Chapitre 2 : Techniques de

conception d’algorithmes

Exemple algorithmes glouton

Master 1 SDIA

[Link] Abdesslem
2023/2024
Email: [Link]@[Link]
 Techniques de
conception d’algorithmes
• Des approches et des méthodologies utilisées pour développer des
solutions efficaces et optimales à des problèmes informatiques,
économique, industriel, etc.
• La conception d'algorithmes joue un rôle essentiel dans le
développement de logiciels et dans la résolution de problèmes
complexes.
• L'élaboration d'un algorithme implique de formuler une séquence
d'instructions bien définies et structurées, qui permettent de
résoudre un problème spécifique.
• Les techniques de conception d'algorithmes visent à produire des
solutions qui sont à la fois correctes, efficaces en termes de temps
d'exécution et d'utilisation des ressources, et faciles à comprendre
et à maintenir.

2
 Méthodes de conception d’algorithmes
•Force brute :
Tester toutes les possibilités de manière exhaustive jusqu'à ce que la solution
soit trouvée. (inefficace pour des problèmes complexes)
•Diviser pour régner :
Diviser un problème en sous-problèmes plus petits, résoudre ces sous-
problèmes de manière récursive, puis combiner leurs solutions pour obtenir
la solution du problème initial. L'exemple classique est l'algorithme de tri
fusion.
•Programmation dynamique :
Cette technique consiste à résoudre un problème en le décomposant en
sous-problèmes plus petits et à mémoriser les solutions de ces sous-
problèmes pour éviter de recalculer. Cela permet de réduire d’une manière
considérable le nombre de calculs répétés. ex: suite de Fibonacci
•Algorithmes gloutons :
contrairement aux algorithmes dynamiques, les algorithmes gloutons font des
choix localement optimaux à chaque étape dans l'espoir que ces choix
mèneront à une solution globale optimale.
Méthodes de conception d’algorithmes
•Recherche binaire :
Lorsqu'une liste est triée, la recherche binaire est une technique
efficace pour trouver un élément particulier dans la liste en réduisant à
chaque étape l'intervalle de recherche de moitié.
•Algorithme de rétrogradation (Backtracking) :
C'est une technique qui consiste à essayer toutes les possibilités, en
revenant en arrière dès qu'une possibilité s'avère être une impasse.
•Recherche et exploration :
Explorer un espace de solutions à la recherche d'une solution optimale.
Ex: Les algorithmes de recherche en profondeur et de recherche en
largeur

4
Méthodes de conception d’algorithmes
•Programmation linéaire et entière :
Ces techniques sont utilisées pour résoudre des problèmes
d'optimisation sous contraintes linéaires. La programmation linéaire
résout des problèmes continus, tandis que la programmation entière
résout des problèmes où les variables doivent prendre des valeurs
entières.
•Méthodes heuristiques et métaheuristiques :
Utilisées pour résoudre des problèmes d'optimisation difficiles pour
lesquels il n'existe pas d'algorithme exact efficace. Ex; algorithmes
génétiques
•Décomposition structurelle:
Analyser la structure et les propriétés du problème pour le décomposer
en sous-structures plus simples.
•Simuler le problème:
Imitation du comportement du problème par un programme pour
trouver une solution.

5
 Comment choisir la meilleure technique de
conception d'algorithme pour un problème
donné?
Voici quelques pistes pour choisir la meilleure technique de conception d'algorithme
pour un problème donné :
• Analyser la structure et les propriétés du problème: est-il divisible en sous-
parties? existe-t-il des sous-structures récurrentes?
• Identifier si certains sous-problèmes se répètent: la programmation dynamique
permet d'éviter les calculs répétés.
• Le problème implique-t-il de nombreuses combinaisons à explorer?: le
backtracking est adapté.
• Peut-on trouver une solution optimale en faisant des choix locaux optimaux?:
l'approche gloutonne a des chances de réussir.
• Le problème possède-t-il une structure récursive évidente?: la récursivité est
alors naturelle.
• Le problème peut-il se traduire sous forme de modèle mathématique?: les
outils mathématiques peuvent résoudre directement le problème.
• L'espace des solutions est-il gigantesque?: la force brute n'est pas réaliste, il
faut décomposer.
• Le temps de calcul autorisé est-il court?: privilégier les techniques les plus
efficaces même si moins optimales.
• Les données du problème se prêtent-elles bien à une division en sous-parties?:
l'approche diviser pour régner convient. 6
Les algorithmes gloutons (
greedy algorithms)

