Memoire File Simulation

Télécharger au format pdf ou txt
Télécharger au format pdf ou txt
Vous êtes sur la page 1sur 110

DEPARTEMENT D’INFORMATIQUE

MEMOIRE

Présenté par
DAD Djouhra
Pour obtenir
LE DIPLOME DE MAGISTER
Spécialité Informatique
Option : Ingénierie des données et des connaissances.
Intitulé :

MODELISATION ET SIMULATION DU FLUX DANS UN RESEAU


POUR LA REGULATION DU TRAFIC

Soutenu le : / / à la salle de conférences de la faculté des sciences

Devant les membres du jury :

Président : B. BELDJILALI Professeur, Département Informatique, Uni-


versité d’Oran.
Directeur : Y. LEBBAH Professeur, Département Informatique, Université
d’Oran.
Co directeur : M. OUALI Maı̂tre de conférences B, Département Infor-
matique, Université d’Oran.
Examinateur : k. BOUAMRANE Maı̂tre de conférences A, Départe-
ment Informatique, Université d’Oran.
Examinateur : M. BENAISSA Maı̂tre de conférences A, Département
Informatique, Université d’Oran.

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.

Je remercie naturellement Pr. Bouziane BELDJILALI qui me fait l’honneur de présider


le jury ainsi que Dr. Karim BOUAMRANE et Dr. Moussa BENAISSA qui ont accepté
d’expertiser ce travail. Je leur en suis particulièrement reconnaissante.

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

Liste des tableaux ix

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 2 Réseaux des files d’attente 28


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

Chapitre 3 Modélisation du trafic dans une intersection routière 56


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

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

Conclusion & Perspectives 97

Bibliographie 99

vi
Table des figures

1.1 Réseau de télécommunication. . . . . . . . . . . . . . . . . . . . . . . . . . 7


1.2 Réseau de transport. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Durée de séjour dans une intersection. . . . . . . . . . . . . . . . . . . . . 11
1.4 Exemple d’une intersection. . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5 Signe d’arrêt dans une intersection. . . . . . . . . . . . . . . . . . . . . . . 13
1.6 Modélisation et simulation d’un système urbain. . . . . . . . . . . . . . . . 15
1.7 Un détail du réseau pour la ville de Namur. . . . . . . . . . . . . . . . . . 16

2.1 Représentation d’une file d’attente. . . . . . . . . . . . . . . . . . . . . . . 29


2.2 File d’attente avec plusieurs serveurs. . . . . . . . . . . . . . . . . . . . . . 30
2.3 Capacité d’une file d’attente simple. . . . . . . . . . . . . . . . . . . . . . . 31
2.4 Principe du processus de comptage. . . . . . . . . . . . . . . . . . . . . . . 32
2.5 Processus de naissance. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6 Translation de l’origine de temps. . . . . . . . . . . . . . . . . . . . . . . . 33
2.7 Temps inters-arrivées. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.8 Principe d’équilibre global. . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.9 Ensemble d’états et transitions dans une chaı̂ne de Markov . . . . . . . . . 38
2.10 Modèle de réseau de files d’attente ouvert d’un système informatique. . . . 43
2.11 Réseau de files d’attente fermé. . . . . . . . . . . . . . . . . . . . . . . . . 43
2.12 Réseau de Jackson Ouvert. . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
2.13 Routage du réseau de Jackson ouvert. . . . . . . . . . . . . . . . . . . . . . 45
2.14 Réseau de Gordon-Newell. . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
2.15 Réseau BCMP Mixte. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.1 Exemple d’un trafic d’une intersection routière. . . . . . . . . . . . . . . . 58


3.2 Exemple d’utilisation des modèles : analytique et simulation. . . . . . . . . 59
3.3 Description informelle d’une intersection. . . . . . . . . . . . . . . . . . . . 60

