Modélisation et Simulation

G. Bontempi
L. Lerman
Département d’Informatique
Boulevard de Triomphe - CP 212
http://www.ulb.ac.be/di

September 17, 2015

Ressources

Assistant: M. Liran Lerman. Les TPs débuteront le mercredi 7

octobre.
Syllabus (au PUB et en pdf)
Page web du cours
http://www.ulb.ac.be/di/map/gbonte/InfoF305.html
transparents du cours,
valves: horaires, salles, accès web,
table des matières,
livres de références,
sites web de références,
code Matlab/Simulink.
Ressources (II)

rendez-vous:
fixer par email ([email protected]) en spécifiant nom, raison
et durée prévue,
au moins 2 jours ouvrables à l’avance.
Délégué étudiant.
Examen

1 projet obligatoire (2/20)

2 écrit (15/20)
3 oral facultatif (3/20)
Table de matières du cours

Introduction à la modélisation et simulation

Systèmes dynamiques
Notions d’équilibre et stabilité
Systèmes linéaires à temps continu
Systèmes linéaires à temps discret
Systèmes non linéaires continus et discrètes
Simulation Monte Carlo
La simulation des systèmes à évènements discrets
Quelques mots clé pour commencer

Complexité
Evolution dynamique
Modèle mathématique
Régularité, lois scientifiques
Haute dimension, interconnexion, interaction
interdisciplinarité
Nonlinearité
Compréhension et prédiction
Prise de décision
Calcul numérique à l’ordinateur
Phénomènes et modèles
L’être humain est habitué à construire et à utiliser des modèles
mentaux de la réalité qui l’entoure.
Chaque fois que nous conduisons une voiture, que nous
traversons la rue, que nous prévoyons qu’il va pleuvoir, que
nous attrapons un objet au vol, nous utilisons des modèles
prédictifs que nous avons construit sur la base des nos
expériences et nos erreurs passées.
Dans les sciences, il est particulièrement intéressant d’étudier
des phénomènes dont la configuration ou les propriétés
changent avec le temps. Par exemple:
le mouvement des planètes
la croissance d’une plante
la diffusion d’une maladie
l’oscillation d’un pendule
le flux de clients dans une banque,
l’évolution d’une action boursière
Nous appellerons ces phénomènes des systèmes dynamiques.
Définition de système