Sont une catégorie d'algorithmes de

conception qui résolvent des problèmes
en effectuant des choix localement
optimaux à chaque étape, dans l'espoir
que ces choix mèneront à une solution
globale optimale.
En d'autres termes, à chaque étape,
l'algorithme prend la meilleure décision
possible sans se soucier des
conséquences à long terme.
Bien que les algorithmes gloutons ne
garantissent pas toujours la solution
optimale, ils sont souvent rapides et
simples à mettre en œuvre, ce qui les
rend utiles pour de nombreux problèmes.
7
Caractéristiques des Algorithmes Gloutons :
• Principe de Choix Local : Les algorithmes gloutons prennent des
décisions en se basant uniquement sur l'information disponible
localement à chaque étape. Ils ne tiennent pas compte des
conséquences à long terme de leurs choix.
• Solutions Localement Optimales : À chaque étape, un algorithme
glouton choisit la meilleure option locale, c'est-à-dire celle qui semble
être la meilleure parmi les choix immédiats disponibles. Cela conduit à
des solutions localement optimales.
• Stratégie de Construction Incrémentale : Les solutions sont construites
progressivement, étape par étape, en ajoutant ou en sélectionnant des
éléments de manière incrémentale. Chaque étape est guidée par la
recherche du meilleur choix local.
• Absence de Retour en Arrière : Les algorithmes gloutons ne reviennent
généralement pas en arrière pour réévaluer ou changer une décision
prise précédemment. Une fois qu'un choix est fait, il est définitif.
8
Propriétés des problèmes résolubles
par un algorithme glouton

 Le problème doit être d'optimisation.

 Sous-structure optimale : Le problème peut se
décomposer en une série de choix locaux.
 Le choix optimal local mène parfois à une solution
optimale globale.
 Les décisions locales sont indépendantes.

9
Construction d’un algorithme
glouton
• Constituants
• a) Un ensemble de candidats disponibles C
• b) Un ensemble de candidats déjà choisis S
• c) Un test de solution
• d) Un test de réalisabilité
• e) Une fonction de sélection
• f) Une fonction objective (fonction à optimiser)

10
 Les principaux avantages des algorithmes
gloutons sont:

• Simplicité de conception : Les algorithmes gloutons sont

souvent plus simples à concevoir que d'autres techniques car
ils construisent directement la solution sans recourir à des
calculs complexes.
• Efficacité : De nombreux algorithmes gloutons ont une
complexité algorithmique faible (linéaire, logarithmique...) et
passent à l'échelle sur de grands jeux de données.
• Garantie de résultat : Si le problème vérifie les propriétés
d'optimalité locale, un algorithme glouton est assuré de
fournir une solution réalisable même si elle n'est pas
forcément optimale.
• Implémentation simple : Leur conception incrémentale en fait
des algorithmes souvent plus simples à coder que des
approches divisées ou par force brute.
11
Limites des algorithmes gloutons
• Non-optimalité de la solution : Un algorithme glouton ne garantit
pas de trouver la solution optimale globale du problème, seulement
une solution réalisable.
• Sensibilité aux choix initiaux: sensibles aux choix initiaux ou à l'ordre
dans lequel les décisions sont prises. Un ordre différent des choix
initiaux peut conduire à une solution différente, voire sous-optimale.
• Problèmes d'indépendance locale : Si les choix locaux ne sont pas
complètement indépendants, la solution gloutonne peut être très
éloignée de l'optimum.
• Impossibilité de remettre en cause les décisions : Contrairement à
d'autres techniques comme le backtracking, un algorithme glouton
ne peut revenir sur ses choix précédents pour améliorer la solution.
• Difficulté de preuve : Il est souvent compliqué de prouver
formellement qu'un algorithme glouton donnera bien une solution
optimale pour un problème donné.
• Complexité accrue sur certains problèmes : La gloutonnerie n'est pas
toujours la technique la plus efficace en termes de complexité
algorithmique.
Variantes et améliorations
possibles

• Algorithmes gloutons avec lookahead: prendre

des connaissances en avance
• Algorithmes gloutons randomisés: introduire un
peu d’aléatoire dans les choix
• Algorithmes gloutons à deux phases:
(construction + amélioration).

