.. MODULEAUTHOR:: `Nicolas M. Thiéry <http://Nicolas.Thiery.name/>`_ <Nicolas.Thiery at u-psud.fr>
Exercice: matrices 2times 2 génériques
Soit M=begin{pmatrix}a&b\c&dend{pmatrix}.
- Calculer M^{-1} en utilisant les cofacteurs.
- Calculer M^{-1} par pivot de Gauß.
- Généralisation à une matrice par blocs M=begin{pmatrix}A&B\C&Dend{pmatrix}?
Correction avec Sage:
sage: a,b,c,d = QQ['a,b,c,d'].fraction_field().gens() sage: M = matrix([[a,b],[c,d]]); M [a b] [c d] sage: M^-1 [ d/(-b*c + a*d) (-b)/(-b*c + a*d)] [(-c)/(-b*c + a*d) a/(-b*c + a*d)] sage: I2 = matrix(2,2,1); I2 [1 0] [0 1] sage: M = M.augment(I2, subdivide=True); M [a b|1 0] [c d|0 1] sage: M[1] = a*M[1] - c *M[0]; M [ a b| 1 0] [ 0 -b*c + a*d| -c a] sage: M[1] = M[1]/M[1,1]; M [ a b| 1 0] [ 0 1|(-c)/(-b*c + a*d) a/(-b*c + a*d)] sage: M[0] = M[0] - b * M[1]; M [ a 0| a*d/(-b*c + a*d) (-a*b)/(-b*c + a*d)] [ 0 1| (-c)/(-b*c + a*d) a/(-b*c + a*d)] sage: M[0] = M[0]/a; M [ 1 0| d/(-b*c + a*d) (-b)/(-b*c + a*d)] [ 0 1|(-c)/(-b*c + a*d) a/(-b*c + a*d)]
Exercice
Soit f une fonction suffisamment gentille dont on recherche une racine a.
On suppose que l'on ait une approximation x de a, et on pose:
N(x) = x - \frac{f(x)}{f'(x)}
- Calculer f(a) par développement de Taylor de f en x
- Qu'en déduire sur N(x)-a par rapport à x-a?
- Quelle conclusion peut-on en tirer? Sous quelles hypothèses?
Pour les détails, voir l'article de la Wikipedia.
Exercice
On suppose que A(z) est une approximation de l'inverse de B(z):
- Que vaut la nouvelle approximation A(z)(2-A(z)B(z))?
- Conclusion?
Exercice
Soit F(X) un polynôme à coefficients dans QQ[z]. On cherche une série A(z) telle que F(A(z))=0.
On suppose que l'on ait une approximation H(z) de A(z).
- En vous inspirant de la méthode de Newton usuelle, proposer une meilleure approximation de A(z).
- Quelle est la vitesse de convergence?
- Quelles opérations sont nécessaires lors d'une itération?
- Quel en est le coût?
- Quelle est la complexité de cet algorithme?
Exercice
- En déduire un algorithme pour calculer la racine carrée d'une série.
- Que se passe-t'il si l'on essaye de calculer l'inverse d'une série de cette manière?
.. TODO:: voir Modern Computer Algebra
Dans la suite, on considère un anneau K et deux polynômes dans K[z]:
A = A(z) = a_0 + a_1 z + \cdots + a_n z^n
B = B(z) = b_0 + b_1 z + \cdots + b_n z^m
L'objectif est de calculer les coefficients c_k du polynôme C(z) = A(z)B(z).
Algorithme naïf
On se contente d'utiliser la formule c_k = sum_{i+j=k} a_i b_j.
Exercice
Quelle est la complexité du calcul du produit des polynômes A(z) et B(z) par l'algorithme naïf?
Exercice
Donner des formules pour calculer les coefficients du polynôme (a_0+a_1z)(b_0+b_1z) en fonction de a_0,a_1,b_0,b_1 utilisant un nombre minimal de produits.
