𝑂 1
3 if(tab[m]==v) 𝑂 1
4 resultat = 1; 𝑂 1
else
5 { if(tab[m]>v) 𝑂 1
6 resultat = recherche_dicho(tab, debut, m-1, v); 𝑇 𝑁/2 + O 1
else
7 resultat = recherche_dicho(tab, m+1, fin, v); 𝑇 𝑁/2 + O 1
}
}
else
8 resultat = 0; 𝑂 1
9 return resultat; 𝑂 1
}

Taille des données :

 partie du tableau tab comprise entre debut et fin : 𝑛 = 𝑓𝑖𝑛 − 𝑑𝑒𝑏𝑢𝑡 + 1
Complexité temporelle :
 complexité du cas d’arrêt 𝑛 = 0 :
o ligne 1 : condition du if : 𝑂 1
o ligne 8 : affectation : 𝑂 1
o ligne 9 : opération élémentaire : 𝑂 1
o total : 𝑇 0 = 𝑂 1 + 𝑂 1 + 𝑂 1 = 𝑂 1 .
 complexité du cas général 𝑛 > 0 :
o ligne 1 : condition du if : 𝑂 1

196/232
 Supports de cours vol.1 – Période 2005-2014

o ligne 2 : opérations élémentaires : 𝑂 1

o ligne 3 : dans le if :
 test : 𝑂 1
 premier bloc :
 ligne 4 : opération élémentaire : 𝑂 1
 else :
 ligne 5 : dans le if :
o test : 𝑂 1
o premier bloc : 𝑇 𝑁/2 + 𝑂 1
o else : 𝑇 𝑁/2 + 𝑂 1
o total du if : 𝑇 𝑁/2 + 𝑂 1
 total du else : 𝑇 𝑁/2 + 𝑂 1
 total du if : 𝑇 𝑁/2 + 𝑂 1
o ligne 9 : opération élémentaire : 𝑂 1
o total : 𝑇 𝑁 = 𝑇 𝑁/2 + 𝑂 1
 résolution de la récurrence :
o on pose :
𝑇 0 =𝑎 (1)
𝑇 𝑛 = 𝑇 𝑛/2 + 𝑏 (2)
o supposons que T est en 𝑂 log 𝑛 , avec 𝑘𝑔 𝑛 = 𝑐 log 𝑛 + 𝑑.
o i.e. : 𝑇 𝑛 ≤ 𝑐 log 𝑛 + 𝑑.
 cas de base :
o il y a un problème si on prend 𝑛 = 0 car log 0 n’est pas défini.
o mais le cas de base de la démonstration ne doit pas forcément être celui de
la relation de récurrence, puisque dans le cadre de la notation asymptotique,
on considère un 𝑛0 suffisamment grand.
o on peut donc prendre 𝑛 = 1, et on a alors : 𝑘𝑔 1 = 𝑑
o on pose 𝑎 ≤ 𝑑 de manière à avoir 𝑇 1 ≤ 𝑘𝑔 1 .
 cas de récurrence : 𝑛 > 1
o Soit la propriété 𝑃𝑛 telle que :
𝑇 𝑛 ≤ 𝑐 log 𝑛 + 𝑑 (𝑃𝑛 )
o on suppose que 𝑃𝑛 est vraie, et on veut montrer 𝑃2𝑛 :
𝑇 2𝑛 ≤ 𝑐 log 2𝑛 + 𝑑 (𝑃2𝑛 )
o on récrit (2) sous la forme :
𝑇 2𝑛 = 𝑇 𝑛 + 𝑏 (3)
o on substitue 𝑃𝑛 dans (3) :
𝑇 2𝑛 ≤ 𝑐 log 𝑛 + 𝑑 + 𝑏 (4)
o en posant 𝑏 = 𝑐, on obtient :
𝑇 2𝑛 ≤ 𝑐 log 𝑛 + 𝑑 + 𝑐 (5)
𝑇 2𝑛 ≤ 𝑐 1 + log 𝑛 + 𝑑 (6)
o par définition de la fonction logarithme, on a log 2 21 = 1, d’où :
𝑇 2𝑛 ≤ 𝑐 log 2 + log 𝑛 + 𝑑 (7)
o par définition de la fonction logarithme, on a log 𝑎 + log 𝑏 = log 𝑎𝑏 ,
d’où :
𝑇 2𝑛 ≤ 𝑐 log 2𝑛 + 𝑑 (8)
o (8) correspond bien à l’inégalité à prouver (𝑃2𝑛 ).
 On a donc prouvé que pour 𝑎 ≤ 𝑏 = 𝑐 et 𝑛 ≥ 1, on a bien la propriété 𝑃𝑛 .
 Donc 𝑇 𝑛 est bien en 𝑂 log 𝑛 .

197/232
 Supports de cours vol.1 – Période 2005-2014

𝑇 𝑛 = 𝑐𝑇 𝑛⁄𝑑 + Θ 𝑛𝑘 pour 𝑐 > 𝑑 𝑘 𝑂(𝑛log𝑑 𝑐 )

𝑇 𝑛 = 𝑐𝑇 𝑛⁄𝑑 + Θ 𝑛𝑘 pour 𝑐 < 𝑑 𝑘 𝑂 𝑛𝑘
𝑇 𝑛 = 𝑐𝑇 𝑛⁄𝑑 + Θ 𝑛𝑘 pour 𝑐 = 𝑑 𝑘 𝑂 𝑛𝑘 log 𝑛

exemples : utilisation du tableau sur différentes fonctions connues

 Factorielle :
o 𝑇 𝑛 =𝑂 1 +𝑇 𝑛−1 .
o 1ère ligne du tableau avec 𝑘 = 0.
o On a donc : 𝑇 𝑛 = 𝑂 𝑛0+1 = 𝑂 𝑛 .
 Recherche dichotomique :
o 𝑇 𝑁 = 𝑇 𝑁/2 + 𝑂 1 .
o Dernière ligne du tableau avec 𝑑 = 2 et 𝑘 = 0 d’où 𝑑 𝑘 = 1 et 𝑐 = 𝑑 𝑘 .
o On a donc : 𝑇 𝑛 = O 𝑛0 log 𝑛 = O log 𝑛 .
 Suite de Fibonacci :
o 𝑇 𝑛 =𝑇 𝑛−1 +𝑇 𝑛−2 +𝑂 1 .
o On considère que T est croissante, d’où : 𝑇 𝑛 ≤ 2𝑇 𝑛 − 1 + 𝑂 1 .
o 2ème ligne du tableau avec 𝑘 = 0 et 𝑐 = 2 > 1.
o On a donc : 𝑇 𝑛 = 𝑂 2𝑛 .

200/232