13
Exemples d'Algorithmes Gloutons :

[Link]ème du rendu de monnaie :

Supposons que vous deviez rendre une somme d'argent en utilisant le
moins de pièces et de billets possibles.
 Problème du rendu de monnaie :

Résolution par un algorithme glouton

On suppose que les clients ne vous donnent que des sommes entières en euros
(pas de centimes pour simplifier) ;
Les valeurs des pièces et billets à votre disposition sont : 1, 2, 5, 10, 20, 50, 100,
200 et 500. On suppose que vous avez autant d’exemplaires que nécessaire de
chaque pièce et billet.
Un algorithme glouton consiste à toujours choisir la pièce ou le billet de la
valeur la plus élevée qui ne dépasse pas le montant restant.
Exemple :
Un client nous achète un objet qui coûte 53 euros. Il paye avec un billet de 200
euros. On doit donc lui rendre 147 euros. Une façon de lui rendre la monnaie
est de le faire avec un billet de 100, deux billets de 20, un billet de 5 et une
pièce de 2.
Pour minimiser le nombre de pièces à rendre, il apparaît la stratégie suivante :
• On commence par rendre la pièce de plus grande valeur possible ;
• On déduit cette valeur de la somme (encore) à rendre ;
• On recommence, jusqu’à obtenir une somme nulle.
 2. Problème du sac à dos:
Vous avez un sac à dos de capacité C et une liste d'objets avec des
poids et des valeurs.
L'objectif est de remplir le sac de manière à maximiser la valeur
totale des objets tout en respectant la capacité du sac.
 2. Problème du sac à dos:
Voici les principaux algorithmes gloutons utilisés pour résoudre le problème du sac à dos:
•Algorithme du rapport valeur/poids:
 Calcul du rapport valeur/poids pour chaque objet
 Trie par ordre décroissant des rapports
 Remplissage du sac en prenant les objets dans cet ordre
Cet algorithme donne une solution presque optimale pour le sac à dos en valeurs.
•Algorithme du plus petit poids restant:
 Trie les objets par ordre de poids croissant
 Remplissage du sac en prenant les objets dans cet ordre
 S'arrête dès que la capacité est atteinte
Cet algorithme permet de maximiser le nombre d'objets dans le sac.
•Algorithme du plus grand profit:
 Trie les objets par ordre décroissant de valeur
 Remplissage du sac en prenant les objets dans cet ordre
 S'arrête dès que la capacité est atteinte
Cherche à maximiser la valeur totale même si le nombre d'objets n'est pas maximal.
Exemples d'Algorithmes Gloutons :
Problème du sac à dos:

Exemple d’application de l’algorithme valeur/poids

Soit un sac de capacité 10kg et les objets suivants:
Objet 1: Valeur 4, Poids 5
Objet 2: Valeur 3, Poids 4
Objet 3: Valeur 2, Poids 3
Objet 4: Valeur 1, Poids 1
L'algorithme glouton fonctionne de la manière suivante:
[Link] du rapport valeur/poids pour chaque objet
Objet 1: 4/5 = 0,8
Objet 2: 3/4 = 0,75
Objet 3: 2/3 = 0,66
Objet 4: 1/1 = 1
[Link] par ordre décroissant des rapports
Objet 4, Objet 1, Objet 2, Objet 3
[Link] du sac en ajoutant les objets un par un dans cet ordre
jusqu'à atteindre la capacité limite
On ajoute Objet 4 (1kg), puis Objet 1 (5kg), le sac est plein à 6kg.
La solution gloutonne est {Objet 4, Objet 1} pour une valeur totale de 4+1 = 5. C'est
l'optimum pour ce problème du sac à dos.
 3. Arbre de recouvrement minimum
L'algorithme de Prim
[Link] :
1. Choisissez un sommet de départ arbitraire pour commencer la construction
de l'arbre couvrant de poids minimum.
2. Créez un ensemble vide pour stocker les sommets inclus dans l'arbre
couvrant.
2.Étape de Boucle : Répétez les étapes suivantes jusqu'à ce que tous les sommets
soient inclus dans l'arbre couvrant :
[Link] l'Arête la Plus Légère : Parmi les arêtes qui relient un sommet inclus dans
l'arbre couvrant à un sommet non inclus, sélectionnez l'arête de poids minimum.
[Link] le Sommet et l'Arête :
1. Ajoutez le sommet connecté par l'arête sélectionnée à l'ensemble des
sommets inclus dans l'arbre couvrant.
2. Ajoutez également l'arête sélectionnée à l'arbre couvrant.
5.Résultat : l'arbre de poids minimum du graphe initial.
 4. Le problème du voyageur de commerce

