Techniques algorithmiques avancées

Plan du cours :

Introduction
Rappel : les graphes
Résolution de problèmes
Les algorithmes de recherche
Recherche aveugle
Recherche heuristique
Algorithme minimax
Algorithme alphabéta
 Introduction

●
Modélisation des problèmes avec des graphes.
 Introduction
●
Le problème des ponts de Koenigsberg dont voici l’énoncé :
“ Peut-on arranger son parcours de telle sorte que l’on passe sur chaque
pont, et que l’on ne puisse y passer qu’une seule fois ? ”
●
En 1736, le mathématicien suisse Leonhard Euler trouva la réponse.
 Rappel : Les graphes

●
Définitions :
●
Un graphe non orienté est défini par un couple (S, A) tel que S est un ensemble de sommets et A ⊆ S × S S × S
est un ensemble d’arêtes

La relation binaire est symétrique : (si, sj) ∈ A implique (sj, si) ∈ A . A implique (sj, si) ∈ A implique (sj, si) ∈ A . A .
●
Chaîne = Séquence de sommets < s0, s1, s2, ..., sk > (notée s0 ∼ sk ) telle que ∀i ∈ [1, k], {si−1, si} ∈ A sk ) telle que ∀i ∈ [1, k], {si−1, si} ∈ Ai ∈ A implique (sj, si) ∈ A . [1, k], {si−1, si} ∈ A implique (sj, si) ∈ A . A
●
Longueur d’une chaîne = Nombre d’arêtes dans la chaîne
●
Chaîne élémentaire = Chaîne dont tous les sommets sont distincts
●
Cycle = Chaîne commençant et terminant par un même sommet
●
Boucle = Cycle de longueur 1
●
G = (S, A) est connexe si ∀i ∈ [1, k], {si−1, si} ∈ A(si, sj) ∈ A implique (sj, si) ∈ A . S2 , si ∼ sk ) telle que ∀i ∈ [1, k], {si−1, si} ∈ A sj
●
Composante connexe de G = sous-graphe de G connexe et maximal
 Rappel : Les graphes

●
Définitions :
●
Un graphe orienté est défini par un couple (S, A) tel que S est un ensemble de sommets et A ⊆ S × S S × S est un
ensemble d’arcs.

La relation binaire non symétrique : (si, sj) ∈ A implique (sj, si) ∈ A . A n’implique pas (sj, si) ∈ A implique (sj, si) ∈ A . A
●
Chemin = Séquence de sommets < s0, s1, s2, ..., sk > (notée s0→sk ) telle que ∀i ∈ [1, k], {si−1, si} ∈ Ai ∈ A implique (sj, si) ∈ A . [1, k],(si−1, si) ∈ A implique (sj, si) ∈ A . A
●
Longueur d’un chemin = Nombre d’arcs dans le chemin
●
Chemin élémentaire = Chemin dont tous les sommets sont distincts
●
Circuit = Chemin commençant et terminant par un même sommet
●
Boucle = Circuit de longueur 1
●
G = (S, A) est fortement connexe si ∀i ∈ [1, k], {si−1, si} ∈ A(si, sj) ∈ A implique (sj, si) ∈ A . S2, si → sj
●
Composante fortement connexe = sous-graphe fortement connexe maximal
 Rappel : Les graphes

●
Définitions :
Un arbre est Graphe non orienté G = (S, A) vérifiant les 6 propriétés suivantes :

– G est connexe et sans cycle

– G est sans cycle et possède S − 1 arêtes
– G est connexe et admet S − 1 arêtes
– G est sans cycle, et en ajoutant une arête, on crée un cycle élémentaire
– G est connexe, et en supprimant une arête, il n’est plus connexe
– ∀i ∈ [1, k], {si−1, si} ∈ A(si, sj) ∈ A implique (sj, si) ∈ A . S × S, il existe exactement une chaîne entre si et sj

