Analyse informelle du temps d'exécution
Introduit| English | Sens |
|---|---|
| run time/rʌn taɪm/ | temps d'exécution |
| linear/ˈlɪnɪə/ | linéaire |
| quadratic/kwɒˈdrætɪk/ | quadratique |
Compter le travail
- Nous mesurons le temps d'exécution d'un programme par le nombre de fois où ses instructions clés sont exécutées.
- Pas en secondes (celles-ci varient selon la machine) — un comptage d'opérations à mesure que l'entrée augmente.
- Plus d'opérations pour la même taille d'entrée → algorithme plus lent.
- Cela permet de comparer les algorithmes équitablement, indépendamment du matériel.
Une seule boucle : environ n
- Une boucle sur
néléments exécute son corps environnfois. - Doubler l'entrée → environ doubler le travail. C'est une croissance linéaire.
- Sommer un tableau, chercher dans une liste un par un : tout est environ
nétapes. - Écrit informellement comme « ordre
n».

Comment le temps d'exécution augmente avec le nombre d'éléments n
Une boucle imbriquée : environ n²
- Une boucle imbriquée sur
néléments exécute son corps intérieur environn × n = n²fois. - Doubler l'entrée → environ quatre fois le travail. C'est une croissance quadratique.
- Comparer toutes les paires, remplir une grille
n × n: environn²étapes. n²croît beaucoup plus vite quenlorsquendevient grand.
Comparer la croissance
- Pour comparer des algorithmes, demandez-vous comment le travail croît à mesure que l'entrée augmente.
- Pour une grande
n, un algorithmenbat un algorithmen²— souvent de beaucoup. - Concentrez-vous sur la partie du code qui s'exécute le plus (généralement la boucle la plus interne).
- Le terme croissant le plus domine le temps d'exécution total.
Jugez le temps d'exécution par la CROISSANCE, pas par un comptage fixe. Un algorithme qui fait n étapes et un qui en fait 2n + 5 croissent tous deux linéairement — pour comparer, la constante et le +5 n'ont pas d'importance ; c'est la forme (n vs n²) qui l'emporte. Une boucle simple est environ n ; une boucle imbriquée est environ n², ce qui croît beaucoup plus vite pour les grandes entrées.
Deux façons de trouver des doublons dans n éléments :
- Boucles imbriquées comparant chaque paire : environ
n²étapes. - Trier d'abord, puis un seul passage : bien moins d'étapes pour de grandes
n. - Pour
n = 1000,n²représente un million d'étapes — l'approchen²est beaucoup plus lente.
L'analyse informelle du temps d'exécution compte combien de fois les instructions s'exécutent à mesure que l'entrée augmente. Une boucle simple sur n éléments est environ n (linéaire) ; une boucle imbriquée est environ n² (quadratique), ce qui croît beaucoup plus vite. Comparez les algorithmes par leur croissance, en vous concentrant sur le code le plus exécuté (le plus interne).
Comment le travail augmente avec n
Une boucle imbriquée (n²) croît beaucoup plus vite qu'une boucle unique (n).
Une boucle unique sur n éléments s'exécute environ combien de fois ?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Une boucle sur n éléments → environ n étapes (linéaire).
Une boucle imbriquée sur n éléments s'exécute environ combien de fois son corps interne ?
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
n × n = n² (quadratique).
Pour n = 1000, environ combien d'étapes représente un algorithme n² (en millions) ?
Difficulté 2/5 · 140 pièces + un petit bonus lors de la première réussite aujourd'hui
1000² = 1,000,000 = 1 million.
Pour de grands n, un algorithme en n étapes est généralement plus rapide qu'un algorithme en n² étapes.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
n² croît beaucoup plus vite, donc il effectue bien plus de travail à grand n.
Nous mesurons le temps d'exécution en secondes, ce qui est identique sur tous les ordinateurs.
Difficulté 1/5 · 100 pièces + un petit bonus lors de la première réussite aujourd'hui
Nous comptons les opérations par rapport à la taille de l'entrée — les secondes varient selon la machine.