•Le problème du voyageur de

commerce (TSP) consiste à
trouver le chemin le plus
court qui passe par chaque
ville exactement une fois et
revient à la ville de départ.
•Ce problème, très
important, il possède
plusieurs applications en
transport et réseaux.
4. Le problème du voyageur de
commerce
L'algorithme du Plus Proche Voisin
L'algorithme du Plus Proche Voisin est une technique gloutonne pour résoudre le problème du
voyageur de commerce. Son principe est assez simple : à chaque étape, l'algorithme choisit la
ville non visitée la plus proche de la ville actuelle et ajoute cette ville à la tournée en cours.
L'algorithme continue ainsi jusqu'à ce que toutes les villes aient été visitées, et la dernière
étape consiste à revenir à la ville de départ pour compléter le cycle.
Voici le principe de l'algorithme du Plus Proche Voisin en quelques étapes clés :
1. Initialisation : Choisissez une ville de départ arbitraire pour commencer la tournée.
2. Sélection de la ville suivante : À chaque étape, à partir de la ville actuelle, sélectionnez la ville non
visitée la plus proche en termes de distance. Cela signifie que vous calculez la distance entre la ville
actuelle et toutes les autres villes non visitées, puis choisissez celle qui a la distance minimale.
3. Mise à jour de la tournée : Ajoutez la ville choisie à la tournée en cours et marquez-la comme visitée.
4. Répétition : Répétez les étapes 2 et 3 jusqu'à ce que toutes les villes aient été visitées.
5. Retour à la ville de départ : Une fois que toutes les villes ont été visitées, ajoutez la dernière étape pour
retourner à la ville de départ et fermer la boucle du cycle.
6. Calcul de la distance totale : Calculez la distance totale parcourue en additionnant les distances entre
les villes dans l'ordre de la tournée.
++ simple à implémenter et fournit rapidement une solution pour de petites instances du
problème du voyageur de commerce,
-- Il ne garantit pas toujours la solution optimale
-- Dans certains cas, l'algorithme peut conduire à des tournées beaucoup plus longues que la
solution optimale.
 Exemples d'Algorithmes Gloutons :
Le problème du voyageur de commerce