Une arborescence est un graphe orienté sans circuit admettant une racine s0 ∈ A implique (sj, si) ∈ A . S telle que, pour tout
autre sommet si ∈ A implique (sj, si) ∈ A . S, il existe un chemin unique allant de s0 vers si.
 Les graphes

●
Structures de données pour représenter un graphe :
1-Matrice d’adjacence :
●
Matrice d’adjacence d’un graphe G = (S, A):est une matrice M telle que
M[si][sj] = 1 si (si, sj) ∈ A, A,

M[si][sj] = 0 sinon

2-Liste d’adjacence :
●
Tableau Successeur tel que Successeur[si] = liste chaînée des successeurs de si
 Parcours d’un graphe

●
Parcours d’un graphe :
Visite de tous les sommets accessibles depuis un sommet de départ donné S0.

Comment ?
●
Marquage des sommets par des couleurs :
– Blanc = Sommet pas encore visité
– Gris = Sommet en cours d’exploration
– Noir = Sommet que l’on a fini d’explorer
●
Au début, le sommet de départ est gris et tous les autres sont blancs
●
A chaque étape, un sommet gris est sélectionné (Boucle)
– Si tous ses voisins sont déjà gris ou noirs, alors il est colorié en noir
– Sinon, il colorie un (ou plusieurs) de ses voisins blancs en gris
– Jusqu’à ce que tous les sommets soient noirs ou blancs
 Parcours d’un graphe
Parcours d’un graphe :
Fonction Parcours(g, s0)
Entrée : Un graphe g et un sommet s0 de g
Sortie : Arborescence ARB du parcours de g à partir de s0

●
Arborescence associée à un parcours :
si est le père de sj, si c’est sj a été découvert à partir de si
si est racine si, si = s0
●
Tableau ARB :
ARB[si] = null si, si est racine,
et ARB[sj] = si avec si est le père de sj sinon
 Parcours d’un graphe
Parcours en largeur :
●
Structure : On utilise une file (FIFO) pour stocker des sommets gris.

Fonction Parcours_largeur(g, s0) : Retourne une arborescence ARB de g à partir de s0

Soit f une file (FIFO) initialisée à vide

Pour chaque sommet si de g faire

ARB[si] ← null
– Couleur[si] ← blanc

Enfiler s0 dans f et colorier s0 en gris

Tant que f n’est pas vide faire

Soit si le sommet le plus ancien dans f
Pour chaque sk ∈ A implique (sj, si) ∈ A . succ(si ) faire
Si sk est blanc alors
Enfiler sk dans la file f et colorier sk en gris
ARB[si] ← sk
Défiler si de f et colorier si en noir

Retourne ARB
 Parcours d’un graphe
●
Parcours en largeur :
Complexité temporelle pour un graphe ayant n sommets et m arcs :

O(n + m) (sous réserve d’une implémentation par listes d’adjacence)

 Parcours d’un graphe
Parcours en profondeur(préfixe) :
Structure : On utilise une pile (LIFO) pour stocker des sommets gris.
Fonction ParcoursProfondeur(g, s0) : Retourne une arborescence ARB de g à partir de s0
Soit p une pile (LIFO) initialisée à vide
pour tout sommet si ∈ A, S faire
ARB[si] ← null
Couleur[si] ←blanc
Empiler s0 dans p et colorier s0 en gris
Tant que la pile p n’est pas vide faire
Soit si le dernier sommet entré dans p
Dépiler si de p et colorier si en noir
Pour chaque sk ∈ A, succ(si ) faire
Si sk est blanc alors
Empiler sk dans p et colorier sk en gris
ARB[sk] ← si
RetourneARB
 Parcours d’un graphe
Parcours en profondeur(postfixe) :
Structure : On utilise la récursivité
procédure ParcoursProfondeur(g, s0) : Retourne une arborescence ARB de g à partir de s0
pour tout sommet si de g faire
ARB[si] ← null
Couleur[si] ←blanc
colorier s0 en gris
Pour tout sk ∈ A, succ(so)
Si sk est blanc alors
ARB[sk ] ← s0
ParcoursProfondeur(g, sk)
colorier s0 en noir
RetourneARB
 Parcours d’un graphe
●
Parcours en profondeur :
●
Complexité temporelle du parcours en profondeur pour un graphe ayant n sommets et m arcs :