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

4.1 Fonction de distribution de la loi exponentielle. . . . . . . . . . . . . . . . 80


4.2 Secteurs de la classe 1 avec probabilités de routage . . . . . . . . . . . . . 93

viii
Liste des tableaux

3.1 Table des trajectoires de passage. . . . . . . . . . . . . . . . . . . . . . . . 61


3.2 Table des probabilités de routage de la Classe1. . . . . . . . . . . . . . . . 63

4.1 Mesures de performance d’une file d’attente M/M/1 (λ=3, µ=4). . . . . . 81


4.2 Mesures de performance d’une file d’attente M/M/1 (λ=0.5, µ=1). . . . . 82
4.3 Mesures de performance d’une file d’attente M/M/1 (λ=3, µ=5). . . . . . 82
4.4 Mesures de performance d’une file d’attente M/M/1 (λ=0.5, µ=0.51) . . . 82
4.5 Mesures de performance d’un réseau composé de deux files d’attente. . . . 84
4.6 Longueur moyenne des files d’attente. . . . . . . . . . . . . . . . . . . . . . 84
4.7 Temps de séjour moyen des files d’attente. . . . . . . . . . . . . . . . . . . 85
4.8 Temps d’attente moyen des files d’attente. . . . . . . . . . . . . . . . . . . 85
4.9 Taux des arrivées des différentes files d’attente (Nombre de véhicules/seconde). 86
4.10 Taux des services des différentes files d’attente (Nombre de véhicules/seconde). 87
4.11 Temps des feux de signalisation. . . . . . . . . . . . . . . . . . . . . . . . . 87
4.12 Table des probabilités de routage de la Classe1. . . . . . . . . . . . . . . . 88
4.13 Table des probabilités de routage de la Classe2. . . . . . . . . . . . . . . . 88
4.14 Table des probabilités de routage de la Classe3. . . . . . . . . . . . . . . . 89
4.15 Table des probabilités de routage de la Classe4. . . . . . . . . . . . . . . . 89
4.16 Taux de visite et utilisation des serveurs. . . . . . . . . . . . . . . . . . . . 91
4.17 Utilisation du secteur ρi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
4.18 Mesures de performance théoriques d’un réseau BCMP. . . . . . . . . . . . 92
4.19 Temps moyens d’attente et de séjour dans tout le système. . . . . . . . . . 94
4.20 Temps d’attente moyen des véhicules dans le réseau. . . . . . . . . . . . . . 95
4.21 Temps de séjour moyen des véhicules dans le réseau. . . . . . . . . . . . . . 95
4.22 Longueur moyenne des files d’attente dans les secteurs d’entrée. . . . . . . 96

ix
Résumé

La modélisation et l’évaluation des systèmes et réseaux est une discipline de l’infor-


matique qui, depuis ses débuts dans les années 1970, étudie et développe des méthodes
mathématiques permettant de comprendre, prédire et optimiser les performances des sys-
tèmes complexes réels tels que : les systèmes informatiques, les réseaux de communication
et les systèmes de transport.
Ce mémoire propose un modèle pratique et efficace pour simuler et analyser le comporte-
ment du trafic d’une intersection routière en évaluant des mesures appropriées telles que :
la longueur de la file d’attente des véhicules à différentes entrées de l’intersection, temps
d’attente et temps de séjour moyen. Nous avons défini notre intersection comme étant un
ensemble de secteurs d’entrées, de sorties et internes.
Notre modèle est basé sur les réseaux BCMP ouverts multi-classes. Pour analyser correc-
tement le problème, nous proposons dans notre travail, deux solutions alternatives : un
modèle analytique avec un réseau BCMP et un simulateur codé en C. Les mesures de
performance obtenues par simulation sont aussi comparées aux performances du modèle
BCMP. Les résultats expérimentaux sont satisfaisants.
Mots clés : Théorie des files d’attente, système de transport, réseau BCMP, mesures
de performance, modélisation, simulation.

1
Abstract

Modeling and evaluation of systems and networks is a discipline of computer science,


which since its inception in the 1970s, studies and develops mathematical methods to un-
derstand, predict and optimize performance of real complex systems such as : computer
systems, communication networks and transportation systems.
This thesis proposes a practical and effective model to simulate and analyze the traffic
behavior of a road intersection by evaluating relevant parameters such as the length of
vehicle queues at different input points, waiting times and response times. We define our
intersection by a set of inputs, outputs and internal sectors.
Our model is based on an open, multiclass BCMP queueing network. To properly analyze
the problem, we propose in our work, two alternative solutions : an analytical model with
a BCMP network and a simulator implemented in C. Performance measures provided by
the simulator are compared against the BCMP model measures. Experimental results are
satisfactory.
KeyWords : Queueing theory, transportation systems, BCMP queueing network, perfor-
mance measures, modeling, simulation.

2
Introduction générale

D es phénomènes d’attente se manifestent sous des formes multiples comme par


exemple : l’arrivée des voitures vers une station de service, la vente de billet auprès d’un
guichet, l’exécution des tâches dans un centre de calcul, pour ne citer que ceux-là.
L’étude des systèmes à files d’attente consiste à examiner le comportement au cours du
temps de certaines grandeurs, comme la longueur des files d’attente, le temps de séjour
et le temps d’attente des différents clients, qui en reflètent les performances.
La théorie des files d’attente est principalement vue comme une branche de la théorie
des probabilités appliquées. Les applications sont dans différents domaines, par exemple
les réseaux de transmission, les systèmes informatiques, les réseaux urbains, la banque, la
gestion des avions au décollage ou à l’atterrissage et ainsi de suite. Cette théorie utilise
des outils probabilistes pour étudier et modéliser le comportement d’un système donné,
en quelques mots cette théorie a pour objet l’étude de système ou du comportement des
« entités » appelées clients. Ces derniers cherchent à accéder à une ressource afin d’obtenir
un service.