Algorithme plus proche voisin

Exemple : Considérons un ensemble de villes avec leurs coordonnées en deux
dimensions :
Supposons que nous partons de la ville 0 (A) comme ville de départ. Voici comment
l'algorithme du Plus Proche Voisin serait appliqué :
1. Nous commençons à la ville 0 (A).
2. La ville la plus proche de A est la ville 3 (D) avec une distance de 5.
3. Maintenant, nous sommes à la ville 3 (D). La ville la plus proche de D est la ville 2 (C) avec une
distance de 5.
4. Nous sommes maintenant à la ville 2 (C). La ville la plus proche de C est la ville 1 (B) avec une
distance de 4.
5. Nous sommes à la ville 1 (B). La ville la plus proche de B est la ville 4 (E) avec une distance de
3.
6. Enfin, nous sommes à la ville 4 (E). Pour compléter la tournée, nous revenons à la ville 0 (A)
avec une distance de 9.
Le chemin résultant de l'algorithme du Plus Proche Voisin est donc : A → D → C → B
→ E → A.
La distance totale parcourue dans cette tournée est : 5 + 5 + 4 + 3 + 9 = 26.
Veuillez noter que cette solution n'est pas garantie d'être optimale. Dans cet exemple,
il se trouve que l'algorithme du Plus Proche Voisin a produit une tournée relativement
4. Le problème du voyageur de
commerce
Algorithme de l'insertion la moins chère(Cheapest Insertion) :
• Commencez avec un cycle contenant une seule ville.
• À chaque étape, choisissez la ville non visitée qui réduit le
plus la distance totale parcourue si elle était insérée dans
le cycle existant.
• Insérez la ville sélectionnée à l'emplacement approprié
dans le cycle existant pour former un cycle plus long.
• Répétez les étapes précédentes jusqu'à ce que toutes les
villes soient visitées.
Cet algorithme est légèrement plus complexe que l'algorithme du plus
proche voisin, mais il peut donner de meilleures solutions dans certains
cas.
5. Les algorithmes de gloutons de
remplissage et allocation de ressources
Les algorithmes gloutons First Fit, Best Fit, Worst Fit et Next Fit
sont couramment utilisés pour résoudre des problèmes
d'allocation de ressources, tels que le placement d'objets dans
des conteneurs ou l'allocation de mémoire. Voici une
description de chacun de ces algorithmes :
5. Les algorithmes de gloutons de remplissage et
allocation de ressources
First Fit (Premier ajustement) :
• Parcourez les objets à allouer un par un dans l'ordre où ils sont
donnés.
• Pour chaque objet, recherchez le premier conteneur disponible
dans lequel il peut être placé sans dépasser sa capacité.
• Placez l'objet dans ce conteneur et marquez-le comme utilisé.
• Si aucun conteneur disponible ne peut accueillir l'objet, créez un
nouveau conteneur et placez-y l'objet.
L'algorithme First Fit est rapide et simple à mettre en œuvre, mais il peut
conduire à une utilisation inefficace de l'espace, car il peut laisser de petits
espaces inutilisés dans les conteneurs.
5. Les algorithmes de gloutons de remplissage et
allocation de ressources
Best Fit (Meilleur ajustement) :
• Parcourez les objets à allouer un par un dans l'ordre où ils sont
donnés.
• Pour chaque objet, recherchez le conteneur disponible qui a la
plus petite taille disponible tout en pouvant accueillir l'objet.
• Placez l'objet dans ce conteneur et marquez-le comme utilisé.
• Si aucun conteneur disponible ne peut accueillir l'objet, créez un
nouveau conteneur et placez-y l'objet.
L'algorithme Best Fit tente de minimiser les espaces inutilisés en utilisant
le conteneur qui convient le mieux à chaque objet. Cependant, il est
généralement plus lent que l'algorithme First Fit en raison de la recherche
du meilleur conteneur à chaque étape.

26
5. Les algorithmes de gloutons de remplissage et
allocation de ressources
Worst Fit (Pire ajustement) :
• Parcourez les objets à allouer un par un dans l'ordre où ils sont
donnés.
• Pour chaque objet, recherchez le conteneur disponible qui a la
plus grande taille disponible tout en pouvant accueillir l'objet.
• Placez l'objet dans ce conteneur et marquez-le comme utilisé.
• Si aucun conteneur disponible ne peut accueillir l'objet, créez un
nouveau conteneur et placez-y l'objet.
L'algorithme Worst Fit vise à maximiser les espaces inutilisés en utilisant le
conteneur qui a la plus grande taille disponible. Il peut être utile dans
certains scénarios pour gérer des objets de tailles variables.
5. Les algorithmes de gloutons de remplissage et
allocation de ressources
Next Fit (Ajustement suivant) :
• Commencez avec un conteneur vide.
• Parcourez les objets à allouer un par un dans l'ordre où ils sont
donnés.
• Recherchez le conteneur disponible le plus récemment utilisé.
• Si l'objet peut être placé dans ce conteneur sans dépasser sa
capacité, placez-le et marquez-le comme utilisé.
• Sinon, créez un nouveau conteneur, placez-y l'objet et marquez-le
comme utilisé et recommencer à partir de ce conteneur.
L'algorithme Next Fit est similaire à l'algorithme First Fit, mais il tente de
tirer parti de la localité des objets pour réduire le nombre de conteneurs
utilisés. Cependant, il peut encore conduire à une utilisation inefficace de
l'espace.

28
5. Les algorithmes de gloutons de
remplissage et allocation de ressources
• Ces quatre algorithmes gloutons fournissent des solutions
rapides mais non optimales aux problèmes d'allocation de
ressources. Le choix de l'algorithme dépend des contraintes
spécifiques du problème et des objectifs recherchés en
termes d'utilisation de l'espace.
• Améliorations :
• Appliquer un tris décroissant avant l’exécution de chaque
algorithme: FFD ( first fit decreasing) , BFD, NFD,WFD