O(n + m) (sous réserve d’une implémentation par listes d’adjacence)

 Résolution de problèmes

Les concepts caractérisant le système de résolution de problèmes:

Formulation du problème :
État-transition, Espace de Recherche, Ensemble de règles de transition, État
initial, État but.
Algorithmes de recherche :
Exploration de l’espace de Recherche, Stratégie de recherche, Ordonnancement
des d’actions permettant de passer de l’état initial à l’état but.
 Résolution de problèmes
Définitions :
L’état d’un problème est l’ensemble des valeurs prises par les variables à un instant
donnée.
L’espace d’état d’un problème est l’ensemble de tous les états possibles de ce
problème.
Un problème peut se formaliser par les éléments suivants :
– I = état initial
– F = état final
– A = ensemble d'actions qui permettent de changer d'état
– Une fonction successeur, associant à chaque action le nœud résultant
– Une fonction de coût, associant à chaque action un nombre non négative
(le coût de l’action)
 Résolution de problèmes
Exemple de problème : voyager d’une ville A vers une ville E le plus rapidement
possible.

Espace d’états : Description (abstraction) du monde réel par la liste des villes reliant
le réseau routiers A, B , C , D, E, F
•
But : atteindre la ville E
•
Action : se déplacer d’une ville à une autre
•
Fonction successeur : se déplacer de A vers B → être dans B
•
Solution du problème : la liste d’actions menant de l’état initial(A) à l’état final(E).
 Résolution de problèmes
Représentation par un graphe d’états :
• On représente l’ensemble des états du problème par un graphe étiqueté
•
Les sommets sont les états du problème
•
Il existe un arc (u,v) si une action transforme l’état u en état v,
•
L'espace d'états c‘est l'ensemble des états possibles obtenus par application
des actions

• Recherche d’une solution = recherche d’un chemin entre le nœud initial et un

nœud but
• Solution = séquence des actions étiquetant les arcs de ce chemin
 Résolution de problèmes
●
Exemple du choux, brebis et le loup :
 Algorithmes de recherche
Algorithmes de recherche :
●
Exploration de l’espace d’états en générant des successeurs d’états déjà
générés : Génération d’un arbre de recherche
●
On s’arrête lorsqu’on a choisi de développer un nœud qui représente l’état but.

Algorithme de base :
Démarrer la recherche avec une liste contenant l’état initial du problème
Tant que la liste n’est pas vide faire :
Choisir (à l’aide d’une stratégie) un état e à traiter
Si e est un état final alors retourner recherche positive
Sinon, rajouter les successeurs de e à la liste (ou une partie d’entre eux)
Si la liste est vide, retourner recherche négative
 Algorithmes de recherche
Stratégie de recherche :

●
Une stratégie de recherche est définie par l’ordre dans lequel les nœuds sont
développés,
●
Développement d’état : à chaque étape, l’état choisi sera
– complètement développé
– partiellement développé
 Algorithmes de recherche
Stratégie de recherche :

Une stratégie s’évalue en fonction de 4 dimensions :

•
La complétude : est ce que cette stratégie trouve toujours une solution si
elle existe.
•
La complexité en temps : durée de la recherche (le nombre de nœuds
générés).
•
La complexité en mémoire : espace mémoire occupée (le nombre maximum
de nœuds en mémoire).
•
L’optimalité : est ce que la stratégie trouve toujours la solution la moins
coûteuse.
 Algorithmes de recherche
Stratégie de recherche non-informée (aveugle) :