Nous allons maintenant appliquer les deux principes suivants:
- «Si vous avez une bonne idée, appliquez la par récurrence, vous obtiendrez une meilleure idée.»
- Diviser pour régner!
Étape de récurrence
Supposons que n=m=2l, et écrivons
A = A_0 + A_1 z^l
B = B_0 + B_1 z^l
où A_0=A_0(z) A_1=A_1(z), B_0=B_0(z), B_1=B_1(z) sont de degré leq l.
On peut calculer AB en calculant récursivement quatre produits de polynômes de degré l:
AB = A_0B_0 + ( A_0B_1 + A_1B_0 ) z^l + (A_1B_1)z^{2l}
Ou seulement avec trois:
AB = A_0B_0 + ( (A_0+A_1)(B_0+B_1) - A_0B_0 - A_1B_1 ) z^l + (A_1B_1)z^{2l}
L'algorithme de Karatsuba consiste à calculer le produits de polynômes de degré 2^r en appliquant récursivement l'étape précédente.
Complexité
L'algorithme de multiplication de Karatsuba est de complexité O(n^{log_2(3)})approx O(n^{1.59}).
Démonstration
On suppose d'abord que n=2^r, et on ne compte que le nombre f(r) de multiplications requises dans K. Clairement:
f(r)=3f(r-1)=3^rf(0)=3^r
Pour calculer le produit de deux polynômes de degré n, on les complète en polynômes de degré 2^{lceil log_2(n)rceil}. Le nombre de multiplications dans K est alors borné par:
3^{\lceil \log_2 n \rceil} \leq 3. 3^{\log_2 n} = 3.2^{\log_2 3 . \log_2 n} = 3 n^{\log_2 3}
Il est clair que le nombre d'additions est négligeable (de l'ordre de O(4nlog_2 n)).
En pratique: implantation
L'algorithme de Karatsuba, étant plus compliqué en particulier à cause de la récursion, est moins performant en petit degré que l'algorithme naïf. Aussi les implantations utilisent l'étape de récurrence en haut degré, et basculent sur un produit naïf en deçà d'un certain seuil.
Ce seuil est déterminé expérimentalement par bancs d'essais. Dans certains cas la détermination du seuil optimal pour une architecture donnée est effectuée automatiquement à la compilation.
C'est un principe très général. On l'avait déjà vu avec les tris, et on le retrouve par exemple en algèbre linéaire avec la bibliothèque ATLAS (Automatically Tuned Linear Algebra Software)
En pratique: usage
L'algorithme de Karatsuba requiert des soustractions:
- Il ne s'applique pas aux polynômes sur des semi-anneaux (par exemple NN[x], algèbre tropicale, ...)
- Il peut poser des problèmes de stabilité numérique en calcul approché (flottants, ...)
Remarque stupide
Si x_0 est un élément de K, et C(z) = A(z)B(z) alors:
C(x_0) = A(x_0) B(x_0)
Corollaire
Soient x_1,dots,x_n des éléments de K et munissons K^n de l'addition et de la multiplication point à point.
L'application d'évaluation:
\Phi: \begin{cases} K[z] &\mapsto (K^n,+,.)\\ P(z) &\mapsto ( P(x_1), \ldots, P(x_n) ) \end{cases}
est un morphisme d'algèbre.
C'est même un isomorphisme si on se restreint à l'ensemble K[z]_n des polynômes de degré <n.
Le produit dans (K^n,+,.) est de complexité n. Donc il est tentant d'utiliser cet isomorphisme pour calculer les produits:
A(z)B(z) = \Phi^{-1} ( \Phi(A) \Phi(B) )
Problème
Rentable si le calcul de Phi (évaluation) et de Phi^{-1} (par ex. interpolation) est peu coûteux. Pour des points quelconques, c'est au moins du O(n^2).
Comment choisir de bons points d'évaluation?
