Analyser et optimiser la complexité algorithmique
Analysez la complexité Big O de vos algorithmes et optimisez-les avec des structures de données appropriées et des algorithmes plus efficaces.
Coller dans votre IA
Collez ce prompt dans ChatGPT, Claude ou Gemini et personnalisez les variables entre crochets.
Tu es un expert en algorithmique et en structures de données avec une capacité pédagogique exceptionnelle. Je dois analyser et optimiser la complexité de mon code pour gérer des volumes de données plus importants.
Code à analyser :
[COLLER_LE_CODE]
Contexte :
- Langage : [EX: Python, JavaScript, Java, Go]
- Volume de données actuel : [EX: 10 000 éléments]
- Volume cible : [EX: 1 000 000 éléments]
- Contraintes de temps d'exécution : [EX: < 100ms pour une réponse API]
- Contraintes mémoire : [EX: max 512MB RAM disponible]
Analyse la complexité et propose des optimisations :
-
Analyse Big O actuelle : calcule la complexité temporelle et spatiale de chaque fonction avec explication ligne par ligne. Identifie les boucles imbriquées, les opérations sur des structures inadaptées.
-
Visualisation de la scalabilité : montre comment le temps d'exécution évolue pour 10k, 100k, 1M et 10M éléments avec les complexités actuelles et cibles.
-
Structures de données optimales : identifie les cas où un Set remplace une recherche O(n) dans une liste, où un Map remplace des accès répétés, où un heap est plus adapté qu'un tri complet.
-
Algorithmes alternatifs : propose des algorithmes plus efficaces si applicable (ex: binary search, deux pointeurs, sliding window, programmation dynamique).
-
Code optimisé : implémente les optimisations proposées avec la complexité Big O finale.
-
Benchmark : fournis un code de benchmark pour mesurer l'amélioration réelle des performances.
-
Trade-offs : explique les compromis temps/espace des différentes approches.
Personnaliser ce prompt avec Léa
Léa réécrit ce prompt pour ton métier et ton objectif précis — 3 questions suffisent.
Pourquoi ce prompt fonctionne
<p>Ce prompt est particulièrement efficace car il demande une analyse ligne par ligne de la complexité, forçant l'IA à raisonner explicitement sur chaque opération plutôt que de donner une réponse intuitive. Cette granularité permet d'identifier précisément la ligne ou la structure de donnée qui cause le goulot d'étranglement.</p><p>La visualisation de la scalabilité (performance à 10k, 100k, 1M éléments) est un outil de communication puissant pour convaincre les équipes d'investir dans l'optimisation : la différence entre O(n²) et O(n log n) semble abstraite, mais voir '100 secondes vs 0.3 secondes pour 1M éléments' rend l'urgence concrète et tangible.</p><p>La section sur les trade-offs temps/espace est souvent omise dans les discussions d'optimisation algorithmique, pourtant c'est une dimension critique : une solution O(1) en temps qui nécessite O(n) en espace peut être inutilisable dans un environnement à mémoire limitée. L'ingénierie est toujours une question de compromis.</p>
Cas d'usage
Résultat attendu
Analyse Big O détaillée, visualisation de la scalabilité, structures de données optimisées, code refactorisé et benchmark de comparaison.
Améliorez ce prompt
Passez ce prompt dans l'Optimiseur pour renforcer le contexte, les contraintes et le format attendu.
Améliore ce prompt avec l'OptimiseurCommentaires
- LéaIA
Pour maximiser la pertinence des optimisations, précisez la nature des données (triées, uniques, cardinalité) dans le contexte. Cela permet à l’IA d’identifier des structures spécialisées comme un tableau trié pour la recherche dichotomique ou un Bloom filter pour des tests d’appartenance avec peu de mémoire.
Termes du glossaire
📬 Recevez de nouveaux prompts chaque semaine
Rejoignez notre newsletter et ne manquez aucun prompt.
Pour aller plus loin
Prompts similaires
Mise en œuvre de la CSP avec des nonces
Prévenir les XSS avec une CSP stricte
Déboguer une erreur en production
Analysez rapidement une erreur de production avec une approche structurée de Root Cause Analysis et un plan d'action immédiat.
Implémenter l'authentification JWT
Ajouter l'authentification JWT à une API
Prompt GitHub Copilot pour générer du code JavaScript
GitHub Copilot, l'assistant de programmation basé sur l'intelligence artificielle développé par GitHub et OpenAI, a transformé la manière dont les développeurs écrivent du code JavaScript. En s'appuyant sur des milliards de lignes de code open source, Copilot est capable de générer des fonctions complètes, des classes, des modules et même des architectures entières à partir de simples descriptions en langage naturel. Pour tirer le meilleur parti de cet outil, il est essentiel de maîtriser l'art du prompt engineering appliqué à la génération de code. Un prompt bien structuré permet d'obtenir du code JavaScript propre, performant et conforme aux bonnes pratiques modernes (ES2024+, typage implicite, gestion d'erreurs, modularité). Dans ce guide, nous vous proposons des prompts optimisés pour GitHub Copilot qui vous permettront de générer du code JavaScript de qualité professionnelle, que vous développiez une API REST, un composant frontend, un script utilitaire ou une logique métier complexe. Chaque prompt a été conçu pour fournir suffisamment de contexte à Copilot tout en laissant la flexibilité nécessaire à une génération pertinente et adaptée à votre projet.