●
Les stratégies de recherche non-informées utilisent seulement les informations
disponibles dans le problème.
●
Il existe plusieurs stratégies :
1-Recherche en largeur d’abord.
2-Recherche en coût uniforme.
3-Recherche en profondeur d’abord.
4-Recherche en profondeur limitée.
5-Recherche itérative en profondeur.
 Algorithmes de recherche
1-Recherche en largeur d’abord (Breadth First Search / BFS):
Cette méthode de recherche explore les états d’un problème en étendant toujours
le nœud le moins profond.
 Algorithmes de recherche
1-Recherche en largeur d’abord: Exemple
 Algorithmes de recherche
1- Recherche en largeur d’abord: Exemple
 Algorithmes de recherche
1-Recherche en largeur d’abord (Breadth First Search / BFS):
Fonction BFS(problème) retourne solution ou echec
nœud ← avec ETAT=problème.ETAT-INIT ,...
Si problème.BUT-TEST(noeud.ETAT) alors retourner SOLUTION(noeud)
Sinon
frontière ← Liste FIFO
ajouter(noeud, frontière)
visités ← vide
Boucle
Si vide(frontière) alors retourner échec
Sinon nœud← extraire-premier(frontière)
ajouter noeud.ETAT à visités
Pour chaque action dans problème.ACTIONS(noeud.ETAT) faire
fils ← NOEUD-FILS(nœud, action)
Si fils.ETAT n’est pas dans frontière ni dans visités alors
Si problème.BUT-TEST(fils.ETAT) alors
retourner SOLUTION(fils)
Sinon ajouter(fils,frontière)
Fin boucle.
 Algorithmes de recherche
1-Recherche en largeur d’abord (Breadth First Search / BFS):

Analyse de l’algorithme de recherche en largeur :

Complétude : oui pour les espaces d’états finis.

Complexité en temps : O(bd)
où d est la profondeur de la solution et b est le facteur de branchement
Complexité en espace : O(bd)
Optimalité : non en général
 Algorithmes de recherche
2- Recherche en coût uniforme (Uniform Cost Search):
●
Le coût d’étapes (d’action) est variable.
●
Le nœud avec le coût de chemin le plus faible est développé en premier.
 Algorithmes de recherche
2- Recherche en coût uniforme (Uniform Cost Search):
Fonction UCS(problème) retourner une solution ou échec
nœud ← avec nœud.ETAT = problème.ETAT-INITIAL et noeud.COÛT-CHEMIN = 0
frontière ← file de priorité triée selon le COÛT-CHEMIN
ajouter( nœud , frontière)
visités ← ensemble vide
Boucle
Si vide(frontière) retourner échec
Sinon nœud← extraire-premier(frontière)
Si problème.BUT_TEST(nœud.ETAT) alors retourner solution(nœud)
Sinon ajouter nœud.ETAT à visités
Pour chaque action dans problème.ACTIONS(nœud.ETAT) faire
fils← FILS-NŒUD(nœud, action)
Si fils.ETAT n’est ni dans frontière ni dans visités alors
ajouter(fils, frontière)
SinonSi frontière contient un nœud n tel que
n.ETAT=fils.ETAT et n.COÛT-CHEMIN > fils.COÛT-CHEMIN
alors remplacer n par fils dans la frontière
Fin boucle
 Algorithmes de recherche
2- Recherche en coût uniforme (Uniform Cost Search):

Analyse de l’algorithme de recherche en coût uniforme :

Complétude : oui pour les espaces d’états finis

Complexité en temps / en espace : nombre de nœuds ayant le coût inférieur au coût
de la solution optimale

Optimalité : oui, les nœuds sont développés selon leurs coûts.