Proposition
Supposons que l'anneau K contienne une racine primitive omega de l'unité. Alors le morphisme d'algèbre:
DFT_\omega: \begin{cases} K[z] &\mapsto (K^n,+,.)\\ P(z) &\mapsto ( P(1), P(w), \ldots, P(w^{n-1}) ) \end{cases}
induit un isomorphisme d'algèbre de K[z] / (z^n-1).
Démonstration
Regarder le noyau + dimension.
Remarque
On retrouve la même algèbre que dans les codes cycliques; entre autres, la multiplication par x donne une action du groupe cyclique C_n.
Exercice
- DFT_omega est une application linéaire. Donner sa matrice.
- Donner la matrice inverse.
Indication: sum_{k=0}^{n-1} omega^{ik} = begin{cases}n&text{si
Proposition
La transformée de Fourier discrète inverse est encore une transformée de Fourier discrète:
DFT_\omega^{-1} = \frac 1n DFT_{\omega^{-1}}
Remarque: lien avec la théorie des représentations
La matrice de DFT_omega est aussi la table des caractères du groupe cyclique C_n. Le fait qu'elle soit hermitienne à un scalaire près est un cas particulier d'une proposition générale sur les tables de caractères. L'espace K[z]/(z^n-1) se décompose en n modules simples de dimension 1, et la transformation DFT_omega correspond à la décomposition d'un polynôme dans ces modules simples.
Il existe des notions de transformées de Fourier discrètes pour d'autres groupes.
Il reste à calculer efficacement la transformée de Fourier discrète.
Diviser pour régner
Supposons que P soit un polynôme de degré au plus n=2k.
Noter que z^{2k} - 1 = (z^k-1) (z^k+1).
Du coup, la moitié des racines 2k-ièmes sont des racines k-èmes de l'unité, racines de z^k-1=0. On peut donc utiliser la transformée de Fourier discrète pour évaluer P(z) dessus. Plus précisément, on calcule
P_+(z) = P(z) [ z^k - 1 ]
(ce calcul est léger!) et on utilise DFT_{omega^2}(P_+(z)) pour retrouver l'évaluation de P(z) aux racines k-èmes de l'unité.
L'autre moitié des racines 2k-ièmes sont les racines k-ème de l'unité décalées par un facteur omega, racines de z^k+1. On calcule alors
P_-(z) = P(z) [ z^k + 1 ]
et on peut donc utiliser DFT_{omega^2}(P_-(omega z)).
Algorithme de multiplication par FFT
On considère une racine 2^k-ème de l'unité, et on applique récursivement l'idée précédente.
Complexité: O(nlog n), comme pour les tris.
Problème
Et s'il n'y a pas de racine primitive de l'unité dans K?
On la rajoute!
Exemple: les corps cyclotomiques obtenus par extension algébrique de QQ par un polynôme cyclotomique:
sage: K = CyclotomicFields(6) sage: omega = K.gen() sage: omega^6
Souci: ces corps cyclotomiques nécessitent de calculer dans des extensions de corps de haut degré; donc un bon produit; cela pourrait boucler!
Algorithme de Schönhage et Strassen: O(nlog nloglog n)
Autre souci: on a divisé par n=2^k; ce n'est pas forcément possible, par exemple en caractéristique 2!
Même principe que pour les polynômes; juste plus technique à cause de la gestion des retenues. On retrouve le produit par Karatsuba, par FFT, ...
Ce que l'on a remarqué pour les séries s'applique aux calculs sur les nombres réels à précision arbitraire.
Algorithme de Strassen
Même principe que Karatsuba!
- Pour multiplier deux matrices 2times 2, il existe des formules n'utilisant que 7 produits au lieu de 8.
- On découpe les matrices de taille 2^k en 4 blocs de taille 2^{k-1} et on utilise les formules ci-dessus récursivement.
