Actualiser Readme.md

Readme.md

@@ -1,4 +1,4 @@
-**Exercice 1**
+#### **Exercice 1**
 
 1. **`function_1(tableau1, tableau2)`** :  
    Dans cette fonction, il y a deux boucles imbriquées : la première parcourt tous les éléments de `tableau1` (de taille \(n\)), et pour chaque élément, la deuxième boucle parcourt `tableau2` (de taille \(m\)).  
@@ -13,8 +13,9 @@
    Cette fonction contient uniquement des blocs `if` indépendants, qui s’exécutent chacun au maximum une seule fois. Il n’y a pas de boucle, donc chaque opération est constante.  
    La complexité est donc \( O(1) \), car c’est constant peu importe la valeur de \(x\).  
 
+---
 
-**Exercice 2**
+#### **Exercice 2**
 
 Pour analyser la complexité de la fonction **`sort_students`**, on décompose chaque étape :
 
@@ -61,8 +62,10 @@ O(\text{grades\_number} \cdot \text{students\_number}^3)
 ### Conclusion :  
 La fonction **`sort_students`** a une complexité algorithmique de **\( O(\text{grades\_number} \cdot \text{students\_number}^3) \)**.
 
+---
 
-**Exercice 3**
+
+#### **Exercice 3**
 
 ### **Algorithme proposé**
 
@@ -76,7 +79,6 @@ Pour trier un tableau à \( N \)-dimensions avec \( M \) valeurs par dimension,
    - Calculer la somme des valeurs de chaque sous-dimension.
    - Trier les sous-dimensions en fonction de leurs sommes.
 
----
 
 ### **Implémentation en Python**
 
@@ -102,7 +104,6 @@ resultat = recursive_sort(tableau)
 print(resultat)  # Résultat attendu : [[0, 2, 3], [1, 3, 4], [4, 5, 9]]
 ```
 
----
 
 ### **Exemple d’exécution**
 
@@ -124,7 +125,6 @@ Pour le tableau donné :
    [ [0, 2, 3], [1, 3, 4], [4, 5, 9] ]
    \]
 
----
 
 ### **Complexité de l’algorithme**
 
@@ -148,7 +148,6 @@ Pour le tableau donné :
      T(N, M) = O(M^N \log M)
      \]
 
----
 
 ### **Conclusion**