Rotations AVL et courbes de remplissage : géométrie des algorithmes

Les structures de données et les algorithmes semblent a priori étrangers à la géométrie. Pourtant, certaines des structures les plus efficaces de l'informatique — les arbres équilibrés, les courbes de remplissage de l'espace — révèlent une géométrie sous-jacente fascinante, liée à la rotation et à la récursivité.

Un arbre AVL (Adelson-Velsky et Landis, 1962) est un arbre binaire de recherche auto-équilibrant. Après chaque insertion ou suppression, l'arbre vérifie que la différence de hauteur entre les sous-arbres gauche et droit de chaque nœud ne dépasse pas 1. Si ce n'est pas le cas, il effectue une rotation pour rétablir l'équilibre.

Une rotation AVL est une réorganisation locale de trois nœuds. Elle ne correspond pas à un mouvement spiralé dans l'espace — c'est une opération purement combinatoire. Mais la terminologie de « rotation » reflète une intuition géométrique réelle : on fait pivoter un sous-arbre autour d'un nœud pivot.

La courbe de Hilbert est une courbe fractale qui remplit un carré. Elle est définie récursivement : à chaque niveau, on subdivise le carré en quatre quadrants et on les relie par un chemin en forme de U. La courbe de niveau n visite $4^{n}$ points et sa longueur est $4^{n}$ − 1 fois la longueur d'un côté élémentaire.

La propriété clé de la courbe de Hilbert est sa localité : deux points proches sur la courbe sont généralement proches dans l'espace. Cette propriété est exploitée en informatique pour améliorer la localité de cache dans les algorithmes de traitement d'images et de bases de données spatiales.

La courbe Z (ou courbe de Morton) est une alternative plus simple à la courbe de Hilbert. Elle entrelace les bits des coordonnées x et y pour produire un index linéaire. Son parcours ressemble à la lettre Z répétée récursivement.

La courbe Z est moins locale que la courbe de Hilbert — elle présente des discontinuités aux frontières des quadrants — mais elle est beaucoup plus simple à calculer, ce qui la rend préférable dans de nombreuses applications pratiques.

• Bases de données spatiales : indexation des coordonnées géographiques
• Traitement d'images : amélioration de la localité de cache
• Rendu 3D : organisation des données de texture
• Compression d'images : partitionnement récursif de l'espace
• Calcul parallèle : partitionnement équilibré des données

La géométrie des algorithmes efficaces révèle une vérité profonde : l'efficacité computationnelle et l'élégance géométrique sont souvent liées. Les courbes de remplissage de l'espace ne sont pas des curiosités mathématiques — ce sont des outils pratiques qui exploitent la structure géométrique de l'espace pour améliorer les performances des algorithmes.

La relation avec la thèse du site est précise: la complexité comme croissance du travail, non comme dessin dans le plan peut partager une géométrie, une dynamique ou une représentation avec une autre famille de phénomènes, mais ces niveaux ne sont pas identiques. La comparaison devient scientifique lorsqu’elle nomme le mécanisme commun supposé, les variables qui diffèrent et le test qui permettrait de les départager.

La relation avec la thèse du site est précise: la complexité comme croissance du travail, non comme dessin dans le plan peut partager une géométrie, une dynamique ou une représentation avec une autre famille de phénomènes, mais ces niveaux ne sont pas identiques. La comparaison devient scientifique lorsqu’elle nomme le mécanisme commun supposé, les variables qui diffèrent et le test qui permettrait de les départager.

La relation avec la thèse du site est précise: la complexité comme croissance du travail, non comme dessin dans le plan peut partager une géométrie, une dynamique ou une représentation avec une autre famille de phénomènes, mais ces niveaux ne sont pas identiques. La comparaison devient scientifique lorsqu’elle nomme le mécanisme commun supposé, les variables qui diffèrent et le test qui permettrait de les départager.

La relation avec la thèse du site est précise: la complexité comme croissance du travail, non comme dessin dans le plan peut partager une géométrie, une dynamique ou une représentation avec une autre famille de phénomènes, mais ces niveaux ne sont pas identiques. La comparaison devient scientifique lorsqu’elle nomme le mécanisme commun supposé, les variables qui diffèrent et le test qui permettrait de les départager.

La relation avec la thèse du site est précise: la complexité comme croissance du travail, non comme dessin dans le plan peut partager une géométrie, une dynamique ou une représentation avec une autre famille de phénomènes, mais ces niveaux ne sont pas identiques. La comparaison devient scientifique lorsqu’elle nomme le mécanisme commun supposé, les variables qui diffèrent et le test qui permettrait de les départager.

