Memoire File Simulation
Memoire File Simulation
Memoire File Simulation
MEMOIRE
Présenté par
DAD Djouhra
Pour obtenir
LE DIPLOME DE MAGISTER
Spécialité Informatique
Option : Ingénierie des données et des connaissances.
Intitulé :
i
Remerciements
Je tiens tout d’abord à exprimer ma profonde gratitude à mon directeur Dr. Mohamed
OUALI pour avoir accepté de diriger ce travail, pour m’avoir encouragé, conseillé ainsi
que pour sa disponibilité. Je tiens également à remercier Pr. Yahia LEBBAH pour avoir
accepté de diriger ce travail. Mes remerciements vont également à Dr. Mejdi KADDOUR
pour ses conseils, sa disponibilité et son aide au long de ce travail.
Ce travail n’aurait pas été possible sans le support moral de ma famille et mes amies.
Que ce travail soit un témoignage de ma gratitude envers eux. Enfin un merci particulier
à tous ceux qui m’ont soutenu de près ou de loin.
ii
Je remercie Dieu de m’avoir donner le courage et la patience pour la réalisation de ce travail
et je dédie ce modeste travail :
À mes très chers parents ;
À mes sœurs et frères ;
À mes amies, pour les instants inoubliable que j’ai passé avec elles.
À tous ceux qui me sont chers ;
iii
Table des matières
Résumé 1
Abstract 2
Introduction générale 3
Chapitre 1 Réseaux 6
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Réseaux de télécommunication . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.3 Réseaux de transport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Instants des arrivées . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Congestion dans les réseaux urbains . . . . . . . . . . . . . . . . . . 9
1.3.3 Durée de séjour . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.4 Durée d’attente et les systèmes de contrôle dans une intersection
routière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Modélisation et simulation des réseaux . . . . . . . . . . . . . . . . . . . . 13
1.4.1 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Exemple d’utilisation des outils de modélisation et de simulation . . 14
1.5 Modélisation et simulation du trafic routier . . . . . . . . . . . . . . . . . . 16
1.5.1 Modélisation du trafic routier . . . . . . . . . . . . . . . . . . . . . 16
1.5.2 Simulation dynamique du trafic routier . . . . . . . . . . . . . . . . 19
1.6 Analyses du trafic routier basées sur la modélisation et la simulation . . . . 21
1.6.1 Analyse du trafic routier basée sur les réseaux des files d’attente . . 21
1.6.2 Analyse du trafic routier basée sur les systèmes multi-Agents . . . 25
iv
1.6.3 Analyse du trafic routier basée sur les réseaux de PETRI . . . . . . 26
1.7 Domaines d’application de la modélisation et de la simulation . . . . . . . 26
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Chapitre 4 Expérimentations 78
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
v
4.2 Génération des temps de service et des inters-arrivées . . . . . . . . . . . . 79
4.3 Système de file d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.4 Simulation d’une file d’attente M/M/1/FCFS . . . . . . . . . . . . . . . . 81
4.4.1 Résultats expérimentaux d’une file d’attente M/M/1 . . . . . . . . 81
4.5 Simulation d’un réseau BCMP composé de deux files d’attente . . . . . . . 83
4.5.1 Résultats expérimentaux d’un réseau composé de deux files d’attente 83
4.6 Simulation d’un réseau BCMP ouvert multi-classes . . . . . . . . . . . . . 86
4.6.1 Paramètres de simulation . . . . . . . . . . . . . . . . . . . . . . . 86
4.6.2 Résultats théoriques . . . . . . . . . . . . . . . . . . . . . . . . . . 90
4.6.3 Résultats expérimentaux d’un réseau BCMP ouvert . . . . . . . . . 94
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Bibliographie 99
vi
Table des figures
vii
3.4 Vue structurelle d’une intersection routière. . . . . . . . . . . . . . . . . . . 61
3.5 Connexion des centres de service. . . . . . . . . . . . . . . . . . . . . . . . 64
3.6 Organigramme du principe de fonctionnement du simulateur. . . . . . . . . 66
3.7 Appels entres les fonctions du simulateur. . . . . . . . . . . . . . . . . . . 70
3.8 Exemple de modélisation d’un secteur d’entrée. . . . . . . . . . . . . . . . 72
3.9 Exemple de modélisation d’un secteur interne. . . . . . . . . . . . . . . . . 73
3.10 Exemple de modélisation d’un secteur de sortie. . . . . . . . . . . . . . . . 73
3.11 Modèle de réseau de files d’attente BCMP ouvert pour une intersection à
deux axes et deux voies par axe. . . . . . . . . . . . . . . . . . . . . . . . 74
viii
Liste des tableaux
ix
Résumé
1
Abstract
2
Introduction générale
Dans certains cas, un client a besoin de recevoir plusieurs traitements avant de quitter
le système, par exemple, dans les systèmes de production, la banque, les systèmes infor-
matiques d’où la notion des « réseaux de files d’attente ».
Les réseaux des files d’attente se composent de plusieurs files interconnectées. Ils sont bien
établis en tant qu’outils analytiques puissants d’analyse et de modélisation des systèmes.
La raison principale de leur succès est dans la combinaison de la puissance expressive et
l’efficacité de solution qu’ils offrent aux clients.
Un réseau de file d’attente est soit ouvert tel que le réseau de Jackson, fermé comme le
réseau de Gordon-Newell ou mixte. Il peut traiter parfois plusieurs types de clients ré-
partis en classes caractérisés par leurs probabilités de routage, leurs processus d’arrivées
et leurs temps de service dans les différentes files. Ce type de réseau est appelé « réseau
3
BCMP multi-classes ».
Nous proposons d’examiner l’évaluation des performances d’un réseau multi-classes
ouvert par deux approches : modélisation et simulation. Dans la modélisation, nous spé-
cifions un réseau de files d’attente pour lequel nous concevons le modèle. Les paramètres
du modèle correspondent à la spécification. Une fois le modèle établi, nous procédons à
la dérivation des mesures de performance. La simulation exploite aussi les données de la
spécification.
Les évènements sont générés aléatoirement selon des lois d’arrivées et de service. Le
routage des clients est déterminé à la création des évènements. Des statistiques sont
calculées pour chaque classe de clients pour déterminer expérimentalement les mesures
de performance du réseau de files d’attente. Nous comparons, finalement, les mesures
de performance déterminées par simulation avec celles calculées pour le modèle établi.
Comme exemple d’application, nous proposons d’étudier le cas d’une intersection. La
concordance des résultats obtenus par modélisation et par simulation permettra d’affirmer
que le modèle simulé est correct. Ceci aura pour conséquence directe la possibilité de
détermination des mesures de performance d’un réseau étendu uniquement par simulation
sans avoir à recalculer l’état stationnaire. Dans le domaine de la simulation à évènements
discrets, il existe plusieurs langages et systèmes permettant de faciliter le développement
des simulateurs. Cependant, ces langages ne donnent pas tous les éléments nécessaires pour
prendre en charge les spécificités du trafic routier dans une intersection (e.g., priorités, feux
de circulation,...). Nous envisageons de mettre en œuvre toute la plate forme de simulation
dans un langage de programmation C, permettant ainsi d’avoir toutes les libertés dans
l’interprétation du modèle.
Ce mémoire s’articule autour de quatre chapitres :
¦ Le premier chapitre constitue une brève introduction aux réseaux. Dans la première
partie de ce chapitre, nous décrivons brièvement les réseaux de télécommunication.
Nous présentons dans la deuxième partie les réseaux de transport ainsi que leurs
caractéristiques. Ce chapitre présente une étude bibliographique de la modélisation
et la simulation du trafic routier.
¦ Le deuxième chapitre, présente un état d’art sur la théorie des files d’attente.
Après avoir défini les files d’attente et leurs mesures de performance, nous étudions
les réseaux de files d’attente où nous présentons un exemple des réseaux ouverts et
4
fermés. La dernière partie de ce chapitre est consacrée à la présentation des réseaux
ouverts BCMP multi-classes à forme produit que nous avons utilisé dans notre tra-
vail.
¦ Le troisième chapitre présente les deux modèles : analytique et de simulation.
Une partie est consacrée à la présentation des différentes caractéristiques de ces mo-
dèles. Nous présentons aussi la conception de notre réseau BCMP ouvert ainsi que
quelques formules analytiques.
¦ Le quatrième chapitre est consacré à la discussion des résultats et leur interpréta-
tion. À la fin de ce chapitre, une comparaison entre les résultats expérimentaux et
les résultats théoriques est présentée.
5
Chapitre 1
Réseaux
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2 Réseaux de télécommunication . . . . . . . . . . . . . . . . . . 7
1.3 Réseaux de transport . . . . . . . . . . . . . . . . . . . . . . . . 8
1.3.1 Instants des arrivées . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3.2 Congestion dans les réseaux urbains . . . . . . . . . . . . . . . 9
1.3.3 Durée de séjour . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.4 Durée d’attente et les systèmes de contrôle dans une intersection
routière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4 Modélisation et simulation des réseaux . . . . . . . . . . . . . 13
1.4.1 Modélisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4.2 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.4.3 Exemple d’utilisation des outils de modélisation et de simulation 14
1.5 Modélisation et simulation du trafic routier . . . . . . . . . . 16
1.5.1 Modélisation du trafic routier . . . . . . . . . . . . . . . . . . 16
1.5.2 Simulation dynamique du trafic routier . . . . . . . . . . . . . 19
1.6 Analyses du trafic routier basées sur la modélisation et la
simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6.1 Analyse du trafic routier basée sur les réseaux des files d’attente 21
1.6.2 Analyse du trafic routier basée sur les systèmes multi-Agents 25
1.6.3 Analyse du trafic routier basée sur les réseaux de PETRI . . . 26
1.7 Domaines d’application de la modélisation et de la simulation 26
1.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
6
1.1. Introduction
1.1 Introduction
Le terme générique « réseau » définit un ensemble d’entités (objets, personnes, véhi-
cules) interconnectées les unes avec les autres. Il permet ainsi de faire circuler des éléments
matériels ou immatériels entre chacune de ces entités selon des règles bien définies.
Les réseaux diffèrent selon le type d’entité concernée. Nous citons comme exemple les
réseaux informatiques, de transport et les réseaux téléphoniques.
Ce premier chapitre a pour objectif d’introduire deux types de réseaux, où nous allons
prendre un comme cas d’étude. Après une brève introduction aux réseaux de télécommu-
nication, nous présentons et analysons ensuite les réseaux de transport.
Depuis quelques années, nous assistons à un développement rapide des applications com-
municantes. Outre celles qui ont contribué à la popularité de l’internet à ses débuts (messa-
gerie électronique, transfert de fichiers), on trouve désormais des applications qui confient
7
1.3. Réseaux de transport
au réseau des données plus sensibles. Parmi celles-ci, on peut citer les applications per-
mettant de faire transiter du son (voix, programmes musicaux), de l’image (programmes
de télévision, vidéoconférence, vidéo à la demande) ou des informations urgentes (ordres
de bourse).
Dans la prochaine section, nous citons quelques avantages des réseaux de télécommunica-
tion.
8
1.3. Réseaux de transport
de transporter des personnes et des biens entre plusieurs zones géographiques (Voir FIG.
1.2).
Nous citons dans les paragraphes suivants quelques notions trés importantes dans les
réseaux urbains.
9
1.3. Réseaux de transport
La congestion est un phénomène global [3]. Ses impacts sont importants et multiples. Ils se
traduisent par des coûts économiques (paralysie des réseaux de transport, consommation
de carburant), des coûts sociaux (source de stress, d’accidents et d’incidents), mais aussi
environnementaux (émission de polluants, de gaz). Il est donc nécessaire de limiter, ou
tout au moins, gérer la congestion. Cela peut se faire en limitant la demande de trafic
(tarification des infrastructures, péage urbain) ou en gérant le flux de véhicules.
La congestion est un problème très important concernant les réseaux urbains. Le problème
peut être abordé de diverses façons, par exemple en considérant le nombre des véhicules
dans les différentes entrées d’une intersection.
Une méthode pour la réduction de congestion est d’établir de nouvelles infrastructures,
mais cette approche est très coûteuse [1].
Une exploitation efficace des rues a besoin de la détection, de la classification et de la
surveillance du trafic. Les feux de signalisation, les systèmes d’information du conducteur
et les centres de contrôle de trafic exigent la connaissance des modèles de trafic.
Plusieurs types de détecteurs, pour obtenir l’information de trafic, ont été développés.
Les détecteurs de véhicule peuvent être des détecteurs infrarouge, radar ou vidéo. Ces
systèmes permettent de collecter des informations sur le trafic [4].