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.

1.2 Réseaux de télécommunication


Un réseau de télécommunication est un ensemble d’ordinateurs et d’équipements in-
terconnectés (Voir FIG. 1.1). Il permet de faire circuler des données informatiques et ainsi
d’échanger du texte, des images, de la vidéo ou du son entre chaque équipement selon des
règles et protocoles bien définis. L’objectif d’un réseau de communication est le partage
des ressources matérielles (disques durs, imprimantes) et des ressources logicielles (fichiers,
applications). Les réseaux regroupent un ensemble hétérogène d’architectures, du filaire
au sans-fil, du LAN au WAN.

Fig. 1.1 – Réseau de télécommunication.

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.

Avantages des réseaux de télécommunication

Les avantages d’un réseau de télécommunication sont multiples et participent à l’évo-


lution et la pérennité d’une entreprise, ils se résument dans les points suivants :
1. La fiabilité du système d’information.
2. Le partage des fichiers : c’est la possibilité offerte à tous les utilisateurs de
travailler sur les mêmes données c’est à dire la facilité d’échanger de fichier qui ne
nécessite plus l’utilisation de support physique.
3. Mise à jour en temps réel des données pour tous les utilisateurs connectés.
4. Le partage de périphérique : il apporte également un certain confort financier
en réduisant le nombre de périphérique en les partageants (imprimantes, modem).
5. Simplification de l’utilisation des réseaux, alliée parfois à la simplification de son
installation.
6. Partage d’applications.

1.3 Réseaux de transport


Du fait de leur développement, les enjeux technologiques et économiques liés aux ré-
seaux de transports deviennent importants. A un certain niveau d’abstraction, il apparaı̂t
que la dynamique de ces systèmes est essentiellement régie par des phénomènes, tels que
la synchronisation et le délai, qui relèvent du formalisme des systèmes à événements dis-
crets. Ce constat a suscité un nombre croissant d’études depuis quelques années [1, 2].
Les réseaux de transport se sont beaucoup développés depuis le début du siècle et ont
stimulé la croissance de l’économie. La surcharge (la congestion) de différents modes de
transport s’est produite plus fréquemment dans les heures de pointes et vacances tradi-
tionnelles (fête nationales et la fête du travail).
Un réseau de transport est un ensemble d’infrastructures et de disposition permettant

8
1.3. Réseaux de transport

de transporter des personnes et des biens entre plusieurs zones géographiques (Voir FIG.
1.2).

Fig. 1.2 – Réseau de transport.

Nous citons dans les paragraphes suivants quelques notions trés importantes dans les
réseaux urbains.

1.3.1 Instants des arrivées


La plupart des services urbains font face à des incertitudes liées à la « période des
arrivées », du « type », de « l’endroit » et de la « quantité de demandes ».
Pour un feu de signalisation, prenons par exemple le nombre de véhicules qui passent par
ce feu dans une journée. C’est vrai qu’il existe des modèles statistiques réguliers qui nous
permettent de prévoir le pourcentage des véhicules de passage qui emploieront un sys-
tème entre par exemple 5h00 et 18h00. Mais la période et l’endroit exacts d’une demande
particulière pour le service, ne peuvent pas être prévus. De telles incertitudes peuvent
causer la congestion de système même lorsque, sur la moyenne, il y a capacité suffisante
de manipuler des demandes.

1.3.2 Congestion dans les réseaux urbains


La demande en termes d’espace routier continue à croı̂tre, ayant pour cause l’augmen-
tation du nombre de voitures, de la demande de mobilité et du transport de marchandises.

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].

Moyens de résolution de la congestion urbaine

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

5. Des restrictions de la circulation telles que l’interdiction d’accès des véhicules


aux centres urbains.
6. Un mécanisme de la tarification dont les possibles éléments incluent le niveau
et la structure de péage par zone (le paiement s’applique à tout véhicule se trouvant
dans une zone spécifique) à des périodes de temps donnés et le stationnement payant.
7. Régler les temps des feux de signalisation suivant le trafic.
Une mesure de performances d’un système urbain nous permet d’entreprendre la partie
quantitative de notre étude. C’est une quantité attribuable à une opération d’un système,
elle reflète la qualité de performance d’un système, ou, au moins elle quantifie quelques
aspects des performances tels que : le temps de séjour, le temps d’attente et le nombre de
véhicules dans le réseau urbain.
Une grande partie de la phase de l’évaluation des performances des systèmes urbains
implique l’utilisation des modèles et des représentations mathématiques.