Le mot "système" derive du Grec syn + histanai (mettre

ensemble).
La compréhension de la nature à travers la notion de système
signifie mettre les choses dans un contexte, établir la nature de
leur relations.
Les propriétés les plus intéressantes d’un système emergent de
l’interaction entre les parties et ne peuvent pas être observées
si on se limite à analyser les parties individuellement.
Un système est plus que la somme de ses parties.
Définition de système (Wikipedia)
Un système fait référence à un assemblage d’éléments fonctionnant
de manière unitaire et en interaction permanente. En latin et en
grec, le mot système veut dire combiner, établir, rassembler. Un
sous-système est un système faisant partie d’un autre système.
Généralement, un système est constitué de composants (ou
d’éléments) organisés ensemble.
Par exemple:
Ensemble de propositions, d’axiomes, de principes et de
conclusions qui forment une discipline (ex en philosophie : le
système d’Aristote, ex en physique : le système newtonien).
Ensemble de méthodes, de procédés organisés ou
institutionnalisés pour assurer une fonction (ex: système
d’éducation, système de production, système de défense).
Ensemble d’éléments qui se coordonnent pour concourir à un
résultat (ex: système nerveux)
Appareillage, dispositif, machine assurant une fonction
Système dynamique
Un système dynamique est:
une entité physique dont la caractéristique principale est
d’évoluer dans le temps.
une entité sur laquelle une certain action est exercée par le
biais d’une entrée u et qui fournit comme réaction une certain
sortie y .
Notons que
l’attribut dynamique met l’accent sur le fait que les
phénomènes concernant le système ont lieu dans le temps.
l’entrée est normalement associée à une cause (par exemple
une force) et la sortie à un effet (par exemple une
accélération).
les entrées sont typiquement des quantités qui peuvent être
contrôlées (par exemple la position de la pédale de
l’accelerateur) et les sorties sont des quantités qui peuvent
être observées (par exemple la position de la voiture).
Systèmes entrée-sortie
Presque tous les phénomènes observés quotidiennement ont des
aspects dynamiques importants et peuvent être décrits par un
ensemble d’entrées et sorties. Exemples
un local chauffé (où l’entrée est le degré d’ouverture des
vannes des radiateurs et le nombre de personnes et la sortie est
la température dans la pièce).
un circuit électrique (entrée: courant, sortie: tension).
un réacteur chimique (où les entrées sont la température à
l’extérieur, le débit et la température à l’entrée du réacteur et
la sortie est la température du réactant).
un système masse-ressort (où l’entrée est la force F appliquée
à la masse m et la sortie est la position de la masse).
un réservoir (où l’entrée est le débit en entrée et la sortie est le
débit en sortie).
un système économique, un écosystème ou un organisme.
Notons que les grandeurs caractéristiques changent avec le temps.
Modèle verbal
Worldwide we observe today an increasing stress on natural
resources and the natural environment. The reason for this is a
constant increase in population and economic activity and, as a
consequence, the consumption of the different resources and the
dumping of wastes in the environment. An important determinant
of this resource and environmental load is the consumption of
resources and energy per capita. This consumption has the
tendency to increase as the pollution stress increases since
resource exploitation becomes more difficult. As consumption
increases, the material standard of living also improves with a
corresponding effect on population development. However,
pollution and the diminishing natural resource have feedback effects
on the health and life expectancy of the population .

Excerpt from Modeling and Simulation by H. Bossel.

Diagramme d’influence

+
population consumtpion
+
− + +
pollution

Ceci est une manière non quantitative de décrire le comportement

d’un système, qui met en évidence les variables les plus importantes
et l’effet que le changement de chacune d’entre elles a sur les
autres.
Formalisation

Plusieurs systèmes dynamiques peuvent être étudiés et analysés

d’une façon intuitive où en ayant recours à un prototype
Toutefois la relation entre les entrées et les sorties est souvent
compliquée et/ou incertaine, (par exemple contrôler un
navire-citerne ou votre voiture sur le verglas).
Aussi, l’expérimentation par prototype a plusieurs
désavantages: coût, lenteur, impraticabilité, risque.
Une alternative réside dans l’étude formelle des systèmes
dynamiques qui a été à la base des nombreuses avancées dans
la compréhension de la réalité (par exemple les systèmes
biologiques) et dans la réalisation des technologies (par
exemple le pilote automatique d’un avion).
Formalisation

De nombreux formalismes ont été proposés dans la littérature

pour représenter le comportement dynamique d’un problème.
Les exemples de formalismes mathématiques qui seront
présentés pendant ce cours sont les automates, les équations
différentielles, et les équations aux différences.
Nous analyserons aussi comme tenir en compte l’incertitude
dans la description d’un système.
Construction des modèles mathématiques