Il existe différents moyens pour résoudre le problème de congestion dans les réseaux
de transport, parmi lesquels nous citons :
1. La gestion de la circulation qui peut améliorer l’efficacité avec laquelle la route
est utilisée ;
2. Des mesures intelligentes qui sensibilisent le public aux plans de péage urbain
ou aux problèmes causés par la congestion et qui améliorent donc le réajustement
des comportements de mobilité ;
3. Une capacité supplémentaire, qui attribuerait plus de ressources et plus d’es-
pace routier urbain aux modes de transport urbain les plus efficaces. Par exemple,
un transport public suffisamment fréquenté peut accueillir jusqu’à plus de 20 fois
le nombre de passagers que ne le pourrait la voiture privée sur un même espace
routier ;
4. Des mesures appropriées de planification urbaine et régionale, encourageant
par exemple un développement à densité plus grande près des centres urbains, ou
limitant la disponibilité de places de stationnement ;
10
1.3. Réseaux de transport
11
1.3. Réseaux de transport
Le trafic routier constitue un problème dynamique qui est caractérisé par l’interaction
des éléments du composant : les usagers de la route, les infrastructures et les opérateurs.
Le trafic peut être considéré comme un problème d’offre et de demande dont la difficulté
repose sur deux postulats opposés [7]. L’offre répond à un usage collectif : le réseau routier
est dimensionné pour un certain flux. La demande est individuelle : chaque conducteur
désire voyager sous ses propres conditions.
Les systèmes de contrôle des réseaux urbains tels que : les feux de signalisation, les signaux
de ralentissement et les signes d’arrêt (Voir FIG. 1.5) sont nécessaires pour assurer la sûreté
aux secteurs contradictoires (intersections).
12
1.4. Modélisation et simulation des réseaux
1.4.1 Modélisation
La modélisation a un objectif bien déterminé qui consiste à décrire de façon simple les
parties du système que l’on veut analyser. De ce fait, la modélisation est un processus a
priori, qui conduit très rarement à un résultat unique.
Le processus de la modélisation consiste à décomposer le système à étudier en plusieurs
tâches dans le but de simplifier son analyse. Ce symbolisme de représentation s’appuie
également sur des outils théoriques et mathématiques.
La modélisation analytique est un formalisme mathématique pour créer un modèle tra-
duisant le comportement et intégrant les paramètres du système réel. Il existe plusieurs
méthodes de modélisation analytique, nous citons par exemple :
¦ Les chaı̂nes de Markov.
¦ Les files d’attente.
¦ Les réseaux de files d’attente qui sont orientés évaluation des performances.
¦ Les réseaux de Petri.
Dans notre travail, la théorie des réseaux de files d’attente a été utilisé pour la modélisation
et la simulation du trafic urbain.
À la base des problèmes de dimensionnement du réseau, il faut avoir une connaissance
assez précise des lois statistiques qui gouvernent l’arrivée des unités de données qui tra-
versent le réseau. Cette connaissance est primordiale pour la modélisation.
La modélisation consiste parfois à poser une ou une série d’hypothèses simplificatrices
afin que le modèle mathématique puisse être résolu. Elle permet de donner un schéma des
interactions entre les éléments d’un système et de l’exprimer par un formalisme mathé-
matique.
13
1.4. Modélisation et simulation des réseaux
La réalisation d’un modèle mathématique signifie que tous les composants du système
et toutes les connexions entre les composants sont exprimées sous la forme de relations
mathématiques.
1.4.2 Simulation
La simulation représente un ensemble de techniques permettant d’approcher le com-
portement d’un système quelconque. C’est une méthode stochastique dans la mesure ou
un simulateur est basé sur l’utilisation de variables aléatoires.
Cette technique nous donne la possibilité de résoudre beaucoup de problèmes car elle per-
met d’étudier, concevoir, visualiser, et examiner un système même s’il n’existe pas. Nous
pouvons à l’aide de cet outil mesurer les performances d’un système avant sa construction.
Il est possible que nos solutions puissent échouer ou même exploser, mais seulement dans
la simulation.
Des éléments de la théorie de la modélisation et de l’évaluation des performances sont
couramment utilisés en recherche opérationnelle ou en sciences de la gestion. S’il en a les
moyens, le concepteur peut construire son système et le tester, ce qui constitue encore la
méthode la plus exacte. Il peut aussi faire une simulation mais cette dernière doit être la
plus précise (se rapproche de la réalité). En plus la simulation doit être refaite à chaque
modification de valeur(s).
La simulation constitue un outil qui permet d’effectuer des essais systématiques pour
évaluer les performances des réseaux. Elle permet surtout de tester des situations très
complexes qu’on ne peut résoudre analytiquement.
14
1.4. Modélisation et simulation des réseaux
Le trafic routier en segment urbain est sans cesse en évolution et en augmentation. Les
modèles de trafic évoluent pour mieux prendre en compte tous les phénomènes du flux.
Deux grandes approches existent : considérer le trafic comme un phénomène global en
le modélisant comme un flux ou bien considérer que le trafic n’est que la résultante du
comportement des usagers et donc modéliser les usagers.
Dans les systèmes de transport urbain, on dispose souvent d’un ensemble d’informa-
tions qui sont en corrélation et nécessaires à la détermination d’une décision. Cependant les
connaissances dont nous disposons sur ces systèmes sont parfois entachées d’incertitudes
et d’imprécisions. De ce fait, il est très important de pouvoir exprimer et de modéliser ces
informations imprécises en faisant appel à des théories nouvelles de modélisation dans le
milieu incertain.
Jusqu’ici un certain nombre d’études de recherches ont été intéressées sur l’analyse des
comportements de circulation routière par la simulation [8].
La compréhension des phénomènes de transport doit alors idéalement déboucher sur
des outils (les modèles) permettant, par exemple, de prévoir le trafic en fonction des
modifications du réseau routier, ce principe est schématisé dans la figure 1.6.
Comme tous les modèles, les modèles de transport simplifient considérablement la réalité
15
1.5. Modélisation et simulation du trafic routier
qu’ils traitent.
La figure 1.7 montre un exemple concret d’un réseau urbain (modèle routier) représenté
par des nœuds et des arcs ainsi que des numéros identifiant ces derniers.
Dans ce mémoire, nous modélisons une intersection routière par les réseaux à forme
produit BCMP ouvert multi-classes qui correspondent le mieux à notre cas d’étude.
Après la décomposition de notre intersection routière en différents secteurs d’entrées, de
sorties et internes. Et pour bien analyser et étudier les performances de notre système, nous
avons utilisé deux approches : la première consiste à appliquer des modèles mathématiques
et la deuxième est une simulation par ordinateur.
16
1.5. Modélisation et simulation du trafic routier
A. Modélisation microscopique
Dans les modèles microscopiques, l’accent est mis sur le véhicule individuel et son in-
teraction avec son environnement. Les variables sont donc exprimées pour chaque véhicule
et sont étroitement liées à sa dynamique. Parmi ces variables, nous citons par exemple :
temps inter-véhiculaire et vitesse du véhicule.
17
1.5. Modélisation et simulation du trafic routier
trafic à une seule voie est exécutée. Le modèle est ensuite validé en comparant les résultats
de simulation avec des statistiques tirées auprès des tests routiers.
Dans [8], les auteurs proposent un système de simulation d’un trafic routier pratique
MITRAM (road traffic simulation system with the Microscopic model for analyzing TRAf-
fic jaM in the broad areas) pour résoudre quelques problèmes de congestions. Par exemple,
comment analyser et faire face à la congestion due à une station de chemin de fer, aux
arrêts de bus et l’influence de voiture de parking sur le trafic routier. Comment résoudre
aussi le problème d’arrivée de la voiture d’urgence (priorité) dans une congestion routière.
Dans des réseaux congestionnés, les flux interagissent de façon complexe. La description
analytique de ces interactions est un défi. De plus, ces modèles doivent être suffisamment
réalistes afin d’identifier des stratégies qui permettent en effet de réduire la congestion,
tout en restant suffisamment simples pour que les méthodes d’optimisation restent efficaces
et opérationnelles.
B. Modélisation macroscopique
Raimundas et Marijonas [12] ont présenté un modèle d’une partie du réseau routier
complexe, et cela en prenons en considération deux paramètres : la vitesse et la densité du
trafic routier. Ces paramètres sont calculés dans chaque point du modèle. Une simulation
mathématique est effectuée après. Le premier test est réalisé dans le cas où le point final
de la ligne du trafic routier modelée par totalité serait fermé et aucune sortie d’un véhicule
de ce point n’est possible. Le deuxième essai est réalisé quand le point final de la ligne est
ouvert et la vitesse du trafic est constante. La vitesse d’écoulement du trafic est maximale
dans tous les points lorsque la concentration est faible et commence à augmenter lorsque
18
1.5. Modélisation et simulation du trafic routier
C. Modélisation mésoscopique
Les modèles mésoscopiques sont situés au niveau intermédiaire entre le modèle mi-
croscopique et le modèle macroscopique [9]. En effet, au lieu de s’intéresser au véhicule
individuel, l’approche mésoscopique se focalise sur des paquets de véhicules caractérisés
par les mêmes propriétés. Chaque paquet constitue une entité autonome en circulation
dans le réseau autoroutier suivant des lois issues de la dynamique macroscopique du flux.
Une des descriptions du flux routier, utilisée par la théorie de la simulation, peut être
faite par évènements ou par activités. Dans le premier cas, on analyse l’évolution du sys-
tème en réaction à un évènement qui se produit. Ce modèle fournit une grande précision,
mais lors de l’exécution d’une simulation il peut amener à des temps de calcul prohibitifs.
Dans le second cas les changements d’état sont calculés selon des intervalles de temps,
considérés en général constants. Pour ne pas négliger les évènements se produisant entre
deux itérations, ils sont approximés. Ce modèle est caractérisé par la rapidité et la sim-
plicité des calculs.
19
1.5. Modélisation et simulation du trafic routier
Un système est considéré comme discret si, au cours de son observation, on peut
identifier des périodes de temps pendant lesquelles le système ne change pas d’état.
Il existe trois approches principales pour la simulation du trafic urbain :
A. Macro-Simulation
L’approche de macro simulation aussi appelée macroscopie, est une des primaires ap-
proches pour modeler des systèmes complexes. Les macros modèles concentrent sur des
comportements observables d’un système. Ils définissent et régénèrent des comportements
observables en termes d’agrégat, paramètres abstraits, et leurs distributions de probabi-
lité. Dans le cas du trafic, les macro approches impliquent de modeler les aspects généraux
du système comme la vitesse moyenne de tous les véhicules sur la route et la densité de
véhicule.
B. Micro-Simulation
La micro simulation aussi appelée microscopie. Dans cette approche un système com-
plexe est regardé comme grand ensemble des composants interactifs. Cette approche
concentre sur l’identification des composants dans un système avec leurs comportements
et les interactions parmi eux. Le système global est observé par des comportements lo-
caux des différents composants, et de leurs interactions. Dans le cas du trafic, les micros
approches impliquent de modeler chacun des véhicules avec un ensemble de ses propres
caractéristiques comme la longueur de véhicule, la largeur et la vitesse maximale permise.
Le trafic global peut être regardé comme comportement collectif de chacun des différents
véhicules. Sur la base des modèles existants et de la micro simulation, un modèle de réseau
routier doit être capable de prendre en compte de nouvelles ruelles comme un paramètre
de simulation minimale. Dans ce contexte, [14] tente d’établir un modèle de réseau routier
pour la simulation du trafic microscopique, et par la suite un prototype de simulation est
mis en œuvre pour examiner l’applicabilité du modèle proposé.
C. Méso-Simulation
Dans ce type de simulation, la représentation du trafic routier se base sur une des-
cription individuelle des véhicules mais dont les règles de progression s’appliquent à des
« paquets » de véhicules. L’écoulement de ces paquets est régi par des lois similaires à
celles des modèles macroscopiques.
20
1.6. Analyses du trafic routier basées sur la modélisation et la simulation
1.6.1 Analyse du trafic routier basée sur les réseaux des files
d’attente
La théorie des files d’attente est l’une des principales théories considérées dans le trafic
routier. Elle s’intéresse principalement aux processus de départ et d’arrivées et des temps
de service des véhicules en des points particuliers de la route étudiée.
Un réseau de files d’attente est composé d’un ensemble de stations de service (modéli-
sant les ressources) et d’un ensemble de clients. Les files d’attente devant chaque station
contiennent les activités qui ont besoin d’accéder ou qui ont déjà accédé à la ressource.