1.3.3 Durée de séjour


La durée de séjour de l’entrée vers la sortie d’une intersection particulière (temps de
déplacement dans une intersection) est l’une des mesures les plus importantes pour évaluer
les performances du trafic du réseau urbain, et extraire des informations fiables et précises.
Cette métrique (Voir FIG. 1.3) est devenue de plus en plus importante pour les ingénieurs
du trafic [5].

Fig. 1.3 – Durée de séjour dans une intersection.

11
1.3. Réseaux de transport

1.3.4 Durée d’attente et les systèmes de contrôle dans une in-


tersection routière
La durée d’attente d’un véhicule donné dans l’une des entrées d’une intersection ur-
baine possédant des feux de signalisation (Voir FIG. 1.4) est le temps écoulé depuis son
arrivée à cette entrée jusqu’à ce qu’il soit servi par le feu de signalisation (feu vert).
Si un véhicule arrive pendant la phase verte du signal et le véhicule suivant arrive pendant
la phase rouge du signal. Cela donne un temps d’attente sensiblement plus élevé pour ce
dernier véhicule [6].

Fig. 1.4 – Exemple d’une intersection.

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

Fig. 1.5 – Signe d’arrêt dans une intersection.

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.

1.4.3 Exemple d’utilisation des outils de modélisation et de si-


mulation
Un système comme les systèmes de transport ou de communication est un ensemble
d’éléments en interaction ; les interactions contribuent à maintenir la structure du système
et à la faire évoluer. Evaluer les mesures de performance d’un tel système consiste à
identifier quelques paramètres comme les entités, attributs, niveaux d’observations, niveau
de décision. À construire le modèle (équations, lois de probabilités), à reproduire le système
par simulation (à partir des données observées). Et enfin valider le modèle et interpréter
les résultats.

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.

Fig. 1.6 – Modélisation et simulation d’un système urbain.

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.

Fig. 1.7 – Un détail du réseau pour la ville de Namur.

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.

1.5 Modélisation et simulation du trafic routier

1.5.1 Modélisation du trafic routier


Les systèmes de transport urbain constituent la partie fondamentale et essentielle
de la structure urbaine et dynamique. Modéliser, c’est comprendre a priori l’évolution
dynamique du processus étudié et ses déterminants principaux. La compréhension des

16
1.5. Modélisation et simulation du trafic routier

phénomènes permet la mise en équations et la description de l’évolution du processus.


Les modèles de simulation peuvent être décomposés en trois types. Chacun de ces types
est orienté vers des applications précises qui correspondent à une taille de réseau donnée.
Ces modèles dynamiques ont pris leur essor dans les années 1990, profitant des progrès
importants des moyens informatiques. Dans les modèles dynamiques, la congestion, et par
conséquent le choix d’itinéraire, varie au cours du temps.
Les modèles dynamiques peuvent être classés en trois familles selon la manière de
représenter l’écoulement des véhicules sur le réseau : modèles microscopiques, modèles
macroscopiques et les modèles mésoscopiques [9].
Les différents modèles du trafic essayent de traduire en langage mathématique les obser-
vations, les phénomènes et les hypothèses concernant l’évolution du flux de ce trafic. Ils
sont constitués d’équations qui représentent des lois physiques ou des lois d’état et des
données issues d’observation ou de mesures expérimentales ou de simples évaluations.
Plus la description est fine, plus le modèle devient complexe, plus sa résolution et la
conception d’une commande deviennent aussi plus délicates.

Modèles du trafic routier

L’élaboration de la théorie du trafic a permis de mieux comprendre et prévoir les


interactions inter véhiculaires ainsi que les mouvements du flux au niveau des réseaux
autoroutiers. Chaque niveau de détail est caractérisé par des variables et des paramètres
spécifiques. Lorsque les variables sont utilisés pour décrire le véhicule individuel et pour
exprimer le comportement de chaque conducteur, on parle de variables microscopiques.
La description du comportement global du flux de véhicule fait appel à des variables dites
macroscopiques.

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.