29
 Autres algorithmes
[Link] de Kruskal :
1. Utilisé pour trouver un arbre couvrant de poids minimum dans un graphe connexe et
pondéré.
2. Les arêtes sont triées par poids croissant, puis ajoutées à l'arbre couvrant tant
qu'elles ne forment pas de cycle.
[Link] de Dijkstra :
1. Utilisé pour trouver le chemin le plus court entre un sommet source et tous les autres
sommets dans un graphe pondéré avec des arêtes positives.
2. À chaque étape, l'algorithme sélectionne le sommet non inclus le plus proche de la
source.
[Link] de Huffman :
1. Utilisé pour la compression de données.
2. Les caractères les plus fréquents sont codés avec des longueurs binaires plus courtes,
tandis que les caractères moins fréquents sont codés avec des longueurs plus
longues, optimisant ainsi la taille globale de la représentation.
4.Sélection d'Activités :
1. Utilisé pour planifier un ensemble d'activités non conflictuelles qui partagent des
ressources limitées.
2. Les activités sont triées par heure de fin croissante, puis sélectionnées
séquentiellement tant qu'elles ne se chevauchent pas.
[Link] de Greedy Coloring :
1. Utilisé pour attribuer des couleurs aux sommets d'un graphe de manière à ce que
deux sommets adjacents n'aient pas la même couleur. 30

2. Les sommets sont colorés un par un, en utilisant la plus petite couleur disponible.
Comparaison avec d'Autres Approches

• Algorithmes Gloutons vs Programmation Dynamique :

• Les algorithmes gloutons et la programmation dynamique sont des
approches de résolution de problèmes qui se chevauchent parfois.
• Les algorithmes gloutons sont plus simples mais ne garantissent
pas toujours la solution optimale, tandis que la programmation
dynamique garantit l'optimalité mais peut être plus complexe et
gourmande en ressources.
• Algorithmes Gloutons vs Métaheuristiques :
• Les algorithmes gloutons sont une classe d'algorithmes
déterministes qui suivent une approche heuristique simple.
• Les métaheuristiques, comme les algorithmes évolutionnaires ou le
recuit simulé, sont des approches probabilistes et stochastiques
qui peuvent explorer davantage l'espace des solutions.
31
Comparaison avec d'Autres Approches

• Algorithmes Gloutons vs Force Brute :

• Les algorithmes gloutons sélectionnent localement la meilleure
option, tandis que la force brute examine toutes les possibilités de
manière exhaustive.
• La force brute garantit l'optimalité, mais elle peut être extrêmement
coûteuse en termes de temps de calcul pour des problèmes de grande
taille.
• Algorithmes Gloutons vs Diviser pour Régner :
• Les algorithmes gloutons sont souvent utilisés pour résoudre des
problèmes où des choix locaux optimaux conduisent à une solution
acceptable.
• L'approche "Diviser pour Régner" divise un problème en sous-
problèmes indépendants et combine ensuite les solutions. Elle
convient davantage à des problèmes de structure différente.
32
Conclusion
• Les algorithmes gloutons permettent de résoudre de nombreux problèmes
combinatoires de façon simple et efficace, en faisant des choix locaux optimaux à chaque
étape.
• Ils ne garantissent cependant pas toujours d'atteindre une solution optimale globale,
mais souvent une bonne approximation.
• Leur application requiert que le problème puisse se décomposer en choix locaux
indépendants et qu'une solution optimale résulte d'une succession de décisions
optimales locales.
• Des problématiques telles que le plus court chemin, l'affectation optimale, le
remplissage du sac à dos se prêtent bien à l'approche gloutonne.
• Des algorithmes classiques comme Prim, Kruskal, Huffman, FIRST FIT ont démontré
l'efficacité de la technique pour ces problèmes.
• Leur complexité algorithmique est souvent réduite par rapport à des méthodes exactes.
• Des améliorations comme le lookahead permettent parfois d'atteindre l'optimalité.
• La conception gloutonne est simple mais la preuve d'optimalité pour un problème donné
reste difficile.
• La programmation dynamique reste plus garantie sur l'optimalité de la solution trouvée.
Les algorithmes gloutons de construction constituent une approche
algorithmique intuitive, efficace et largement utilisée pour la résolution
approchée de problèmes d'optimisation combinatoire
Références

• [Link]
• [Link]
• [Link]
ures-and-algorithm-tutorials/
• [Link]
• [Link]
• Cormen, Thomas H., Charles E. Leiserson, Ronald L. Rivest, and Clifford Stein.
"Introduction to algorithms." Massachusetts Institute of Technology (2009).
• Jeff Erickson. "Algorithms." University of Illinois at Urbana-Champaign (2022).
[Link]