Complexité: O(n^{log_2 7}) approx O(n^{2,8})
Algorithme de Coppersmith-Winograd, ...
Complexité: O(n^{2,3755cdots}), O(n^{2,3736cdots}), O(n^{2,3727cdots})
Inutilisable en pratique ...
Parcourir les exercices suivants et en piocher un pour préparer une démonstration courte (5 minutes). Ensuite, jouer avec les exercices de votre choix. En fin de séance (vers 11h45), chacun d'entre vous présentera sa démonstration aux autres.
Exercice: Karatsuba
- Implanter l'algorithme naïf pour multiplier deux polynômes
- Implanter l'algorithme de Karatsuba pour multiplier deux polynômes
- Faire un banc d'essai pour ces deux algorithmes, et tracer un graphe permettant de comparer simultanément leur complexité pratique entre elles et avec leur complexité théorique.
- Avec votre implantation, à partir de quel seuil est-il préférable d'utiliser l'algorithme de Karatsuba?
Prolongements possibles:
- Implanter un algorithme mixte Karatsuba/naïf qui tienne compte du seuil obtenu. Comparer.
- Comparer la complexité pratique de votre implantation du produit avec celle de la bibliothèque de Sage.
- Deviner, d'après sa complexité pratique, le ou les algorithmes utilisés par Sage.
- Implanter le produit de deux entiers par Karatsuba; comparer avec l'implantation pour les polynômes.
Transformée de Fourier rapide
Voir le sujet de TP de l'année dernière.
Exercice: Illustration de Newton numérique
Réaliser une animation similaire à celle de l'article de la Wikipedia.
Exercice: Convergence de Newton numérique
- Choisir une équation de la forme f(x) = 0 et calculer des approximations successives x_0, x_1,dots, de l'une de ses solutions à l'aide d'une itération de Newton.
- Tracer le graphe du nombre de décimales correctes en fonction du nombre d'itérations.
Exercice: Inversion de séries formelle par itération de Newton
Soit B(z) une série formelle dans K[[z]] dont on veut calculer l'inverse A(z)=B^{-1}(z). En particulier, on supposera que son terme constant b_0=B(0) est inversible dans K.
On pose la fonction F(X,z) = B(z) - 1/X, de sorte que A(z) satisfait l'équation fonctionnelle implicite F(A(z), z)=0.
- Choisir A_0(z) tel que A_0(z)equiv A(z) [z]
- Supposer que l'on ait trouvé A_i(z) tel que A_i(z)equiv A(z)[z^k]. Appliquer une itération de Newton pour retrouver l'expression de A_{i+1} vue en cours, et donner sa précision (i.e. combien de termes de A(z) sont obtenus).
Exercice: Comptage des arbres par itération de Newton
Cet exercice est un complément pour la section 15.1.2 «Dénombrement d'arbres par séries génératrices» du livre «Calcul Mathématique avec Sage».
On rappelle que l'ensemble C des arbres binaires complets est défini récursivement en spécifiant qu'un arbre binaire complet est soit une feuille, soit consiste en une racine à laquelle sont attachés un sous-arbre gauche et un sous-arbre droit. Soit C(z) la série génératrices des arbres binaires complets comptés par nombres de feuilles.
Écrire l'équation ensembliste satisfaite par C.
La traduire en équation algébrique satisfaite par C(z).
Choisir C_0(z) tel que C_0(z)equiv C(z) [z].
Par itération de Newton, calculer successivement C_1(z), C_2(z), ... et indiquer le nombre de termes de C(z) obtenus à chaque étape.
Indication: on pourra au choix représenter les C_i(z) par:
- Des fractions rationnelles, en utilisant la commande :func:`taylor` pour les développer en série entière.
- Des séries tronquées à l'ordre approprié (éventuellement représentée par un simple polynôme), en utilisant l'exercice précédent pour les calculs d'inverse.
[Riou] | Notes de cours de Joël Riou |