R. van Tongeren et al [10] présentent un modèle microscopique pour la validation des


systèmes avancés d’aide au conducteur dans un trafic routier à voie unique. Pour illustrer
l’utilisation de ce modèle, une simulation par la méthode de Monte Carlo des scénarios de

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

Les modèles macroscopiques permettent d’approximer le comportement d’un ensemble


de véhicules, appelé flux de trafic.
Dans ce type de modèle, les variables mise en jeu permettent de décrire l’état du flux de
trafic d’une manière agrégée et mesurer le trafic routier. Parmi ces variables, nous citons à
titre d’exemple : la concentration (correspond aux nombres de véhicules présents au point
x à l’instant t), le débit ou l’intensité du trafic routier (nombre de véhicules qui passent
en un point x du réseau à l’instant t), la densité (Nombre de véhicules par kilomètre) et
la vitesse (vitesse moyenne des véhicules se situant en x à l’instant t)[11].

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

le nombre de véhicules est grand.

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.

1.5.2 Simulation dynamique du trafic routier


Avec la charge de la croissance démographique, nous sommes confrontés à un défi
pour renouveler ou mettre à jour nos systèmes de transport. Cela est trop complexe
pour être expérimenté. D’autre part, les ordinateurs sont assez puissants pour concevoir
un monde miroir pour réaliser des simulations, en ajoutant différents scénarios et de
tester leur faisabilité. Cette technologie de simulation est communément connue sous le
nom de simulation basée sur les agents (véhicules). De nombreux agents interagissent et
communiquent les uns avec les autres au niveau local, et les résultats d’interaction sont
dans une structure intéressante et surprenante [13].
L’objective de la simulation dynamique est de construire l’évolution du trafic, à la
fois dans le temps et l’espace, et ce pour des échelles spatiales et temporelles qui varient
grandement en fonction des études. Ainsi des simulations pourront être effectuées au
niveau d’une région, d’une ville, ou, à une échelle plus fine, d’une rue ou d’une intersection.
La simulation de trafic semble être l’outil adéquat pour permettre, sur la base d’un
trafic réaliste et en prenant en compte la complexité d’un réseau étendu, une évaluation
des performances.

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 Analyses du trafic routier basées sur la modéli-


sation et la simulation
L’ensemble des travaux présentés dans cette section montrent une diversité de pro-
blèmes urbains qui peuvent être étudiés en utilisant l’analyse par simulation et modélisa-
tion. Ces méthodes sont des éléments essentiels dans la conception et le fonctionnement
du trafic urbain.

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.

Optimisation du flux du trafic routier

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 modèles analytiques mathématiques nous permettent d’identifier et de quantifier


la congestion dans les réseaux routiers. Ces modèles peuvent être intégrés dans des cadres
d’optimisation afin d’identifier des stratégies qui permettent de réduire cette congestion,
ainsi que ses impacts.

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

Analyse basée sur les réseaux de Jackson

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).

Analyse basée sur la file M /G/1

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

que pour la représentation appropriée de la dynamique du système de transport. Les mo-


dèles de simulation de la circulation permettent de recevoir des résultats dans une brève
durée et ils tracent bien le trafic traité.

Modélisation et simulation des intersections routières

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.

[19] présente un modèle d’intersection routière à feux de signalisation. Le modèle uti-


lise une série de temps et la théorie des files d’attente. Il examine les caractéristiques de
fonctionnement du processus d’arrivée et de départ. Il permet d’optimiser la synchronisa-
tion des feux d’intersection et obtient le meilleur cycle de temps de feux.

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.

Les auteurs de [21] présentent un modèle optimal pour étudier le problème de la


coordination des feux pour le réseau urbain basé sur le trafic en temps réel. Ils divisent un
vaste réseau de feux de signalisation en plusieurs sous-réseaux. Un cas d’étude est présenté
par la suite pour démontrer la validité de ce modèle proposé.

24
1.6. Analyses du trafic routier basées sur la modélisation et la simulation

1.6.2 Analyse du trafic routier basée sur les systèmes multi-


Agents
Le système multi-agent est un domaine en plein développement de l’intelligence ar-
tificielle distribuée. Il a acquis une importance significative en raison de sa capacité à
résoudre des problèmes complexes du monde réel. Il fournit une structure très souple et
modulaire, qui intègre l’expertise de domaine dans le système, pour atteindre la solution
optimale.
Un système multi-agent permet également de diviser un problème en sous-problèmes
qui nécessitent moins des compétences de domaine par rapport à la résolution du problème
dans son ensemble. Ces dernières années, le système multi-agent a acquis une grande
attention dans la résolution des problèmes de la congestion routière en raison des avantages
qu’il offre pour la résolution des problèmes complexes avec des incertitudes.
Compte tenu des caractéristiques du comportement des véhicules dans le choix des
itinéraires, les auteurs de [22] ont fait une simulation basée sur les agents pour étudier ce
comportement. Ils analysent les facteurs affectant le comportement de choix de route et
étudient les règles du choix de la route par les véhicules.
La conception et le contrôle des réseaux complexes, impliquant des flux d’éléments
déterminés, donne naissance de nos jours à des problèmes incontournables dans des do-
maines stratégiques variés. La dynamique des flux des réseaux complexes dépend non
seulement du comportement des serveurs traitant les différents éléments en circulation,
mais également des règles de routage définissant le parcours de ces unités au sein du
réseau. La modélisation et l’étude de ces problèmes a hautement stimulé au fil des ans
le développement d’une théorie spécifique dédiée à l’étude des réseaux de files d’attente
dans le but de calculer les mesures de performances de ces systèmes. Nous serons donc en
présence d’agents aptes de s’adapter de manière autonome aux changements de l’environ-
nement dans lequel ils évoluent. De plus, ces agents interagiront de sorte à produire des
comportements collectifs intelligents.
Dans le but de modéliser un service récurrent, les auteurs de [23] considèrent première-
ment le comportement d’un unique serveur avec possibilité de retour et après ils ont étudié
le cas de deux serveurs. Dans ce modèle, chaque tâche entrant dans le système est dotée
après des mécanismes lui permettant de prendre des décisions autonomes spécifiques.