Ce système est caractérisé par les processus représentant l’arrivée des clients au réseau,
les temps de service des clients aux stations, le cheminement des clients d’une station à
l’autre. On peut aussi définir des limitations de la longueur des files, ce qui entraı̂ne des
pertes des clients arrivant à une station déjà pleine ou le blocage d’une file ne pouvant
débiter des clients vers une file saturée.
Des modèles de files d’attente ont été employés principalement dans le transport pour
modeler le trafic routier. Plusieurs modèles de simulation ont été développés, mais peu
d’études ont exploré le potentiel du cadre de la théorie des files d’attente pour développer
les modèles analytiques du trafic urbain. En outre, les modèles de files d’attente urbains
existants se sont principalement concentrés sur les intersections sans signalisation.
Dans tout système, attendre représente souvent pour l’utilisateur une expérience désa-
gréable et coûteuse. Par conséquent, il devient alors essentiel, lorsque l’on cherche à opti-
miser le flux du trafic dans de tels réseaux, de chercher à éviter la formation des régions
congestionnées. Pour ces raisons, la théorie des files d’attente a été utilisée pour modéliser
de tels systèmes et mesurer leurs performances avant leur conception.
21
1.6. Analyses du trafic routier basées sur la modélisation et la simulation
Les auteurs de [15] ont proposé un modèle basé sur les réseaux des files d’attente,
qui doivent être employés dans une simulation du trafic pour l’optimisation des réseaux
urbains congestionnés. Comme exemple spécifique d’une telle approche, les auteurs ont
formulé un problème d’optimisation de feux de signalisation à temps fixe. Ils ont résolu
ce problème pour un sous-réseau de la ville de Lausanne. Le problème a été évalué par
un modèle de simulation du trafic microscopique. La simulation a été comparée au même
modèle assumant les files d’attente indépendantes, avec un plan fixe de temps qui existe
pour la ville de Lausanne.
[16] présente un modèle analytique de réseau basé sur la théorie des files d’attente à
capacité finie. Le modèle décrit la congestion en termes de ses sources et de ses taux de
propagation, ainsi que de sa fréquence. Ce modèle est validé en le comparant avec d’autres
modèles, avec des résultats exacts et avec des résultats de simulation. Ce travail traite
deux points : le premier concerne des réseaux des files d’attente à un seul serveur et sans
buffer dans une topologie en série. Le deuxième point concerne des files à un serveur dans
une topologie quelconque et avec un buffer fini. Le problème d’optimisation des feux est
formulé après et résolu pour le réseau routier de la ville de Lausanne par simulation.
[17] propose un modèle de simulation pour contrôler les temps des feux de signalisation
afin de résoudre le problème de congestion dans le trafic routier. Ce modèle est réalisé aussi
pour savoir automatiquement et placer dynamiquement la durée de temps des signaux vert
et rouge. Afin d’analyser ce système, un modèle de simulation du trafic, qui se compose de
six sous-modèles est présenté. Chaque sous-modèle représente une route possédant trois
intersections. Les résultats de simulation prouvent l’efficacité du système du trafic dans
des zones urbaines. Les résultats montrent que le délai d’attente moyen des véhicules dans
chaque intersection diminue quand le temps du feu rouge est 65 s et la durée du temps
de feu vert est 125 s.
22
1.6. Analyses du trafic routier basées sur la modélisation et la simulation
La gestion de trafic est devenue très essentielle dans nos jours où le nombre de véhicules
est près de la capacité existante de route, ou à quelques endroits même. L’Inde a été témoin
de cette montée subite seulement dans la dernière décennie, et, en conséquence, l’attention
à la gestion du trafic a augmenté récemment. Mais, toutefois nous construisons beaucoup
de routes, nous ferons défaut toujours à l’espace requis pour être adapter au trafic toujours
croissant. Par conséquent, la poussée devrait être sur l’arrangement et la gestion efficaces
du trafic. Le trafic routier peut être divisé en deux types primaires :
1. Le premier type, trafic non interrompu, il est défini par tous les flux réglés par des
interactions de véhicule et des ruelles.
2. L’écoulement interrompu est réglé par des moyens externes.
Des études du trafic routier ont été effectuées principalement en utilisant des modèles de
simulation. Les auteurs de [18] proposent un modèle analytique du trafic à voie unique
non interrompu en utilisant la théorie des files d’attente. De tels modèles analytiques
peuvent être employés pour capturer l’effet du trafic non homogène. Les réseaux ouverts
de files d’attente de Jackson sont employés pour étudier ce trafic sur un segment de
route. Les réseaux de Jackson décrivent le réseau le plus simple des files d’attente où
les temps de service et les temps entre arrivées dans toutes les files d’attente du réseau
sont exponentiellement distribués et la discipline de service est FCFS (First Come First
Served).
Les auteurs de [10] mesurent le trafic routier dans une intersection routière avec signa-
lisation durant les heures de pointes dans une intersection d’une ville situé aux États-Unis.
Le trafic est modélisé par la théorie des files d’attente et plus particulièrement par les files
M/G/1 et /D/1.
Dans le but de réduire la taille du système et diminuer le temps d’attente des véhicules
durant les heures de pointes, deux solutions ont été proposées. La première est d’augmen-
ter le nombre de voies et la deuxième est d’ajuster le temps du feu vert dans toutes les
directions de l’intersection. Des résultats expérimentaux ont montré le coût et la perfor-
mance des deux approches. Les modèles du trafic routier donnent une gamme étendue de
possibilités pour tester les états et les processus compliqués du trafic routier. Aussi bien
23
1.6. Analyses du trafic routier basées sur la modélisation et la simulation
Le Délai des feux des intersections signalisées est un indice important d’évaluation de
la capacité de carrefour à feux et le niveau de service.
Les auteurs de [20] proposent une approche basée sur la simulation pour identifier
les intersections sursaturés dont le trafic nécessite une déviation et pour examiner l’effet
de déviation du trafic dans les routes qui ont le potentiel de soutenir le trafic détourné.
L’approche proposée est testé par la suite sur un cas d’étude pratique de l’intersection
de l’avenue de Galbraith et de Colerain. L’effet de cette approche est évalué en utilisant
un système de simulation microscopique. Les résultats expérimentaux étaient satisfaisants.
Dans [1], les auteurs présentent un modèle de simulation pour une intersection rou-
tière signalisée afin de tirer quelques mesures de performance et plus particulièrement : le
nombre des véhicules en attente au niveau des secteurs d’entrées.
Après la décomposition d’une simple intersection localisé à Siena en Italie, en différents
secteurs d’entrées, de sorties et internes, et après la modélisation. Le nombre de véhicule
en attente d’être servi est calculé par simulation. Les résultats ont montré que le nombre
de véhicules dans l’entrée du sud est important. Cette congestion est résolue après par
une décomposition de l’entrée congestionné de l’intersection en deux ruelles.
24
1.6. Analyses du trafic routier basées sur la modélisation et la simulation
25
1.7. Domaines d’application de la modélisation et de la simulation
Les auteurs de [24] proposent un algorithme de contrôle des modèles hybrides des ré-
seaux urbains. La résolution de ce problème est basée sur la simulation.
26
1.8. Conclusion
1.8 Conclusion
Pour analyser la fiabilité des systèmes tels que les systèmes de transport ou de télé-
communication, la modélisation et la simulation sont des outils importants pour évaluer
les délais d’attente moyens, le temps de réponse et d’autres mesures d’un système donné.
Ce premier chapitre a été axé sur le concept des réseaux et plus particulièrement sur
les réseaux de transport, où nous avons défini quelques notions que nous avons trouvées
intéressantes comme la congestion, les instants des arrivées et la durée de séjour. Nous
effectuons ensuite un tour d’horizon des travaux faits dans le domaine de la modélisation
et la simulation du trafic routier.
La dernière section de ce chapitre cite quelques domaines d’application de ces deux outils.
27
Chapitre 2
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.2 Modèle de file d’attente . . . . . . . . . . . . . . . . . . . . . . 29
2.3 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . 32
2.4 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.5 Notation de Kendall . . . . . . . . . . . . . . . . . . . . . . . . . 35
2.6 Mesures de performance . . . . . . . . . . . . . . . . . . . . . . 35
2.7 Formule de Little . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.8 Equation d’équilibre global . . . . . . . . . . . . . . . . . . . . 37
2.9 Processus de naissance et de mort . . . . . . . . . . . . . . . . 38
2.10 File d’attente M/M/1 FCFS . . . . . . . . . . . . . . . . . . . 40
2.10.1 Probabilité stationnaire . . . . . . . . . . . . . . . . . . . . . . 40
2.10.2 Mesures de performance de la file M/M/1 . . . . . . . . . . . . 41
2.11 Réseaux des files d’attente . . . . . . . . . . . . . . . . . . . . . 42
2.11.1 Réseaux de Jackson . . . . . . . . . . . . . . . . . . . . . . . . 44
2.11.2 Réseaux de Gordon-Newell . . . . . . . . . . . . . . . . . . . . 47
2.11.3 Réseaux BCMP . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.12 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
28
2.1. Introduction
2.1 Introduction
Les origines de la théorie des files d’attente remontent à 1909 à l’époque où A. K.
Erlang en a posé les bases dans ses recherches sur le trafic téléphonique. Ses travaux ont
par la suite été intégrés à la recherche opérationnelle.
L’évolution rapide de la théorie des files d’attente permet l’évaluation des performances
des systèmes. Citons par exemple : les systèmes informatiques et de transport.
Dans la première partie de ce chapitre, nous étudions les files d’attente, leurs notations,
après nous présentons la file d’attente la plus simple « M/M/1 » ainsi que quelques mesures
de performance utiles pour l’analyse et l’évaluation d’un système donné. Dans la deuxième
partie, nous considérons les réseaux des files d’attente et en particulier les réseaux fermés,
ouverts et les réseaux BCMP multi-classes.
Nous définissons maintenant les différents processus d’arrivée, de service et les disciplines
des files d’attente (Voir FIG.2.1).
29
2.2. Modèle de file d’attente
a. Processus d’arrivée
Le processus des arrivées spécifie les instants auxquels les clients arrivent dans le
système. Il existe plusieurs lois de probabilités. Nous avons : la distribution exponentielle
ou de poisson (M), la loi dégénérée (D), la distribution d’Erlang d’ordre K (Ek ) et la
distribution générale G.
b. Processus de service
Le temps de service est la durée nécessaire au traitement d’un client (c’est le temps
écoulé depuis l’arrivée du client dans le serveur jusqu’à le point de départ (Voir FIG. 2.2
)), il est supposé être une variable aléatoire indépendante et identiquement distribuée.
Nombre maximal de clients pouvant être présent dans le système à un instant donné
avant d’être servi. Si un client se présente alors que le buffer d’attente est plein ce client
est « perdu » ( voir FIG.2.3).
30
2.2. Modèle de file d’attente
E. Discipline de la file
Lorsque la discipline de la file n’est pas mentionnée dans la notation de Kendall, alors
la discipline par défaut est FCFS, les clients sont servis selon leur ordre d’arrivée.
PS (Processor Sharing)
Un serveur donne à chaque client en attente une « tranche de service », c’est à dire
1
s’il y’a n > 0 clients dans la file d’attente, chacun est servi avec un taux n
(processeur
partagé).
Priorité
31
2.3. Processus de Poisson
32
2.3. Processus de Poisson
2. Le nombre d’évènements n se produisant dans l’intervalle initial ]0, t] est une variable
aléatoire N(t) où :
(λt)n −λt
P (N (t) = n) = e
n!
Avec :
λ désigne le nombre moyen d’évènements par unité de temps.
n est le nombre d’évènements pendant la période de durée T.
P (N (t) = n) est la probabilité d’obtenir n évènements pendant un temps T.
3. Soit s > 0 une date fixe, et considérons les évènements se produisant après s. Notons
Ns (t) le nombre d’évènements se produisant durant la période ]s, s + t].
33
2.4. Loi exponentielle
4. Les temps des inters-arrivées sont indépendants et obéissent à une loi exponentielle
de paramétre λ (Voir FIG. 2.7).
Pour fixer les idées sur cette propriété de l’absence de mémoire, soit par exemple « T » la
durée de vie d’un individu mesurée en années. La condition signifie qu’à tout âge t0 , le
temps qui lui reste à vivre, à savoir T − t0 est une variable aléatoire qui suit la même loi
que T. Un tel individu demeure donc mortel mais ne vieillit pas car le nombre d’années
qu’il a vécues n’influence pas le nombre d’années qu’il lui reste à vivre.
Dans plusieurs applications, la loi exponentielle est souvent utilisée pour modéliser : des
durées de vie et les temps entre les arrivées successives de clients dans des modèles de files
d’attente.
34
2.5. Notation de Kendall
Où A indique la distribution des temps des inters-arrivés, B dénote la distribution des
temps de service, m est le nombre des serveurs (m ≥ 1), K est la capacité de la file (taille
du buffer) et P est la taille de la population.