Le point de départ est concret: la complexité comme croissance du travail, non comme dessin dans le plan. Un algorithme de tri transforme une séquence en la réordonnant. Sa complexité décrit le nombre d’opérations, les comparaisons, les déplacements ou la mémoire nécessaires selon la taille n. Une visualisation en spirale peut rendre cette croissance sensible, mais la spirale n’est pas la cause de la complexité. Cette première distinction est importante, car une forme enroulée peut être une trajectoire, une structure, une projection ou une simple convention graphique.

Le modèle asymptotique ignore les constantes lorsque n devient grand, tandis qu’une mesure pratique dépend du langage, du cache et de la distribution des données. Quicksort, mergesort et heapsort peuvent partager une classe moyenne tout en ayant des comportements différents sur les cas limites. L’analyse doit donc préciser le scénario. ^[1] Le modèle n’est pas l’objet: c’est une description dont les hypothèses doivent rester visibles.

Un tri par insertion avance localement et peut être excellent sur une séquence presque ordonnée; un tri par fusion dépense de la mémoire pour garantir une structure de sous-problèmes; un tri par tas contrôle la borne dans le pire cas. Comparer leurs courbes sur un graphique spiralé ne remplace pas ces invariants. Le contre-exemple est aussi instructif que l’exemple: il montre quelle variable manque lorsqu’on passe d’un domaine à l’autre.

Un banc d’essai utile varie n, le degré d’ordre initial, les doublons et la mémoire disponible. Il mesure comparaisons et déplacements séparément, puis donne la dispersion sur plusieurs exécutions. Cette discipline empêche de présenter une seule animation comme une preuve générale de performance. Une figure quantitative doit distinguer données publiées, calcul théorique, simulation et schéma conceptuel.

Pour comprendre la complexité comme croissance du travail, non comme dessin dans le plan, il faut séparer au moins la variable qui tourne, celle qui change d’échelle et celle qui transporte l’information ou la matière. Un algorithme de tri transforme une séquence en la réordonnant. Sa complexité décrit le nombre d’opérations, les comparaisons, les déplacements ou la mémoire nécessaires selon la taille n. Une visualisation en spirale peut rendre cette croissance sensible, mais la spirale n’est pas la cause de la complexité. Une forme globale peut rester stable alors que les éléments qui la composent se remplacent; à l’inverse, une trajectoire peut changer de forme sans que le mécanisme local soit nouveau.

Le lien avec le site est une métaphore contrôlée: les étapes d’un algorithme peuvent s’enrouler autour d’un problème, mais la convergence vers une séquence triée dépend d’une relation d’ordre et d’un invariant. La forme du tracé ne doit jamais être confondue avec la preuve de correction. On ne peut donc pas conclure à partir d’une image seule. Il faut demander quelle observation ferait échouer l’hypothèse, puis conserver les résultats négatifs dans la comparaison. Cette discipline est particulièrement importante lorsque plusieurs modèles produisent une silhouette voisine.

Un banc d’essai utile varie n, le degré d’ordre initial, les doublons et la mémoire disponible. Il mesure comparaisons et déplacements séparément, puis donne la dispersion sur plusieurs exécutions. Cette discipline empêche de présenter une seule animation comme une preuve générale de performance. Pour rendre le résultat contrôlable, il faut conserver les paramètres, les unités, la résolution, les conditions initiales et la méthode de calcul. Une visualisation interactive doit aussi offrir un état initial lisible et un bouton de réinitialisation; sinon le lecteur voit un résultat sans pouvoir en comprendre la dépendance.

Le modèle présenté explique le modèle asymptotique ignore les constantes lorsque n devient grand, tandis qu’une mesure pratique dépend du langage, du cache et de la distribution des données. quicksort, mergesort et heapsort peuvent partager une classe moyenne tout en ayant des comportements différents sur les cas limites. l’analyse doit donc préciser le scénario. ^[1] mais il ne répond pas à toutes les échelles. Il reste à préciser comment les conditions initiales, les perturbations et les limites du système modifient le motif. C’est là que commence la recherche: non pas en ajoutant une analogie, mais en formulant une prédiction qui pourrait être mesurée.

Le lien avec le site est une métaphore contrôlée: les étapes d’un algorithme peuvent s’enrouler autour d’un problème, mais la convergence vers une séquence triée dépend d’une relation d’ordre et d’un invariant. La forme du tracé ne doit jamais être confondue avec la preuve de correction. ^[2]

La relation avec la thèse du site est précise: la complexité comme croissance du travail, non comme dessin dans le plan peut partager une géométrie, une dynamique ou une représentation avec une autre famille de phénomènes, mais ces niveaux ne sont pas identiques. La comparaison devient scientifique lorsqu’elle nomme le mécanisme commun supposé, les variables qui diffèrent et le test qui permettrait de les départager.