25
1.7. Domaines d’application de la modélisation et de la simulation

1.6.3 Analyse du trafic routier basée sur les réseaux de PETRI


Le contrôle du trafic urbain pose un problème difficile en termes de coordination des
différents feux de signalisation qui peuvent être utilisés afin d’influencer la circulation.
Le contrôle basé sur le modèle exige des modèles de systèmes hybrides : des modèles
de réseaux de Petri pour les intersections contrôlées et non contrôlées, et les modèles de
transmission de cellules pour des lignes reliant les intersections.

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.

Mariagrazia et al [25] abordent les problèmes de modélisation et de gestion du système


de transport intermodal (ITS), compte tenu de l’impact de la nouvelle technologie des
informations et des communications (TIC). ITS sont considérés comme des systèmes à
évènements discrets et sont modélisés dans le cadre des réseaux de Petri temporisés.
Afin de montrer l’efficacité de l’ITS, un cas d’étude est considéré dans une ville située en
Italie. Les résultats montrent que l’approche peut être utilisée pour vérifier le potentiel
des TIC pour la gestion efficace en temps réel, et leur impact sur les infrastructures.

1.7 Domaines d’application de la modélisation et de


la simulation
Les outils de modélisation et de simulation du trafic routier sont utilisés afin d’optimi-
ser la gestion du trafic, depuis la planification jusqu’à l’exploitation des réseaux routiers.
Parmi leurs nombreuses utilisations, on trouve : l’étude et la conception de nouvelles infra-
structures, la régulation du trafic en temps réel (régulation d’accès, feux de signalisation,
stations de péage). Ces outils sont également utilisés pour l’utilisation a priori des mesures
d’exploitation.
De plus, pour ce qui concerne l’aide à la décision et la régulation du trafic en temps réel,
des applications possibles sont : décision des stratégies de régulation d’accès, estimation du
réseau routier, gestion de la congestion des réseaux urbains et la définition des stratégies
adaptatives optimales de régulation de carrefour à feux.
Enfin, les outils de simulation de trafic routier peuvent également être employés pour
la gestion du trafic.

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

Réseaux des files d’attente

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.

2.2 Modèle de file d’attente


Un système stochastique est une famille {Yt , t²I} de variables aléatoires définies sur
un même espace de probabilité, il peut être à temps continu I = [0, ∞[ ou discret I={1,
2, ...}.
Une file d’attente est un système stochastique composé d’un certain nombre de places
d’attente, d’un ou plusieurs serveurs et de clients qui arrivent, attendent, se font servir
selon des règles de priorité, puis quittent le système.
Cette description de la file d’attente est schématisée dans la figure 2.1.

Fig. 2.1 – Représentation d’une file d’attente.

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.

C. Nombre des serveurs

Il détermine le nombre maximal de clients pouvant être traités simultanément. Dans


le cas d’une file multiserveurs (Voir FIG. 2.2), dès qu’un serveur se libère, un des clients
en attente entre en service (s’il existe des clients dans le buffer d’attente) [26].

Fig. 2.2 – File d’attente avec plusieurs serveurs.

D. Capacité de la file d’attente

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

Fig. 2.3 – Capacité d’une file d’attente simple.

E. Discipline de la file

La discipline de la file d’attente ou la stratégie de service détermine quel client est


retiré de la file pour le traitement quand le serveur devient libre.
Nous citons quelques possibilités pour l’ordre dans lequel les clients entrent en service :

FCFS (Fist Come Fist Served)

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.

LCFS (Last Come Fist Served)

Le client qui arrive le dernier est le premier à être servi.