Les symboles les plus souvent utilisés pour A et B sont :
¦ M distribution exponentielle.
¦ EK Distribution d’Erlang avec K phases.
¦ D Distribution déterministe, c’est à dire les inters-arrivés et les services sont
constants.
¦ G Distribution générale.
¦ GI Distribution générale avec les inters-arrivées indépendants.
Prenons comme exemple, M/M/1/∞, qui dénote une file d’attente avec un seul serveur,
le processus des arrivées suit un processus de poisson, le temps de service est exponentiel
et le buffer est infini. La notation M/G/K/k désigne une file d’attente possédant K
serveur avec un nombre fini de places dans le buffer, les inters-arrivées sont exponentielles
et le temps des services est distribué selon une distribution générale.
A. L’utilisation (ρ)
Si le système de file d’attente se compose d’un seul serveur alors l’utilisation est la
fraction du temps pendant laquelle le serveur est occupé. Dans le cas où le nombre de
35
2.6. Mesures de performance
clients dans le serveur est illimité, l’utilisation du serveur est donnée par :
λ
ρ=
µ
Avec :
λ est le nombre moyen d’arrivées de clients dans le système par unité de temps.
µ est le nombre moyen de clients servis par unité de temps.
Le temps de réponse ou temps de séjour d’un client dans une file d’attente est la
différence entre sa date de départ et sa date d’arrivée.
Le temps de réponse Rn d’un client :
Rn = dn − an
Avec :
dn l’instant de départ et an est l’instant d’arrivée.
C’est le temps où le client est en file d’attente en attendant d’être servi. On a :
Le nombre moyen de clients dans le système (file d’attente + serveur) est représenté
par K̄.
on a :
∞
X
K̄ = kπk
k=1
36
2.7. Formule de Little
Nous présentons dans la section qui suit la formule de Little qui est l’un des résultats
les plus importants et les plus utiles de la théorie des files d’attente, après nous allons
introduire l’équation d’équilibre global qui est aussi une formule intéressante dans cette
théorie.
K̄ = λT̄
Avec :
¦ λ taux d’arrivée des clients dans le système.
¦ K̄ nombre moyen de clients dans le système.
¦ T̄ temps de séjour moyen des clients dans le système.
X X
πj qji = πi qij , ∀i²S
j²S j²S
Telque :
S est l’ensemble des états du système.
qij est le taux de transition de l’état i à l’état j.
πi étant la probabilité pour que le système soit dans l’état i.
Le flux entrant dans un état du modèle est seulement donné par tous les arcs entrant dans
37
2.9. Processus de naissance et de mort
l’état correspondant, et le flux qui sort est déterminé par tous les arcs sortant de cet état
(Voir FIG. 2.8).
Nous présentons par la suite un exemple fondamental de file d’attente, il s’agit de la file
M/M/1 FCFS. L’analyse de cette file d’attente se fait à l’aide du processus de naissance
et de mort que nous décrivons dans la section suivante.
38
2.9. Processus de naissance et de mort
La matrice des transitions p(ε) est décrite comme suit (pour n=4) :
1−λ0 ε λ0 ε 0 0 0
µ1 ε 1−(λ1 + µ1 )ε λ1 ε 0 0
p(ε) = 0 µ2 ε 1−(λ2 + µ2 )ε λ2 ε 0 + o(ε)
0 0 µ3 ε 1−(λ3 + µ3 )ε λ3 ε
0 0 0 µ4 ε 1−µ4 ε
Cette matrice est de la forme :
P (ε) = id + εA + o(ε), ε → 0+
« A » est le générateur infinitésimal, ce dernier est utilisé pour calculer la loi de probabilité
stationnaire du système d’attente.
En résolvant l’équation πA = 0, sachant que :
π est le vecteur stochastique (la somme de ses composantes est égale à 1, π0 +π1 +...+πn =
1 et πk ≥ 0 pour 0 ≤ k ≤ n ).
Avec :
π0 est la probabilité que le système soit vide.
πk est la probabilité que le système possède k clients.
Nous
obtenons les équations suivantes (pour n états) :
-λ0 π0 + µ1 π1 = 0
λ0 π0 − (λ1 + µ1 )π1 + µ2 π2 = 0
λ1 π1 − (λ2 + µ2 )π2 + µ3 π3 = 0
..
.
λn−2 πn−2 − (λn−1 + µn−1 )πn−1 + µn πn = 0
λ π
n−1 n−1 − µn πn = 0
Après les calculs, le processus de naissance et de mort possède une distribution sta-
tionnaire de la forme :
λ0 ...λK−1
πK = π0
µ1 ...µK
Compte-tenu de la relation πO + π1 + ... + πn = 1, nous avons :
∞
X λ0 ...λK−1
π0 = (1 + )−1
i=1
µ1 ...µK
39
2.10. File d’attente M/M/1 FCFS
L’état d’un tel système est représenté par le nombre de client présent à un instant
quelconque.
πk = ρk π0 , (k = 1, 2, ...)
avec :
λ
ρ=
µ
Pour calculer π0 , la probabilité pour que le système soit vide on se sert du fait que la
somme des probabilités est égale à 1 :
∞
X ∞
X
πk = ρk π0 = 1
k=0 k=0
La somme des termes d’une série géométrique de raison ρ est donnée par la formule :
∞
X 1
ρk =
k=0
1−ρ
Dans les files d’attente M/M/1, la probabilité pour que le système soit vide est donnée
par la formule suivante :
40
2.10. File d’attente M/M/1 FCFS
π0 = 1 − ρ
Le nombre de clients présents dans le système, en régime stationnaire, suit une loi géo-
λ
métrique de raison µ
πk = π0 ρ k , k ≥ 0
πk = (1 − ρ)ρk , k ≥ 0
λ
On appelle ρ = µ
utilisation du serveur (intensité du trafic).
Une file d’attente M/M/1 est « stable » si et seulement si l’utilisation du serveur est
inférieure à 1 (ρ<1).
∞
X ∞
X ∞
X
K̄ = kπk = k(1 − ρ)ρk = (1 − ρ)ρ kρk−1
k=0 k=0 k=1
∞
X 1
K̄ = (1 − ρ)ρ (ρk )0 = (1 − ρ)ρ( )0
k=0
(1 − ρ)
1
K̄ = (1 − ρ)ρ
(1 − ρ)2
ρ
K̄ =
1−ρ
Nous obtenons la longueur moyenne des files d’attente comme suit :
∞
X ∞
X
Q̄ = (k − 1)πk = (k − 1)(1 − ρ)ρk
k=1 k=1
∞
X
Q̄ = (1 − ρ)ρ2 (k − 1)ρk−2
k=1
41
2.11. Réseaux des files d’attente
1
Q̄ = (1 − ρ)ρ2
(1 − ρ)2
ρ2
Q̄ =
1−ρ
En appliquant la formule de little, nous obtenons le temps de séjour moyen dans la file :
K̄ = λT̄
K̄ ρ 1
T̄ = =
λ 1−ρλ
1
µ
T̄ =
1−ρ
1
T̄ =
µ−λ
Enfin, nous obtenons le temps d’attente moyen en appliquant la formule de Little comme
suit :
Q̄ = λW̄
Q̄ ρ2 1
W̄ = =
λ 1−ρλ
ρ
µ
W̄ =
1−ρ
λ
W̄ =
λ(µ − λ)
Un modèle de réseau de file d’attente est une collection de centres de service représen-
tant les « ressources du système » qui fournissent le service à un ensemble de clients qui
représentent « les utilisateurs ».
42
2.11. Réseaux des files d’attente
La figure 2.10 montre un modèle de réseau de file d’attente d’un simple système informa-
tique [30] qui se compose d’un CPU (unité centrale de traitement) et un disque dur.
Les tâches arrivent à la source et entrent dans une file d’attente pour être servi par le
CPU. Une tâche quitte le CPU soit parce qu’elle a terminé, soit parce qu’elle doit accéder
au disque dur. Les tâches qui doivent accéder au disque dur resteront dans la deuxième
file d’attente jusqu’à ce que le serveur du disque dur soit prêt.
Quand le disque accomplit son travail, la tâche servie revient à la file d’attente d’unité
centrale de traitement.
Fig. 2.10 – Modèle de réseau de files d’attente ouvert d’un système informatique.
Un réseau est dit « ouvert » lorsque les clients peuvent entrer dans le système et peuvent
le quitter ( Voir FIG. 2.10).
Un système est dit « fermé », Lorsque les clients ne peuvent ni entrer dans le système ni
le quitter (Voir FIG. 2.11), dans ce type de réseau le nombre de clients est constant.
Il existe aussi ce qu’on appelle « réseau mixte » qui est un réseau ouvert pour certains
43
2.11. Réseaux des files d’attente
44
2.11. Réseaux des files d’attente
Nous présentons dans cette section, les résultats théoriques d’un réseau de Jackson
formé de n files d’attente avec un seul serveur (M/M/1).
Routage de Jackson
45
2.11. Réseaux des files d’attente
Comme nous remarquons, le routage vers l’extérieur du réseau sera effectué avec la proba-
bilité ri0 . Donc, les règles de routage sont données par une matrice stochastique R (c’est
à dire une matrice où la somme des colonnes est égale à 1) :
r11 r21 ... ... rn1
r12 r22 ... ... rn2
... ... ... ... ...
R=
... ... ... ... ...
r1n r2n ... ... rnn
r10 r20 ... ... rn0
Nous citons maintenant le théorème de Jackson.
où :
πj (kj ) : est la distribution stationnaire d’observer kj clients dans une file d’attente M/M/mj .
k1 , k2 , ..., kn : Nombre des clients dans chaque file d’attente i = 1, ..., N .
Pour une file d’attente avec un seul serveur (M/M/1), la probabilité d’avoir k clients dans
la file d’attente i est obtenue comme suit :
π(k) = (1 − ρ)ρk , k ≥ 0
n
X
λ i = γi + λj .rji , i = 1...n
j=1
46
2.11. Réseaux des files d’attente
doit vérifier les équations de trafic (conditions de stabilité). Ainsi, un réseau de Jackson
est « stable » si et seulement si chacune des files dont il est composé l’est. Pour cette raison
il faut que la condition suivante soit satisfaite pour chaque file « i » :
λi
ρi = < 1, i = 1, ..., n
µi
Pour calculer la probabilité stationnaire d’un réseau ouvert de Jackson, on procède comme
suit :
1. Pour chaque nœud i = 1, ..., N , calculer les taux d’arrivées λi du réseau ouvert par les
équations du trafic.
2. Considérer chaque nœud « i » comme étant une file d’attente M/M/1 et calculer les
probabilités stationnaires π(k) ainsi que les mesures de performance pour chaque nœud.
Ces mesures sont calculées après la vérification de la stabilité de chaque file d’attente
λi
ρi = µi
< 1.
3. Et à la fin, calculer la probabilité stationnaire π(k1 , k2 , ..., kn ) pour tout le système.
Aprés la présentation des réseaux de Jackson ouverts, nous présentons maintenant les
réseaux des files d’attente fermés de Gordon-Newell.
47
2.11. Réseaux des files d’attente
Le nombre d’états possibles est fini et il est égal au coefficient binomial suivant :
à !
N+K-1
N-1
Comme pour les réseaux de Jackson, nous citons dans ce paragraphe le théorème de
Gordon-Newell.
N
1 Y
π(k1 , ..., kn ) = Fi (ki )
G(K) i=1
48
2.11. Réseaux des files d’attente
où G(K) est une constante de normalisation, elle est donnée par :
X N
Y
G(K) = Fi (ki )
PN i=1
i=1 ki =K
Fi (ki ) est une fonction qui correspond à la probabilité stationnaire πi (ki ) du ime nœud et
elle est donnée par :
e i ki 1
Fi (ki ) = ( ) .
µi βi (ki )
La fonction βi (ki ) est calculée comme suit :
ki !,
ki ≤ mi
βi (ki ) = mi ! × mki i −mi , ki ≥ mi
1, mi = 1
Pour un réseau fermé la probabilité stationnaire πi (k) que le nœud « i » posséde exactement
ki = k clients est donnée par :
X
πi (k) = π(k1 , ..., kN )
PN
j=1 kj =K&ki =k
49
2.11. Réseaux des files d’attente
Une classe de clients est un ensemble de clients possédant la même matrice de proba-
bilités de routage. Les classes de clients peuvent se différer dans leurs temps de service
et leurs probabilités de routages. Si aucun client n’entre ou quitte une classe alors cette
classe est dite « fermée », une classe de client qui n’est pas fermée est dite « ouverte ».
