Dimitrij/TD4_DEV51_Qualite_Algo
1
0
Fork 0
forked from menault/TD4_DEV51_Qualite_Algo
Code Pull Requests Activity

Actualiser Readme.md

Browse Source
This commit is contained in:
Hugo DIMITRIJEVIC 2024-11-26 10:33:48 +01:00
parent 2e4854c148
commit acf04e1354
1 changed files with 6 additions and 7 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

13
Readme.md
View File

@ -1,4 +1,4 @@
**Exercice 1** #### **Exercice 1**
1. **`function_1(tableau1, tableau2)`** : 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 \(m\)). 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. 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 \(x\). 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 : 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 : ### Conclusion :
La fonction **`sort_students`** a une complexité algorithmique de **\( O(\text{grades\_number} \cdot \text{students\_number}^3) \)**. La fonction **`sort_students`** a une complexité algorithmique de **\( O(\text{grades\_number} \cdot \text{students\_number}^3) \)**.
---
**Exercice 3**
#### **Exercice 3**
### **Algorithme proposé** ### **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. - Calculer la somme des valeurs de chaque sous-dimension.
- Trier les sous-dimensions en fonction de leurs sommes. - Trier les sous-dimensions en fonction de leurs sommes.
---
### **Implémentation en Python** ### **Implémentation en Python**
@ -102,7 +104,6 @@ resultat = recursive_sort(tableau)
print(resultat) # Résultat attendu : [[0, 2, 3], [1, 3, 4], [4, 5, 9]] print(resultat) # Résultat attendu : [[0, 2, 3], [1, 3, 4], [4, 5, 9]]
``` ```
---
### **Exemple d’exécution** ### **Exemple d’exécution**
@ -124,7 +125,6 @@ Pour le tableau donné :
[ [0, 2, 3], [1, 3, 4], [4, 5, 9] ] [ [0, 2, 3], [1, 3, 4], [4, 5, 9] ]
\] \]
---
### **Complexité de l’algorithme** ### **Complexité de l’algorithme**
@ -148,7 +148,6 @@ Pour le tableau donné :
T(N, M) = O(M^N \log M) T(N, M) = O(M^N \log M)
\] \]
---
### **Conclusion** ### **Conclusion**