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

Il y a plusieurs classes de clients, chacune avec un niveau de priorité. Le client qui a


la priorité la plus haute est servi en premier.

Nous présentons dans la suite le processus des arrivées et la loi exponentielle.

31
2.3. Processus de Poisson

2.3 Processus de Poisson


Le processus de poisson est un des plus importants modèles utilisés en théorie des files
d’attente. Les exemples sont :
¦ L’arrivée des clients vers un guichet,
¦ L’occurrence d’accidents dans une entreprise,
¦ L’arrivée des tâches dans l’unité centrale d’un ordinateur.
Mathématiquement, ce processus est décrit par un compteur N (t), où N (t) nous donne
le nombre des arrivées occurrents dans l’intervalle ]0, t].
{N (t), t ≥ 0} étant la suite de variables aléatoires N(t) indexée par t, nous appelons cette
suite un processus de comptage (Voir FIG. 2.4).

Fig. 2.4 – Principe du processus de comptage.

Propriétés du processus de poisson

Le processus de poisson est un processus stochastique simple et intéressant, il peut


être défini comme suit [27] :
1. Le processus de poisson est un processus purement de naissance.
Dans un intervalle « dt », il ya toujours un arrivée avec une probabilité de « dt »
indépendante des arrivées hors intervalle (Voir FIG. 2.5).

32
2.3. Processus de Poisson

Fig. 2.5 – Processus de naissance.

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].

Fig. 2.6 – Translation de l’origine de temps.

Un nouveau processus de comptage Ns (t), t ≥ 0 peut être défini à partir de s (au


lieu de 0 pour N(t), t ≥ 0) (Voir FIG. 2.6).
Nous montrons alors que (Ns (t), t ≥ 0) est également un processus de poisson. En
d’autres termes, changer l’origine des temps ne change pas la nature d’un processus
de Poisson.

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).

P(temps inters-arrivées>t)= e−λt

Fig. 2.7 – Temps inters-arrivées.

2.4 Loi exponentielle


On dit que la variable aléatoire réelle positive T suit une loi exponentielle de paramètre
λ. Avec :
(
λe−λt si λ ≥ 0, t ≥ 0
fT (t)=
0 sinon

Caractère sans mémoire de la loi exponentielle

Une variable aléatoire T est dite sans mémoire lorsque :

∀t, t0 ≥ 0, P {T − t0 > t|T > t0 } = P {T > t}

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

2.5 Notation de Kendall


Pour décrire un système de file d’attente élémentaire, Kendall a introduit en 1953 une
notation pour classifier les files d’attente en différents types. Ainsi une file d’attente est
notée par [27] :

A/B/m/K/P - discipline de la file d’attente

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.

2.6 Mesures de performance


L’analyse théorique d’un modèle de file d’attente à pour objet de saisir quantitati-
vement et qualitativement le fonctionnement du système en question. Pour cela, il faut
définir les critères et les mesures afin d’atteindre cet objectif. En particulier nous allons
présenter dans cette section les mesures de performance les plus répandues [28].

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.

B. Temps de réponse moyen (T̄ )

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. Temps d’attente moyen(W̄ )

C’est le temps où le client est en file d’attente en attendant d’être servi. On a :

Temps de réponse=Temps d’attente + Temps de service

D. Longueur moyenne de la file d’attente (Q̄)

La longueur moyenne de la file Q̄ est le nombre de clients en attente dans le buffer.

E. Nombre de clients dans le système (K̄)

Le nombre moyen de clients dans le système (file d’attente + serveur) est représenté
par K̄.
on a :


X
K̄ = kπk
k=1

πk est la probabilité qu’il existe k clients dans le système.

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.

2.7 Formule de Little


À l’état stationnaire d’une file d’attente, les mesures de performance caractéristiques
sont le nombre moyen de clients dans le système (attente + serveur) et le temps de séjour
moyen des clients. Ces deux quantités moyennes sont liées par le théorème fondamental
de Little :
Considérons un système d’attente quelconque en régime stationnaire alors :

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.

2.8 Equation d’équilibre global


Les équations d’équilibre global sont souvent utilisées dans la théorie des files d’at-
tente. Ces équations signifient que pour chaque état d’une file d’attente en équilibre, le
flux sortant d’un état donné est égal au flux entrant dans cet état.
Cette conservation de flux est donnée par la formule :

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).

Fig. 2.8 – Principe d’équilibre global.

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.

2.9 Processus de naissance et de mort


Ces processus sont des chaines de Markov ou les transitions permises sont seulement
entre les états voisins i → i + 1 ou i → i − 1 [29]. L’état du processus est le nombre de
clients présents dans la file à l’instant « t » (Voir FIG. 2.9).