 Algorithmes de recherche
3-Recherche en profondeur d’abord (Depth First Search):
 Algorithmes de recherche
3-Recherche en profondeur d’abord (Depth First Search):
 Algorithmes de recherche
3-Recherche en profondeur d’abord (Depth First Search):
Fonction DFS(problème) retourne solution ou echec
nœud ← avec ETATinitialisé à problème.ETAT-INIT , ...
Si problème.BUT-TEST(noeud.ETAT) alors retourner SOLUTION(noeud)
Sinon
frontière ← Liste LIFO
Empiler(nœud ,frontière)

Boucle
Si vide(frontière) alors retourner échec
Sinon
nœud← Dépiler(frontière)
Pour chaque action dans problème.ACTIONS(noeud.ETAT) faire
fils ← NOEUD-FILS(nœud, action)
Si fils.ETAT n’est ni dans frontière alors
Si problème.BUT-TEST(fils.ETAT) alors
retourner SOLUTION(fils)
Sinon
Empiler(fils,frontière)
Fin boucle
 Algorithmes de recherche
3-Recherche en profondeur d’abord (Depth First Search / DFS):

Analyse de l’algorithme de recherche en profondeur :

Complétude : Non dans les espaces d’états infinis ou cyclique.
Oui dans les espaces d’états fini, et si on évite les cycles
Complexité en temps : O(bm)
Avec m la profondeur maximale et b est le facteur de
branchement

Complexité en espace : O( b *m ) « la frontière »

Optimalité : Non
 Algorithmes de recherche
4-Recherche en profondeur limitée(Depth Limit Search / DLS):

●
Algorithme de recherche en profondeur d’abord, mais avec une limite l sur la
profondeur.
●
Les nœuds de profondeur l n’ont pas de successeurs.
Exemple l=2
 Algorithmes de recherche
4-Recherche en profondeur limitée(Depth Limit Search / DLS):
Fonction DLS(problème, limite) retourne solution ou echec
nœud ← avec ETAT=problème .ETAT-INIT , Profondeur←0,...
Si problème.BUT-TEST(noeud.ETAT) alors retourner SOLUTION(noeud)
Sinon
frontière ← Liste LIFO
Empiler((nœud avec profondeur), frontière)

Boucle
Si vide(frontière) alors retourner échec
Sinon
(nœud avec profondeur)← Dépiler(frontière)
Si profondeur <limite alors
Pour chaque action dans problème.ACTIONS(noeud.ETAT) faire
fils ← NOEUD-ENFANT(noeud, action)
Si fils.ETAT n’est ni dans frontière alors
Si problème.BUT-TEST(fils.ETAT) alors
retourner SOLUTION(fils)
Sinon
Empiler((fils avec profondeur+1),frontière)
Fin boucle
 Algorithmes de recherche
4-Recherche en profondeur limitée (Depth Limit Search / DLS)::

Analyse de l’algorithme :
Complétude : Oui si l >= d,
Non, sinon
Avec d la profondeur de la solution et l la limite maximum

Complexité en temps : O(bl)

Avec b est le facteur de branchement

Complexité en espace : O(b*l) « la frontière »

Optimalité : Non
 Algorithmes de recherche
5- Recherche en profondeur itérative (Iterative Deepening Search-IDS) :

●
Profondeur limitée, mais en augmentant à chaque fois la profondeur: 0, 1, 2, 3, . . .
●
Combine les avantage de la recherche en largeur (complétude et optimalité) et du
parcours en profondeur (faible complexité en espace).
 Algorithmes de recherche
5- Recherche en profondeur itérative (Iterative Deepening Search-IDS) :
Exemple :
 Algorithmes de recherche
5- Recherche en profondeur itérative (Iterative Deepening Search-IDS) :

Fonction IDS (problème, limiteMax) retourne solution ou echec

l← 0
Boucle tant que (l <= LimiteMax) faire
Si LDS(problème, l) retourne échec alors incrémenter l
Sinon retourne solution
Fin si
Fin boucle
Retourner échec
Fin Fonction.
 Algorithmes de recherche
5- Recherche en profondeur itérative (Iterative Deepening Search-IDS) :

Analyse de l’algorithme IDS:

Complétude : Oui, pour les espaces d’état fini

Complexité en temps : O(bd)

Avec b est le facteur de branchement
d la profondeur de la solution
Complexité en espace : O(b*d) pour la frontière
Optimalité : Non en général
Oui si le coût = 1 pour chaque action