Si le réseau contient des classes ouvertes et fermées alors ce réseau est « mixte » (Voir FIG.
2.15).
50
2.11. Réseaux des files d’attente
Un réseau BCMP est un réseau de file d’attente possédant plusieurs classes de clients
[32], différentes stratégies de files d’attente et une distribution différente des temps de
service et des inters-arrivées. Ce type de réseau peut être ouvert (les clients peuvent entrer
dans le réseau et peuvent le quitter), fermé (les clients ne quittent jamais le système) ou
mixte.
Les réseaux considérés par BCMP doivent accomplir les caractéristiques suivantes [30] :
Les caractéristiques des réseaux BCMP mènent à définir les quatre types de files à
forme produit suivantes [31] :
Type-l : -/M/m - FCFS.
Type-2 : -/G/l - PS.
Type-3 : -/G/∞ (IS).
Type-4 : -/G/l - LCFS PR.
Dans notre cas d’étude nous allons utiliser le premier type car notre réseau est un ensemble
de file d’attente type M/M/1- FCFS.
51
2.11. Réseaux des files d’attente
Les temps de service des nœuds type FCFS doivent être exponentiellement distribués
et indépendants des différentes classes (c’est-à-dire : µi1 = µi2 = ... = µiR = µi ).
Le processus d’arrivée suit le processus de poisson, lorsque tous les clients arrivent au
réseau d’une seule source avec le taux d’arrivée λ, où λ dépend du nombre de client dans
le réseau. Les clients sont distribués dans les nœuds du réseau selon les probabilités de
routage.
Nous allons utiliser les notations suivantes pour définir ce type de réseau :
¦ R : nombre des classes de clients dans le réseau.
¦ Kir : nombre des clients dans le nœud « i » de la classe « r ».
¦ µir : taux de service du nœud « i » de la classe « r ».
¦ Rir,js : la probabilité que le client du nœud « i » de la classe « r » est transféré au
nœud « j » de la classe « s » (probabilité de routage).
¦ R0,js : la probabilité dans un réseau ouvert qu’un client de l’extérieur d’un réseau
entre dans le nœud « j » de la classe « s ».
¦ Rir,0 : la probabilité dans un réseau ouvert qu’un client de la classe « r » quitte le
réseau après avoir été servi dans le nœud « i ».
¦ λ0,ir : taux d’arrivée de l’extérieur du système au nœud « i » de la classe « r ».
¦ λir : taux d’arrivée des client au nœud « i » de la classe « r ».
¦ Cq : chaı̂ne des classes dans le cas ou les clients changent de classe (Dans notre
réseau Cq est le nombre de classe de clients car les clients ne changent pas de classes
dans le réseau).
n
Y
π(k1 , ..., kn ) = πi (ki )
i=1
Avec :
πi (ki ) = (1 − ρi )ρki i
52
2.11. Réseaux des files d’attente
Il faut s’assurer que la condition de stabilité (ρi < 1) est vérifiée pour toutes les files du
réseau.
Pour déterminer les mesures de performances d’un réseau BCMP, il faut suivre ces cinq
étapes :
1. Calculer le taux de visite eir pour toutes les files d’attente i = 1, ..., N et toutes les
classes r = 1, ..., R.
2. Calculer l’utilisation du serveur de chaque file d’attente (ρi ).
3. Calculer les autres mesures de performances (K¯ir , T¯ir , W¯ir et Q¯ir ).
4. Calculer la probabilité stationnaire de chaque file d’attente π(ki ).
5. Calculer la probabilité stationnaire pour tout le réseau π(k1 , ..., kn ).
Dans les sections précédentes, nous avons considéré le type de réseau des files d’attente
possédant qu’une seule classe de clients (Jackson et Gordon-Newell).
Nous allons maintenant décrire les formules analytiques [30] nécessaires pour le calcul des
mesures de performance des réseaux ouverts multi-classes.
Telque :
r²Cq
i = 1, ..., N
r = 1, ..., R
53
2.11. Réseaux des files d’attente
Utilisation (ρir )
L’utilisation de chaque serveur d’une file d’attente i = 1, ..., n appartenant à une classe
r = 1, ..., R est donnée par la formule suivante :
eir
ρir = λr
µir
L’utilisation du serveur i = 1, ..., n par toutes les classes est calculée par la formule :
R
X
ρi = ρir
r=1
ρir
K̄ir =
1 − ρi
K̄ir
T̄ir =
λir
Si les taux des services sont indépendants alors le temps d’attente moyen est le suivant :
1
W̄ir = T̄ir −
µir
54
2.12. Conclusion
2.12 Conclusion
Chaque file d’attente est caractérisée par son processus d’arrivée, taux de service et
la discipline de la file. Dans certains systèmes, un client accomplit son travail en passant
par plusieurs serveurs d’où la notion des réseaux de files d’attente.
Les réseaux de files d’attente ont une très grande importance car ils servent à modéliser
des systèmes physiques ; ils permettent d’évaluer les performances et ils aident à mieux
comprendre le comportement de ces systèmes.
55
Chapitre 3
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2 Présentation de notre cas d’étude . . . . . . . . . . . . . . . . 57
3.2.1 Trafic d’intersection . . . . . . . . . . . . . . . . . . . . . . . . 57
3.2.2 Description informelle d’une intersection . . . . . . . . . . . . 59
3.3 Modèle de simulation . . . . . . . . . . . . . . . . . . . . . . . . 63
3.4 Modèle analytique . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.4.1 Mesures de performance . . . . . . . . . . . . . . . . . . . . . 75
3.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
56
3.1. Introduction
3.1 Introduction
P our réaliser une simulation, on doit connaı̂tre les lois de fonctionnement du phéno-
mène, autrement dit on doit élaborer un modèle. La simulation confirmera ou infirmera
la correspondance entre le modèle et le phénomène ou le système à simuler. En fait, on
ne peut simuler un système complexe en sa totalité à cause du nombre important de pa-
ramètres qui ne peuvent tous être pris en compte. Pour cela on doit concevoir un modèle
qui est une vue du monde réel.
L’objectif de ce mémoire est de proposer un modèle pratique et efficace pour simuler et
analyser le trafic dans une intersection routière en évaluant ses paramètres appropriés.
Pour analyser correctement le problème, nous proposons « un modèle de réseau BCMP
ouvert multi-classses ».
Nous décrivons dans ce chapitre le modèle analytique et le modèle de simulation. C’est
deux approches sont appliquées à une intersection routière.
57
3.2. Présentation de notre cas d’étude
Une intersection comprend deux axes. Chaque axe contient un trafic bidirectionnel.
Les feux de signalisation en un axe donné ont la même couleur : ils sont au vert simulta-
nément et passent au rouge en même temps.
Les véhicules sont arrêtés devant le feu de signalisation quand la lumière est rouge, par
exemple les véhicules des entrées V1 et V2 sont arrêtés si la lumière de ces deux entrées est
« rouge ». D’autre part les véhicules des entrées H1 et H2 ne sont pas arrêtés parce que
les feux de signalisation de ces derniers sont verts (Voir FIG. 3.1).
Les véhicules qui veulent tourner à gauche ont une priorité inférieure à celle des véhicules
venant en sens opposé. Dans notre travail, nous ne tenons pas compte de la priorité entre
les véhicules. Notre modèle est un réseau multi-classe, sans priorité.
La figure 3.2 schématise les différentes étapes à suivre dans le but de concevoir notre mo-
dèle. Cette méthode prend en entrée la description informelle d’une d’intersection donnée.
La description informelle est présentée pour définir les données textuelles et dynamiques
d’une intersection routière. Cela est utilisé dans l’étape 1 pour élaborer le modèle analy-
tique et le modèle de simulation dans l’étape 2 afin de tirer quelques mesures dans l’étape
3 telles que : le temps d’attente moyen, le temps de séjour moyen et la longueur moyenne
des différentes files d’attente.
Finalement, les résultats sont comparés avec les besoins des utilisateurs. S’ils sont satis-
faisants ; nous passons à l’implémentation du modèle. Sinon ; nous révisons les caractéris-
tiques du trafic d’intersection (les tables de routage de chaque classe, les taux des arrivées,
les taux des services et les temps des feux de signalisation).
58
3.2. Présentation de notre cas d’étude
Dans ce qui suit, nous détaillons chacune de ces étapes appliquées à une intersection
(Voir FIG. 3.1).
59
3.2. Présentation de notre cas d’étude
A. Vue structurelle
Une vue structurelle identifie les éléments statiques d’une intersection, en d’autre terme
les secteurs d’entrées et de sorties correspondant aux ruelles d’entrées et de sorties et les
secteurs internes se trouvant entre les deux.
Un secteur d’intersection est une partie de l’intersection qui peut être occupé avec un
seul véhicule à la fois. Spécifiquement, pour une intersection donnée « C », les ensembles
suivants de secteurs peuvent être identifiés [1] :
¦ InpSec(C) : ensemble des secteurs d’entrées d’une intersection C.
¦ OutSec(C) : ensemble des secteurs de sorties d’une intersection C.
¦ IntSec(C) : ensemble des secteurs internes d’une intersection C.
Secteur d’entrée
Un secteur d’entrée « I » est un secteur par lequel les véhicules entrent dans l’intersec-
tion.
Secteur de sortie
Un secteur de sortie « O » est un secteur par lequel les véhicules quittent l’intersection.
60
3.2. Présentation de notre cas d’étude
Secteur interne
Un secteur interne « S » est un secteur par lequel les véhicules passent pour traverser
le chemin allant du secteur d’entrée au secteur de sortie.
Par exemple dans notre cas d’étude, nous avons :
1. Les secteurs d’entrées : InpSec(C) = I1 , I2 , I3 , I4 .
2. Les secteurs internes : IntSec(C) = S1 , S2 , S3 , S4 .
3. Les secteurs de sorties : OutSec(C) = O1 , O2 , O3 , O4 .
Après la définition des différents secteurs, la vue structurelle de notre exemple est illustrée
dans la figure 3.4. Une telle granularité permet de représenter et analyser des situations
dynamiques plus réalistes.
A partir de cette vue structurelle, nous pouvons extraire la table des trajectoires de
passage (Voir TAB. 3.1) possédant les sorties en colonne et les différentes entrées de l’in-
tersection dans les lignes.
O1 O2 O3 O4
I1 0 1 1 1
I2 1 0 1 1
I3 1 1 0 1
I4 1 1 1 0
61
3.2. Présentation de notre cas d’étude
B. Vue comportementale
Cette vue donne la représentation dynamique d’une intersection, en d’autre terme les
flux des véhicules du secteur d’entrée au secteur de sortie (c’est à dire, les cheminements
entre les secteurs internes pour atteindre un secteur de sortie donné en allant d’un sec-
teur d’entrée), les temps des inters-arrivées, les taux de service et les temps des feux de
signalisation.
La représentation du trafic consiste à décrire la trajectoire de chaque véhicule qui parcourt
le réseau en modélisant l’interaction entre ce véhicule et son prédécesseur.
Elle représente les groupes de véhicules possédant la même entrée et la même table
de routage (dans notre cas d’étude un groupe de véhicules entrant par le même secteur
d’entrée avec les mêmes probabilités de routages et les mêmes taux de services). Chaque
classe de véhicule posséde une table des probabilités de routage.
Dans notre cas d’étude nous définissons 4 classes de véhicules :
Classe 1 : Classe formée par les véhicules qui entrent dans le système par l’entrée I1 et
le quittent par un de ces secteurs de sortie : O2 , O3 ou O4 . Les secteurs internes de cette
classe sont S1 , S4 et S3 .
Classe 2 : Classe formée par les véhicules qui entrent dans le système par l’entrée I2 et
le quittent par un de ces secteurs de sortie : O1 , O3 ou O4 . Les secteurs internes de cette
classe sont S1 , S2 et S4 .
Classe 3 : Classe formée par les véhicules qui entrent dans le système par l’entrée I3 et
le quittent par un de ces secteurs de sortie : O1 , O2 ou O4 . Les secteurs internes de cette
classe sont S1 , S2 et S3 .
Classe 4 : Classe formée par les véhicules qui entrent dans le système par l’entrée I4 et
le quittent par un de ces secteurs de sortie : O1 , O2 ou O3 . Les secteurs internes de cette
62
3.3. Modèle de simulation
classe sont S2 , S4 et S3 .
