La notation Big O décrit la façon dont le travail d’un algorithme évolue lorsque la quantité de données augmente.
Lire les familles de croissance
O(1) reste presque constant. O(log n) réduit fortement le problème à chaque étape. O(n) examine chaque élément une fois. O(n log n) apparaît souvent dans les tris efficaces, tandis que O(n²) correspond fréquemment à la comparaison de nombreuses paires.
Chercher l’opération répétée
Ne mémorisez pas seulement les symboles. Identifiez la boucle ou l’appel récursif dominant, demandez combien de fois il s’exécute, puis conservez le terme qui croît le plus vite. Les constantes comptent en pratique, mais elles ne changent pas la famille asymptotique.
Comparer avec le bon contexte
Deux algorithmes de même ordre peuvent avoir des performances différentes selon les données, la mémoire et le matériel. Utilisez Big O pour raisonner sur l’échelle, puis mesurez un programme réel lorsque les détails d’implémentation importent.
Pour aller plus loin
Retrouvez le traitement complet, les exemples et les exercices dans Les algorithmes en clair.
Adapté de Les algorithmes en clair, publié par Choral Software. Texte de l’article et exemples originaux © 2026 Choral Software. Tous droits réservés.