Si la loi sous-jacent à un système dynamique est décrite par un

formalisme mathématique nous avons un modèle
mathématique.
L’histoire de la science a montré que la formalisation des
problèmes est avantageuse dans plusieurs domaines.
Un modèle ne représente jamais la réalité dans toute sa finesse
mais fournit une approximation d’autant meilleure qu’on
considère des lois plus fines et qu’on dispose de données de
meilleure qualité.
Lors de l’établissement d’un modèle, on est constamment tenu
de trancher entre deux exigences contradictoires
1 représenter la réalité avec précision et dans tous ses aspects
2 ne pas compliquer exagérément le modèle.
All the models are wrong, but...
... some of them are useful (George Box)
Par exemple considérons les lois qui régissent les mouvements
des astres.
la mécanique quantique est une théorie plus exacte que la
mécanique classique, mais plus difficile à manier.
Puisque les effets quantiques semblent négligeables pour les
mouvement des astres, on utilisera dans ce cas des équations
classiques.
Ceci est justifié par le principe de parcimonie, aussi connu sous
le nom de rasoir d’Ockam, qui est un des principes
fondamentaux de la science selon lequel
Entia non sunt multiplicanda praeter necessitatem
c.-à-d. les modèles ne doivent pas être rendus excessivement
compliqués si ceci n’est pas nécessaire.
En d’autres termes, parmi deux modèles avec le même pouvoir
prédictif, c’est le plus simple qui doit être choisi.
Exemple: le pendule
Le pendule est un système physique composé par une masse
suspendue à un fil tendu de longueur l et soumise à l’action de la
pesanteur

Un modèle mathématique simple qui est souvent utilisé pour décrire

le système pour des petites oscillations autour de l’origine est
ϕ′′ (t) = −ω 2 ϕ(t)
où ϕ est le déplacement angulaire, ω 2 = g /l , et g est l’accélération
de la gravité. Pour des oscillations plus importantes un modèle plus
précis est par contre
Les deux modèles précedents negligent toutefois les forces de
friction. Dans ce cas le modèle devient plus complexe et prend la
forme

ϕ′′ (t) = −ω 2 sin(ϕ(t)) − F (ϕ′ (t))

où le terme F est une fonction non-linéaire de la vitesse angulaire.
Modèle prédictif et modèle explicatif

Quand Laplace eut publié sa Mécanique céleste

l’empereur le fit venir. L’empereur était furieux:

Napoléon: Monsieur de Laplace, je ne trouve pas dans

votre système mention de Dieu ?

Laplace : Sire, je n’ai pas eu besoin de cette hypothèse.

Cette hypothèse, Sire, explique en effet tout, mais ne
permet de prédire rien. En tant que savant, je me dois de
vous fournir des travaux permettant des prédictions.

Morale: l’interpretabilité ou le pouvoir explicatif d’un modèle sont

certainement des valeurs ajoutées dans un modèle mais elles
devraient toujours être mises en relation au détriment éventuel de
la qualité de prédiction.
Pré-requis de la modélisation
La modélisation demande au préalable d’établir
l’objectif de la modélisation: par exemple la représentation
d’un phénomène biologique, la simulation d’un réseau
électrique ou la prédiction du comportement futur d’un
système physique;
le degré de complexité du modèle que l’utilisateur peut et/ou
veut gérer: certains modèles demandent une profonde
connaissance du domaine alors que d’autres peuvent être
utilisés automatiquement par une machine (système de
contrôle);
la précision requise du modèle. Par exemple la prévision
météorologique ne nécessite pas la même précision demandée à
un modèle pour le contrôle temps-réel d’un avion;
la procédure de validation: chaque modélisation nécessite la
définition d’une procédure qui puisse valider le bon
comportement du modèle. Cette phase est indispensable avant
A quoi sert la modélisation?

Compréhension de la réalité: le modèle pourrait apporter

une connaissance additionnelle sur les mécanismes de
fonctionnement d’un phénomène (comportements oscillatoires,
états d’équilibre, stabilité, instabilité).
Génération de solutions: les solutions du modèle fournissent
des exemples de comportement du système. Parfois une
solution peut être obtenue de manière analytique mais dans les
cas les plus généraux il faut avoir recours à la simulation
numérique.
Étude de dépendances structurelles: il est intéressant
étudier et analyser le comportement de solutions en fonction
des paramètres ou de la structure du modèle (analyse de la
stabilité, sensibilité et robustesse).
Contrôle: conception de règles ou d’un système de contrôle
capable d’amener le système vers un état désiré.
Simulation