Détaillons par exemple la table des probabilités de routage relative à la classe1 (Voir
TAB. 3.2) :
0 I1 S1 S2 S3 S4
I1 R0,I1 0 0 0 0 0
S1 0 RI1,S1 0 0 0 0
S2 0 0 0 0 0 0
S3 0 0 0 0 0 RS4,S3
S4 0 0 RS1,S4 0 0 0
O1 0 0 0 0 0 0
O2 0 0 0 0 RS3,O2 0
O3 0 0 0 0 0 RS4,O3
O4 0 0 RS1,O4 0 0 0
Pour bien analyser notre réseau ouvert multi-classes, nous proposons deux solutions :
1. Un simulateur codé en C.
2. Un modèle analytique.
63
3.3. Modèle de simulation
Un centre de service représente une ressource dans le système réel (par exemple : un
secteur d’intersection) et il est composé d’un serveur et d’une file d’attente (buffer) où les
véhicules attendent pour être servis.
Les liens entre les centres reproduisent la connexion entre les ressources du système réel.
Les véhicules sont transférés entre n’importe quels deux centres en utilisant les tables de
routage.
La méthode pour élaborer le modèle de simulation prend en entrée la description informelle
d’une intersection et produit en sortie le modèle de simulation composé d’un :
1. Ensemble de centres de service.
2. Ensemble de liens qui relient entre les centres de service.
3. Ensemble de classes des véhicules.
4. Paramètres du modèle, en d’autre terme : les probabilités de routage, les feux de
signalisation, le taux des arrivées et le taux des services.
Dans le modèle de simulation, le buffer des secteurs d’entrée est infinie par contre le buffer
des secteurs internes est de capacité 0 (1 seul véhicule dans le système).
Durant la simulation, l’arrivée des véhicules est générée dans le secteur d’entrée de l’in-
tersection. Chaque véhicule appartient à une classe donnée. Nous affectons à chaque évè-
nement généré une table de probabilités de routage.
Durant la simulation, les périodes d’interruptions sont contrôlées par une variable repré-
sentant l’état du feu de signalisation dans le secteur d’entrée. Par exemple :
¦ Si f euI1 = vert alors le feu est vert (laissé passer les véhicules).
¦ Si f euI1 = rouge alors le feu est rouge (bloquer les véhicules).
64
3.3. Modèle de simulation
Les véhicules additionnels qui arrivent au secteur d’entrée sont mis en file d’attente. Si
un véhicule arrive pendant la phase rouge du feu de signalisation, son temps de séjour est
égal à son temps d’attente dans le buffer plus son temps de service plus le temps du feu
rouge.
Dans notre modèle de simulation, les véhicules ne changent pas de classe dans le ré-
seau. Une fois le feu est vert dans le secteur d’entrée, nous vérifions que le serveur du
prochain secteur interne est libre. Si c’est le cas ; un temps de service est généré selon la
loi exponentielle de paramètre µ pour servir le véhicule dans l’entrée de l’intersection. Ce
dernier passe après au secteur interne S. Une fois le véhicule est dans le secteur interne,
nous générons une probabilité de routage. D’après cette probabilité, si le prochain secteur
est un secteur de sortie ; le véhicule quitte l’intersection par ce secteur. Sinon ; il passe au
secteur interne suivant.
Les différentes classes du modèle suivent le même principe de fonctionnement. Mais quand
les classes des véhicule du même axe sont en exécution (feu vert dans les entrées I1 et I3 ),
les classes de l’autre axe sont bloquées (feu rouge dans les entrées I2 et I4 ).
L’organigramme suivant(Voir FIG. 3.6) illustre le fonctionnement de notre simulateur
codé en C sous Linux pour une classe de véhicule.
65
3.3. Modèle de simulation
Notre simulateur permet d’évaluer les mesures de performance d’un réseau ouvert
possédant quatre classes de véhicule. Chaque classe est définie par le taux de service des
différents secteurs et sa table de probabilités de routage.
Nous présentons dans cette section, les principales fonctions de notre simulateur.
Avant de lancer la simulation, l’utilisateur doit introduire quelques paramètres (les temps
des feux de signalisation, les probabilités de routage nécessaires pour faire circuler les vé-
hicules dans le réseau, taux de service dans chaque secteur ainsi que le taux des arrivées).
67
3.3. Modèle de simulation
Cette fonction (Voir Algorithme. 1) permet de lancer les évènements qui sont les ar-
rivées et les départs des différents véhicules d’une classe donnée. Elle a pour objective
d’assurer le fonctionnement des files d’attente, comptabiliser le nombre des véhicules ser-
vis en les stockant dans des vecteurs, incrémenter le nombre des véhicules si un véhicule
termine son service. Elle permet aussi de générer des instants d’arrivée pour les prochains
évènements et des temps de service pour les évènements courants en faisant appel à la
fonction expodev.
68
3.3. Modèle de simulation
Le code suivant (Voir algorithme. 2) décrit comment est réalisé le contrôle du trafic
par les feux de signalisation.
La génération des temps de service et des inter-arrivées durant notre simulation est
faite par la méthode expodev. Cette fonction permet de retourner un nombre aléatoire
généré selon la loi exponentielle de paramètre 1. Pour avoir une valeur répartie selon la loi
exponentielle de paramètre λ ou µ, il suffit de diviser le résultat retourné par la fonction
expodev sur le taux d’arrivée ou de service.
L’instant de départ d’un véhicule est égal à son instant d’arrivée dans le prochain secteur.
La fonction expodev fait appel à ran1 (Voir FIG. 3.7). Cette dernière permet de générer
un nombre aléatoire entre 0.0 et 1.0.
69
3.3. Modèle de simulation
70
3.4. Modèle analytique
Nous présentons dans la section 3.4 le modèle analytique ainsi que ses mesures de
performance.
1. C’est un ensemble de files d’attente interconnectées entres elles par des liens qui per-
mettent aux véhicules de passer d’une file d’attente (centre de service) à une autre à l’aide
des probabilités de routage.
71
3.4. Modèle analytique
3. Les véhicules de l’intersection peuvent entrer dans le système et le quitter par un sec-
teur de sortie, donc c’est un réseau de file d’attente ouvert.
4. Chaque serveur de file d’attente sert les véhicules selon la discipline « premier arrivé
premier servi ». Ce qui implique que les files d’attente des différents secteurs sont de type
FCFS.
5. Chaque file d’attente de notre modèle possède : un seul serveur, le taux des arrivées suit
le processus de poisson de paramètre λ et le taux de service est exponentiel de paramètre
µ. Alors les files sont de type M/M/1 FCFS, ce qui implique que les files de notre réseau
sont de type 1.
Comme nous avons discuté dans le chapitre précédent, les caractéristiques de notre mo-
dèle mènent à définir un « réseau de files d’attente BCMP ouvert multi-classes ».
Nous présentons dans la section suivante, les secteurs d’entrée, de sortie et interne, leurs
principe de fonctionnement et leurs modélisation.
Les secteurs d’entrée d’une intersection routière sont modélisés avec une file d’attente
M/M/1/FCFS. Cette file posséde un taux d’arrivée λ, un taux de service µ (Voir FIG.
3.8) et les temps des services et des inter-arrivées obéissent à une loi exponentielle.
Les secteurs d’entrées sont positionnés dans la fin de l’entrée d’une ruelle d’une in-
tersection (Voir FIG. 3.1). Ils sont aussi le lieu où les véhicules sont stoppés par un feu
rouge. Dans notre modèle analytique, nous supposons que le temps de service est le temps
72
3.4. Modèle analytique
nécessaire pour servir un véhicule par le feu de signalisation (feu vert). Pour cette raison la
file « Inp » (Voir FIG. 3.8) est sujet aux périodes d’interruption de service dans le modèle
de simulation.
Un véhicule entrant dans un secteur d’entrée correspond à un véhicule qui est généré dans
le centre source et possède un taux d’arrivée λ.
C’est le même principe du type précédent, la différence est que les véhicules une fois
servis par les centres internes, sortent par le centre de sortie (par exemple le secteur de
sortie O3 (Voir FIG.3.10)).
73
3.4. Modèle analytique
En résumé pour concevoir notre modéle BCMP, nous suivons les étapes citées dans les
paragraphes précédents.
A l’étape1, nous présentons la description informelle qui permet de définir les deux vues :
« structurelle et comportementale ». Cette description est utilisée pour élaborer le modèle
BCMP. Pour cette raison un sous modèle est introduit pour chaque type d’élément qui
est une partie de la vue structurelle (secteurs d’entrées, secteurs de sorties et secteurs
internes).
Ces sous modèles sont après connectés pour former le modèle complet, c’est ce que nous
appellons « réseau BCMP ouvert multi-classes » accordant avec les informations données
par les vues : « structurelle » et « comportementale ».
Le modèle BCMP résultat complet est montré dans la figure 3.11, où les files d’attente
représentent les différents secteurs de notre intersection routière (les files d’attente en gris
représentent les secteurs internes, les files en bleu représentent les secteurs d’entrées et
tous ce qui est en rose représentent les secteurs de sorties).
Fig. 3.11 – Modèle de réseau de files d’attente BCMP ouvert pour une intersection à deux
axes et deux voies par axe.
74
3.4. Modèle analytique
où :
i et j désignent un secteur, r et s désignent une classe de véhicules.
eir
ρir = λr ∗
µir
avec :
µir : taux de service du secteur « i » de la classe « r ».
eir : taux de visite du secteur « i » de la classe « r ».
où :
i désigne un secteur, r désigne une classe de véhicules.
Utilisation ρi
Nous décrivons maintenant l’utilisation du serveur de chaque secteur « i » par toutes les
classes des véhicules r = 1, ..., 4. Cette mesure de performance est obtenue en appliquant
la formule mathématique suivante :
4
X
ρi = ρir
r=1
75
3.4. Modèle analytique
où :
i désigne un secteur d’intersection et r désigne une classe de véhicule.
Après le calcul de l’utilisation de chaque serveur « i », il faut toujours vérifier la stabilité
du réseau (ρi < 1),
Le nombre moyen des véhicules dans le secteur « i » de la classe « r » est défini par la
formule suivante :
ρir
K̄ir =
1 − ρi
Il détermine le temps passé par un véhicule en file d’attente (buffer) jusqu’à ce que le
serveur se libère, il se calcule comme suit :
1
W̄ir = T̄ir −
µir
où :
i désigne un secteur et r désigne une classe de véhicules.
Elle présente le nombre des véhicules en attente d’être servi par le serveur de la file
d’attente « i » de la classe « r », elle est donnée par :
où :
i désigne un secteur et r désigne une classe de véhicules.
76
3.5. Conclusion
3.5 Conclusion
Un véhicule, au milieu de la circulation, a un comportement qui dépend à la fois de
l’infrastructure (par exemple une intersection routière) et des autres véhicules qui l’en-
tourent. Ce comportement est fonction de nombreux paramètres tels que : le nombre de
véhicules présents dans les différentes entrées de l’intersection, le temps de service et le
temps des feux de signalisation.
Le modèle de réseau de file d’attente BCMP ouvert multi-classes est un outil puissant et
robuste qui dans les dernières décennies a été largement adopté pour évaluer analytique-
ment les performances des systèmes [33].
Dans ce chapitre nous avons présenté les deux modèles : analytique et par simulation
de notre réseau multi-classes appliqué à une intersection. Nous avons cité par la suite
quelques mesures de performance relatives à notre réseau BCMP ouvert multi-classes.
Dans le prochain chapitre, nous entamons en détail les résultats expérimentaux.
77
Chapitre 4
Expérimentations
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2 Génération des temps de service et des inters-arrivées . . . . 79
4.3 Système de file d’attente . . . . . . . . . . . . . . . . . . . . . . 80
4.4 Simulation d’une file d’attente M/M/1/FCFS . . . . . . . . . 81
4.4.1 Résultats expérimentaux d’une file d’attente M/M/1 . . . . . . 81
4.5 Simulation d’un réseau BCMP composé de deux files d’attente 83
4.5.1 Résultats expérimentaux d’un réseau composé de deux files d’at-
tente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
4.6 Simulation d’un réseau BCMP ouvert multi-classes . . . . . . 86
4.6.1 Paramètres de simulation . . . . . . . . . . . . . . . . . . . . . 86
4.6.2 Résultats théoriques . . . . . . . . . . . . . . . . . . . . . . . . 90
4.6.3 Résultats expérimentaux d’un réseau BCMP ouvert . . . . . . 94
4.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
78
4.1. Introduction
4.1 Introduction
La théorie des files d’attente est un outil qui joue un rôle de plus en plus important
pour dimensionner, optimiser et évaluer les performances des systèmes.
Dans ce chapitre, nous présentons les résultats relatifs à trois situations d’attente : une file
d’attente M/M/1/FCFS avec un buffer infinie, un réseau composé de deux files M/M/1/
FCFS possédant une seule classe de clients et un réseau BCMP appliqué à une intersection
routière. Nous présentons les mesures de performances théoriques et par simulation des
trois situations tels que : la longueur des files d’attente, le temps de séjour moyen et le
temps d’attente. Nous calculons par la suite les erreurs absolues et relatives pour chaque
mesure obtenue afin de comparer entre les deux approches.
79
4.3. Système de file d’attente
Après avoir vérifié que les temps de service et des inters-arrivées suivent bien une loi
exponentielle, nous passons maintenant à la simulation et à la visualisation des résultats.
Afin d’obtenir des réponses aux questions ci-dessus, il existe deux approches de base :
¦ Méthodes d’analyse ou la théorie des files d’attente (formules mathématiques),
et
¦ Simulation (basée sur ordinateur).
Pour valider un modèle, il convient d’effectuer de nombreuses simulations. Or, une simu-
lation de file d’attente ou un réseau de file d’attente nécessite de nombreux calculs pour
déterminer les temps des inters-arrivées et des services et en déduire les diverses valeurs
prévues par la théorie.
Avant de passer à la simulation de notre modèle présenté dans le chapitre précédent. Nous
simulons une « file d’attente M/M/1/FCFS ».
80
4.4. Simulation d’une file d’attente M/M/1/FCFS
T̄ W̄ K̄ Q̄
Résultats théoriques 1 0.75 3 2.25
Résultats de simulation 1.057 0.807 3.20 2.40
Erreur absolue 0.057 0.057 0,2 0.15
Erreur relative 5.7% 7.6% 6.66% 6.66%
Tab. 4.1 – Mesures de performance d’une file d’attente M/M/1 (λ=3, µ=4).
81
4.4. Simulation d’une file d’attente M/M/1/FCFS
T̄ W̄ K̄ Q̄
Résultats théoriques 2 1 1 0.5
Résultats de simulation 2.13 1.09 1.004 0.5
Erreur absolue 0.13 0.09 0.004 0
Erreur relative 6.5% 9% 0.4% 0%
Tab. 4.2 – Mesures de performance d’une file d’attente M/M/1 (λ=0.5, µ=1).
T̄ W̄ K̄ Q̄
Résultats théoriques 0.5 0.3 1.5 0.9
Résultats de simulation 0.49 0.29 1.45 0.88
Erreur absolue 0.01 0.01 0.05 0.02
Erreur relative 2% 3.33% 3.33% 2.22%
Tab. 4.3 – Mesures de performance d’une file d’attente M/M/1 (λ=3, µ=5).
T̄ W̄ K̄ Q̄
Résultats théoriques 100.0 98.039 50 48.02
Résultats de simulation 50.95 49.034 27.37 26.40
Erreur absolue 49.05 49.005 22.63 21.62
Erreur relative 49.05 % 49.98% 45.26% 45.02%
Tab. 4.4 – Mesures de performance d’une file d’attente M/M/1 (λ=0.5, µ=0.51)
82
4.5. Simulation d’un réseau BCMP composé de deux files d’attente
Les résultats (Voir TAB. 4.1, TAB. 4.2, TAB. 4.3 et 4.4) montrent une comparaison
entre les deux approches « théoriques » et « simulation » d’une file d’attente M/M/1/FCFS
des différentes mesures de performance en faisant varier les taux des arrivées et des services
avec une durée de simulation de 1000 s.
Comme nous remarquons (Voir TAB. 4.1, TAB. 4.2, TAB. 4.3 et TAB. 4.4), la simulation
confirme bien les résultats théoriques.
Le dernier tableau (Voir TAB. 4.4) présente les mesures de performance d’une file d’attente
M/M/1 dans le cas limite ( c-à-d : le cas ou le taux d’arrivée est presque égal au taux de
service).
Nous allons présenter dans la section suivante la simulation d’un réseau BCMP com-
posé de deux files d’attente, tracer quelques graphes et analyser les résultats obtenus.
83
4.5. Simulation d’un réseau BCMP composé de deux files d’attente
File1 : la première file d’attente du réseau BCMP composé de deux files d’attente.
File2 : la seconde file d’attente du réseau.
Le tableau suivant (Voir TAB. 4.5) récapitule les mesures de performance d’un réseau
BCMP composé de deux files d’attente. Ces mesures sont obtenues théoriquement pour
différents paramètres d’entrées.
e1 e2 ρ1 ρ2 K̄1 K̄2
λ = 1, µ1 = 2, µ2 = 3 1 1 0.5 0.33 1 0.5
λ = 2.5, µ1 = 3, µ2 = 4 1 1 0.83 0.62 4.88 1.63
λ = 1.5, µ1 = 3, µ2 = 5 1 1 0.5 0.3 1 0,42
Tab. 4.5 – Mesures de performance d’un réseau composé de deux files d’attente.
Prenons comme exemple le premier cas λ=1.0, µ1 =2 et µ2 =3. Notre réseau composé de
deux files d’attente est « stable » car chaque file l’est (ρ1 =0,5 <1 et ρ2 =0,33 <1).
Nous obtenons un nombre moyen de clients dans la file1 de 0.5 et de 0.17 pour la file
2 (Voir TAB. 4.6, cas où λ = 1, µ1 = 2, µ2 = 3). Ce résultat est obtenu par la formule
Q̄ir = λir ∗ W̄ir , avec : i=1,2 et r=1.
λ = 1, µ1 = 2, µ2 = 3 λ = 0.5, µ1 = 1, µ2 = 2 λ = 1.5, µ1 = 3, µ2 = 5
Théorie File1 0.5 0.5 0.5
Simulation File1 0.6 0.59 0.58
Erreur absolue 0.1 0.09 0.08
Erreur relative 20% 18% 16%
Théorie File2 0.17 0.08 0.12
Simulation File2 0.12 0.06 0.11
Erreur absolue 0.05 0.02 0.01
Erreur relative 29% 25% 8%
Le temps de séjour moyen théorique des deux files d’attente (Voir TAB. 4.7, cas où
λ = 1, µ1 = 2, µ2 = 3) est de 1.0 pour la file 1 et de 0.5 pour la file 2. Cela est obtenu par
K̄ir
l’équation T̄ir = λir
, avec i=1, 2 et r=1.
84
4.5. Simulation d’un réseau BCMP composé de deux files d’attente
λ = 1, µ1 = 2, µ2 = 3 λ = 0.5, µ1 = 1, µ2 = 2 λ = 1.5, µ1 = 3, µ2 = 5
Théorie File1 1.0 2 0.66
Simulation File1 0.88 1.88 0.59
Erreur absolue 0.12 0.12 0.07
Erreur relative 12% 6% 11%
Théorie File2 0.5 0.66 0.28
Simulation File2 0.41 0.55 0.24
Erreur absolue 0.09 0.11 0.04
Erreur relative 18% 17% 14%
λ = 1, µ1 = 2, µ2 = 3 λ = 0.5, µ1 = 1, µ2 = 2 λ = 1.5, µ1 = 3, µ2 = 5
Théorie File1 0.5 1.0 0.33
Simulation File1 0.53 1.0 0.32
Erreur absolue 0.03 0 0.01
Erreur relative 6% 0% 3%
Théorie File2 0.17 0.16 0.08
Simulation File2 0.12 0.12 0.070
Erreur absolue 0.05 0.04 0.01
Erreur relative 29% 25% 13%
Nous remarquons que les résultats théoriques correspondent bien aux résultats de la si-
mulation dans les deux files d’attente du réseau( Voir TAB. 4.6, TAB. 4.7 et TAB. 4.8) .
La durée de simulation est de 10000 s.
Après avoir comparé les résultats de simulation avec les résulats théoriques d’une simple
file d’attente et d’un réseau BCMP composé de deux files d’attente. Nous présentons main-
tenant les résultats obtenus après la simulation de notre modèle BCMP ouvert appliqué
à une intersection routiére.
85
4.6. Simulation d’un réseau BCMP ouvert multi-classes
Le fichier « taux arrive.txt » permet à l’utilisateur de faire entrer les taux des arrivées
pour chaque entrée de l’intersection (I1, I2, I3, I4) (Voir TAB. 4.9).
I1 I2 I3 I4
0.33 0.33 0.33 0.33
Tab. 4.9 – Taux des arrivées des différentes files d’attente (Nombre de véhicules/seconde).
Notre modèle est un réseau BCMP ouvert multi-classes et comme nous avons présenté
dans le chapitre 2, dans un tel réseau, les taux des arrivées suivent le processus de poisson
ce qui veut dire que les temps entres deux arrivées successives sont exponentiels.
86
4.6. Simulation d’un réseau BCMP ouvert multi-classes
I1 I2 I3 I4 S1 S2 S3 S4
0.66 0.66 0.66 0.66 1.0 1.0 1.0 1.0
Tab. 4.10 – Taux des services des différentes files d’attente (Nombre de véhi-
cules/seconde).
Nous rappelons que dans les réseaux BCMP ouverts, le taux de service doit être
exponentiellement distribué et indépendant des classes de clients. Par exemple dans notre
cas d’étude nous avons :
µS 11 = µS 13 = µS 12 = 1.0
µS 22 = µS 23 = µS 24 = 1.0
µS 33 = µS 31 = µS 34 = 1.0
µS 44 = µS 41 = µS 42 = 1.0
Nous introduisons dans cette étape les différents temps des feux vert et rouge. Ces
temps permettent le contrôle du trafic urbain. Le fichier est nommé « temps f eux.txt »
(Voir TAB. 4.11).
Parmi les caractéristiques des réseaux BCMP ouverts c’est qu’ils sont des réseaux
multi-classes. Nous possédons 4 classes dans notre modèle de simulation.
Les différents fichiers « routage classe1.txt », « routage classe2.txt », « routage classe3.txt »
et « routage classe4.txt » permettent à l’utilisateur d’introduire les probabilités de routage
des différentes classes des véhicules (Voir TAB. 4.12, TAB. 4.13, TAB. 4.14 et TAB. 4.15).
87
4.6. Simulation d’un réseau BCMP ouvert multi-classes
0 I1 S1 S2 S3 S4
I1 1 0 0 0 0 0
S1 0 1 0 0 0 0
S2 0 0 0 0 0 0
S3 0 0 0 0 0 0.8
S4 0 0 0.9 0 0 0
O1 0 0 0 0 0 0
O2 0 0 0 0 1 0
O3 0 0 0 0 0 0.2
O4 0 0 0.1 0 0 0
0 I2 S1 S2 S3 S4
I2 1 0 0 0 0 0
S1 0 0 0 0.8 0 0
S2 0 1 0 0 0 0
S3 0 0 0 0 0 0
S4 0 0 0.7 0 0 0
O1 0 0 0 0.2 0 0
O2 0 0 0 0 0 0
O3 0 0 0 0 0 1
O4 0 0 0.3 0 0 0
88
4.6. Simulation d’un réseau BCMP ouvert multi-classes
0 I3 S1 S2 S3 S4
I3 1 0 0 0 0 0
S1 0 0 0 0.7 0 0
S2 0 0 0 0 0.8 0
S3 0 1 0 0 0 0
S4 0 0 0 0 0 0
O1 0 0 0 0.3 0 0
O2 0 0 0 0 0.2 0
O3 0 0 0 0 0 0
O4 0 0 1 0 0 0
0 I4 S1 S2 S3 S4
I4 1 0 0 0 0 0
S1 0 0 0 0 0 0
S2 0 0 0 0 0.8 0
S3 0 0 0 0 0 0.9
S4 0 1 0 0 0 0
O1 0 0 0 1 0 0
O2 0 0 0 0 0.2 0
O3 0 0 0 0 0 0.1
O4 0 0 0 0 0 0
89
4.6. Simulation d’un réseau BCMP ouvert multi-classes
1. Nous commençons par calculer les taux de visite eir des différents secteurs de l’in-
tersection et cela en appliquant la formule suivante :
X
eir = R0,ir + ejs Rjs,ir
R²Cq ,j=1,...N
où :
i et j désignent un secteur, r et s désignent une classe de véhicules.
où :
i désigne un secteur et r désigne une classe de véhicules.
Après l’introduction des différents paramètres de simulation, nous obtenons les résultats
théoriques de ces deux mesures montrés dans le tableau suivant (Voir TAB. 4.16).
90
4.6. Simulation d’un réseau BCMP ouvert multi-classes
3. Nous calculons après l’utilisation d’un serveur ρi d’une file d’attente donnée par
toutes les classes. Cette métrique est calculée comme suit :
4
X
ρi = ρir
r=1
où :
i désigne un secteur et r désigne une classe. Les résultats obtenus sont présentés dans le
tableau 4.17.
I1 I2 I3 I4 S1 S2 S3 S4
0,5 0,5 0,5 0,5 0,7788 0,8316 0,8646 0,8118
Nous remarquons que la condition de stabilité de notre système étant vérifié car ρi < 1
où i désigne les secteurs d’intersection (Voir TAB. 4.17).