Une fois qu’un modèle a été développé et validé il peut être

utilisé pour répondre à toute une série de questions “what if”:
qu’est-ce que il va se produire si j’applique telle action ou tel
changement au système?
comment le système va se comporter d’ici un an?
si je veux améliorer la performance, est-ce que je dois apporter
la modification 1 ou plutôt la modification 2?
Toutefois, très souvent, la plupart des systèmes réels sont trop
complexes pour être évalués analytiquement.
Il est nécessaire donc de procéder de manière numérique via
une simulation afin d’estimer les caractéristiques du modèle.
Par simulation, nous entendons l’imitation du comportement
d’un procédé ou d’un système réel au cours du temps.
Simulation (II)

Soit elle effectuée à la main ou par le biais d’un ordinateur, la

simulation implique la génération d’un historique d’un système
et l’observation de cet historique artificielle afin de tirer des
conclusions sur les caractéristiques du système réel.
A partir de la simulation, nous pouvons collecter toute une
série de données, comme si nous avions accès au système réel.
Le données générées synthétiquement peuvent être utilisées
pour étudier le comportement et la performance du système.
Le résultat de la simulation peut être utile pour plusieurs
finalités, comme la prédiction, l’analyse et/ou la prise de
décision. Il faut remarquer que dans la plupart des cas, le
modélisateur n’est pas intéressé uniquement à une solution
mais à une famille de solutions (par exemple en fonction d’un
paramètre ou des conditions initiales).
Exemple

Considérons un entrepreneur d’une société industrielle qui se

pose la question: doit-on construire ou non une nouvelle usine
de production?
Sa question est de savoir si le coût de l’élargissement sera
amorti par le gain en productivité.
Dans ce contexte, il pourrait être intéressant d’avoir un outil
qui puisse simuler le changement en productivité au cas de la
disponibilité d’une nouvelle usine.
Ceci lui permettrait de tester la nouvelle configuration comme
si (what if) elle était réalisée.
Raisons du succès

La simulation est un des outils le plus communément utilisés dans

les sciences et les sciences appliqués. Les raisons de ce succès sont:
La disponibilité d’une puissance de calcul toujours en
croissance
la disponibilité d’outils logiciels conçus exprès pour la
simulation.
la nécessité et la volonté de manipuler des modèles de plus en
plus détaillés et complexes.
Exemple d’applications

Conception et analyse des systèmes de productions.

Conception et analyse des systèmes informatiques autant que
des plateformes hardware.
Évaluation des stratégies d’ordonnancement.
Conception des systèmes de communication et des protocoles
d’échange des messages.
Conception et analyse de systèmes de transport.
Évaluation de la logistique d’organisation de services:
hôpitaux, bureau de poste, restaurants.
Étude des systèmes complexes et à grand échelle (économie,
finance, biologie).
Applications militaires.
Quand la simulation est appropriée?

Quand la résolution analytique du modèle n’est pas possible ou

praticable. Ceci est souvent le cas quand le modèle est de
nature stochastique où contient des relation logiques, du genre
IF u = ... THEN y = ....
Quand nous nous contentons d’une solution satisfaisante au
lieu d’une solution optimale.
Études des interactions dans un système complexe.
Quand la connaissance obtenue pendant la simulation peut
mener à des améliorations du système sous analyse.
Outil d’enseignement, d’auto-apprentissage, de visualisation.
Évaluation des scénarios avant la construction ou la réalisation
d’un système (avion, pont, réorganisation d’une banque).
Vérification empirique de résultats analytiques.
Quand la simulation n’est pas appropriée?

La solution au problème peut être facilement trouvée par le

sens commun.
La solution peut être trouvée de manière analytique.
Les expériences directes sont plus faciles à mener.
Les coûts dépassent les avantages.
Les contraintes de temps ou les ressources ne la rend pas
possible.
Le système est trop complexe à modéliser.
Aucune possibilité de valider le modèle existe.