91
4.6. Simulation d’un réseau BCMP ouvert multi-classes
4. Après cette étape, nous passons au calcul du nombre moyen des clients K̄ir , le temps
de séjour moyen T̄ir , le temps d’attente moyen W̄ir et la longueur des différents secteurs
de l’intersection Q̄ir . Et cela en appliquant les équations suivantes à notre réseau BCMP
ouvert multi-classes :
ρir
K̄ir =
1 − ρi
K̄ir
T̄ir =
λir
1
W̄ir = T̄ir −
µir
Q̄ir = λir ∗ W̄ir
où :
i désigne un secteur et r désigne une classe de véhicules.
Le tableau 4.18 récapitule les résultats obtenus de ces 4 mesures de performance.
5. Après le calcul des temps de séjour et d’attente moyens dans chaque secteur d’inter-
section. Nous calculons maintenant ces deux mesures dans une classe donnée dans tout le
92
4.6. Simulation d’un réseau BCMP ouvert multi-classes
système.
Prenons par exemple la classe 1 possédant le secteur d’entrée I1 , les secteurs internes S1 ,
S4 et S3 et les secteurs de sortie O4 , O3 et O2 .
Comme nous remarquons (Voir FIG. 4.2), un véhicule soit quitte le réseau par O4 avec
une probabilité de 0.1, soit quitte l’intersection par O3 avec une probabilité de 0.2 . Il
quitte le système par O2 avec une probabilité de 0.7.
Les temps moyens d’attente W̄1 et de séjour T¯1 se calculent comme suit :
T¯1 = 0.1(T¯I1 + T¯S1 ) + 0.2(T¯I1 + T¯S1 + T¯S4 ) + 0.7(T¯I1 + T¯S1 + T¯S4 + T¯S3 )
T¯1 = 0.1(3.03 + 4.52) + 0.2(3.03 + 4.52 + 4.78) + 0.7(3.03 + 4.52 + 4.78 + 5.53)
T¯1 = 15.7
et,
W̄1 = 0.1(W¯I1 + W¯S1 ) + 0.2(W¯I1 + W¯S1 + W¯S4 ) + 0.7(W¯I1 + W¯S1 + W¯S4 + W¯S3 )
W̄1 = 0.1(1.55 + 3.52) + 0.2(1.55 + 3.52 + 3.78) + 0.7(1.55 + 3.52 + 3.78 + 4.31)
W̄1 = 11.45
Le tableau (Voir TAB. 4.19) récapitule les temps moyens de séjour et d’attente pour toutes
les classes des véhicules.
93
4.6. Simulation d’un réseau BCMP ouvert multi-classes
Le temps d’attente moyen d’un véhicule est égal à son temps moyen de séjour moins
son temps de service. Dans notre cas d’étude, la comparaison entre les résultats des temps
d’attente obtenus par simulation et par le modèle analytique montre une différence entre
les deux approches (Voir TAB. 4.20).
La raison majeure de la différence entre les résultats théorique et de simulation est l’exis-
tence des feux de signalisation dans le modèle de simulation. Ces feux permettent de
contrôler le trafic et réduire le temps d’attente et de séjour d’un véhicule dans les diffé-
rents secteurs internes de l’intersection.
La deuxième raison est que la taille des buffers des secteurs internes dans le modèle analy-
tique est infinie. Par contre, les files de ces secteurs dans le modèle de simulation prennent
qu’un seul véhicule à la fois (taille du buffer des secteurs internes est égale à 0).
Ces deux raisons permettent d’augmenter le nombre de véhicules dans les secteurs internes
dans le modèle analytique, ce qui augmente les temps d’attente et de séjour moyens dans
le réseau des files d’attente.
94
4.6. Simulation d’un réseau BCMP ouvert multi-classes
En ce qui concerne le temps de séjour d’un véhicule dans tout le système, nous re-
marquons aussi une différence entre les deux approches (Voir TAB. 4.21). Cela est du au
temps d’attente élevé nécessaire pour qu’un véhicule soit servi et à la taille des buffers
des secteurs internes dans le modèle analytique.
95
4.7. Conclusion
Tab. 4.22 – Longueur moyenne des files d’attente dans les secteurs d’entrée.
4.7 Conclusion
La théorie des files d’attente s’attache à modéliser et à analyser de nombreuses situa-
tions en apparence très diverses. Nous avons présenté dans ce chapitre un ensemble de
résultats obtenus par « simulation » et par la « théorie » pour une file M/M/1/FCFS, pour
deux files d’attente et pour notre réseau de file d’attente afin que nous puissions comparer
entre les deux méthodes. Notre outil de simulation nous a permis d’analyser les mesures
de performance de trois situations d’attente, et en particulier de notre modèle « Réseau
BCMP ouvert multi-classes » appliqué à une intersection routière. Nous avons remarqué
que la simulation confirme bien les résultats théoriques sauf dans le temps de séjour et
d’attente moyen dans l’intersection. Ceci nous a permis de vérifier expérimentalement les
résultats du modèle BCMP et de mieux appréhender l’impact de la variation de certains
paramètres.
96
Conclusion & Perspectives
La théorie des files d’attente est une technique qui permet de modéliser un système
admettant un phénomène d’attente, de calculer ses performances et de déterminer ses
caractéristiques pour aider les gestionnaires dans leurs prises de décisions.
Des files d’attente peuvent être enchaı̂nées pour former les « réseaux de file d’attente »
où les départs d’une file d’attente entrent dans la prochaine file d’attente et cela dans le
cas où un client a besoin de plusieurs services. Des réseaux de file d’attente peuvent être
classifiés en : réseaux de file d’attente ouverts, fermés et mixtes. Récemment, une grande
attention a été accordée au sujet des réseaux complexes, qui caractérisent de nombreux
systèmes naturels et artificiels tels que l’internet, système de transport et les systèmes de
grille.
Dans le présent travail, nous avons examiné les mesures de performance d’un réseau
ouvert par le modèle de simulation et le modèle analytique. Nous avons pris comme cas
d’étude une intersection routière.
Notre réseau possède quatre classes de véhicules, chaque classe de véhicule est caractérisée
par sa table de routage et son taux de service. Les mesures de performances de ses classes
sont calculées par deux approches différentes.
Après la modélisation, nous sommes passés à la définition des mesures analytiques par
l’application des formules de notre modèle BCMP relatives à ce type de réseau afin de
faire une comparaison avec les résultats obtenus par notre simulateur codé en C.
Nous avons simulé dans ce travail, une file d’attente simple et un réseau composé de
deux files d’attente. Après nous somme passés a la simulation du modèle BCMP appliqué
à une intersection routière. Notre objectif était d’analyser et étudier les trois systèmes
d’attente par deux approches différentes, la première est analytique par modélisation, et
la deuxième est une simulation par ordinateur.
A la fin de notre étude, nous avons comparé les résultats de notre modèle BCMP avec
97
les résultats de simulation. Nous avons remarqué que les résultats des deux solutions sont
très proches en ce qui concerne le nombre de véhicules en attente.
Pour aller plus loin dans le développement de ce modèle appliqué à une intersection
routière, plusieurs pistes de recherche restent à explorer :
La principale perspective est de poursuivre les recherches sur le plan feux de signalisation
dans une intersection routière. La prise en considération des temps des feux vert et rouge
dans le modèle analytique sera un paramètre très important pour la validation de notre
modèle.
Une autre extension permettrait également d’accroı̂tre les possibilités d’application de
notre modèle BCMP multi-classes : il s’agit de prendre en compte la capacité finie des
secteurs internes dans le modèle analytique.
D’autre part, nous proposons de déterminer expérimentalement les mesures de perfor-
mance d’un réseau de transport comprenant diverses intersections par l’approche de si-
mulation sans passer par l’approche analytique. En effet, à cause du nombre d’intersections
dans un segment urbain et leurs caractéristiques particulières, les calculs des mesures de
performances par l’approche analytique requièrent des solveurs symboliques pour trouver
les expressions mathématiques.
Il serait intéressant aussi d’examiner les performances d’une intersection en appliquant
d’autres modèles de réseau de file d’attente tels que les réseaux des files d’attente avec
priorité pour tenir compte des particularités de la circulation automobile : véhicules tour-
nant à gauche en présence de véhicules venant en face, par exemple.
98
Bibliographie
99
[10] B. De Schutter R. van Tongeren, O. Gietelink and M. Verhaegen. Traffic model-
ling validation of advanced driver assistance systems. Proceedings of the 2007 IEEE
Intelligent Vehicles Symposium (IV’07), pages 1246–1251, June 2007.
[11] Ludovic Leclercq. Modélisation dynamique du trafic et applications à l’estimation du
bruit routier. PhD thesis, Université de Lyon, 2002.
[12] Marijonas Bogdevicius Raimundas Junevicius. Mathematical modelling of network
traffic flow. 24(4) :333–338, November 2009.
[13] Xiaobai Yao Bin Jiang. Geospatial Analysis and modelling of Urban Structure and
Dynamics. 0924-5499. Springer, New York, 2010.
[14] Xiang Li Daimin Tang and Yijuan Jiang. Microscopic traffic simulation oriented road
network data model. Future Computer and Communication (ICFCC), 2 :87–91, May
2010.
[15] C. Osorio and M. Bierlaire. A surrogate model for traffic optimization of congested
networks : an analytic queueing network approach. Report TRANSP-OR 090825,
2009.
[16] Carolina OSORIO PIZANO. Mitigating Network Congestion : Analytical Models,
Optimization Methods and their Applications. PhD thesis, Université de Suisse, Avril
2010.
[17] W. Wen. A dynamic and automatic traffic light control expert system for solving the
road congestion problem. Expert Systems with Applications, 34 :2370–2381, 2008.
[18] TUSHAR RAHEJA. Modelling traffic congestion using queuing networks. 35 :427–
431, August 2010.
[19] Hui Yan Minghui Wu, Lian Xue and Chunyan Yu. Simulation of a signalized intersec-
tion delay mode. Communications in Computer and Information Science, 134 :630–
635, 2010.
[20] W. Heng and P. Harikishan. Oversaturation inherence and traffic diversion effect at
urban intersections through simulation. J Transpn Sys Eng IT, 9(4) :72–82, 2009.
[21] Lei Jia Lilin Zang and Xiangxu Meng. Modelling and simulation of traffic signal
control for urban network. Intelligent Information Technology Application, pages
253–256, 2009.
[22] Xiang Rong Qiao Yi Kui Mo and Yong Yun Su. A multi agent based simulation fra-
mework for the study of transit passenger’s route choice behavior. Advanced Materials
Research, 108 - 111 :525–529, 2010.
100
[23] Olivier GALLAY. Agent-Based Routing in Queueing Systems. PhD thesis, Suisse,
Février 2010.
[24] René Boel Nicolae Emanuel Marinica. Distributed control of urban traffic networks
using hybrid models. 28th Benelux Meeting on Systems and Control, pages 91–91,
2009.
[25] Agostino M. Mangini Gabriella Stecco Mariagrazia Dotoli, Maria P. Fanti and Walter
Ukovich. The impact of ict on intermodal transportation systems : A modelling
approach by petri nets. Control engineering practice, 18(8) :893–903, 2010.
[26] Richard C. Larson and Amedeo R. Odoni. Urban Operation Research. Prentice-Hall,
1999.
[27] Philippe Robert. Réseaux et files d’attente : méthodes probabilistes, volume 85.
France, 2000.
[28] Ivo Adan and Jacques Resing. Queuing Theory. The Netherlands : Department of
Mathematics and Computing Science of Eindhoven,University of Technology, 2002.
[29] B. Robert Cooper. Introduction to queuing theory. Elsevier North Holland, United
States of America, 1981.
[30] Gunter Bolch, Stefan Greiner, Hermann de Meer, and Kishor S. Trivedi. Queuing
Network and Markov chains, volume 745. Wiley-Interscience, 605 Third Avenue, New
York, NY 10158-0012, 1998.
[31] Hisao Kameda and Yongbing Zhang. Uniqueness of the solution for optimal static
routing in open bcmp queueing networks. Mathematical and computer modelling,
22(10-12) :119–130, 1995.
[32] Balbo, G. Bruell, and S.C. Sereno. On the relations between bcmp queueing networks
and product form solution stochastic petri nets. Petri Nets and Performance Models,
pages 103–112, 2003.
[33] J. Anselmi and P. Cremonesi. Bounding the performance of bcmp networks with
load-dependent stations. 16th Annual Meeting of the IEEE International Symposium
on Modeling, Analysis, and Simulation of Computer and Telecommunication Systems
(MASCOTS), pages 8–10, 2008.
101