Fig. 2.9 – Ensemble d’états et transitions dans une chaı̂ne de Markov .

Pendant un intervalle de temps infiniment petit ε :


¦ La probabilité qu’un client arrive dans une file est λk ε + o(ε).
¦ La probabilité qu’un client quitte la file est µk ε + o(ε).

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

2.10 File d’attente M/M/1 FCFS


La file M/M/1 est la file d’attente la plus simple, elle comporte un seul serveur offrant
un service à des clients qui arrivent selon le processus de poisson de paramètre λ > 0, le
temps de service pour chaque client suit une loi exponentielle de paramètre µ > 0.
La file M/M/1 peut accueillir un nombre quelconque de clients.
Cette file d’attente est un cas très particulier du processus de naissance et de mort, chaque
arrivée d’un client pouvant être assimilée à une naissance (taux de naissance est égal à
λ), et chaque départ correspond à une mort (taux de mort est égal à µ).
(
λk = λ(k ≥ 0)
µk = µ(k ≥ 1)

L’état d’un tel système est représenté par le nombre de client présent à un instant
quelconque.

2.10.1 Probabilité stationnaire


Soit πk (t) la probabilité d’observer k clients dans le système à l’instant t.
Dans le cas d’une file d’attente M/M/1, les formules de la distribution stationnaire du
processus de naissance et de mort, deviennent :

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).

2.10.2 Mesures de performance de la file M/M/1


Nous allons présenter maintenant quelques mesures de performance relatives à une file
d’attente M/M/1, par exemple le nombre moyen de clients (K̄), le temps de séjour moyen
(T̄ ), le temps d’attente moyen dans le système (W̄ ) ainsi que la longueur moyenne de la
file d’attente (Q̄). Ces mesures sont obtenues en appliquant les équations mathématiques
suivantes :


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)

2.11 Réseaux des files d’attente


La modélisation d’un système à l’aide d’une seule file d’attente n’offre qu’un champ
d’application. Bien souvent, un client a besoin de recevoir plusieurs traitements consécutifs
et de différentes natures avant de quitter le système (par exemple une tâche dans le système
informatique doit être servi par le CPU et le disque dur (Voir FIG. 2.10)). Pour modéliser
ce type de situation il faut relier plusieurs files d’attente entre elles d’où la notion des
réseaux des files d’attente.

Définition d’un réseaux de file d’attente

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.

Fig. 2.11 – Réseau de files d’attente fermé.

Il existe aussi ce qu’on appelle « réseau mixte » qui est un réseau ouvert pour certains

43
2.11. Réseaux des files d’attente

clients et fermé pour d’autres.


Un réseau à forme produit est un réseau dont la distribution stationnaire est le produit
des distributions stationnaires des files d’attente considérant en isolation : en particulier
les réseaux de Jackson, les réseaux de Gordon-Newell et les réseaux BCMP multi-classes.
L’évaluation des performances d’un système est souvent basée sur le développement et
l’analyse des modèles appropriés. Les modèles des réseaux de file d’attente se sont avérés
être un outil puissant et souple pour l’évaluation et la prévision des performances de sys-
tème [30].
Dans les sections suivantes, nous décrivons les réseaux des files d’attente possédant une
structure spéciale, leurs solutions peuvent être obtenues sans la génération de leurs espaces
d’états. De tels réseaux sont connus par des « réseaux de files d’attente à forme produit ».

2.11.1 Réseaux de Jackson


James R. Jackson [27] a trouvé une solution à forme produit, il s’agit du premier
développement significatif dans la théorie des réseaux de file d’attente.
Un réseau de Jackson (Voir FIG. 2.12) est un ensemble de N file d’attente FIFO avec le
fonctionnement suivant :
¦ Les réseaux ne possèdent qu’une seule classe de clients.
¦ Les files d’attente dans un réseau de Jackson sont des files d’attente M/M/m comportant
chacune un ou plusieurs serveurs identiques (mj pour la file j).
¦ Le nombre global de clients dans le réseau est illimité.
¦ Les clients arrivent de l’extérieur du réseau selon des processus de Poisson indépendants,
et se déplacent d’un nœud à un autre en suivant des règles de routage markoviennes.
¦ Le taux d’arrivée externe dans la file j (appelée aussi le j me nœud du réseau) étant égal
à γj .
¦ Un client peut quitter le système de n’importe quel nœud (file d’attente).
¦ Le réseau possède un nombre fini de serveurs fournissant des traitements dont les durées
sont exponentiellement distribuées (le taux de service de la file j est noté µj ).
¦ Chaque nœud du réseau est régi par une discipline FCFS.

44
2.11. Réseaux des files d’attente

Fig. 2.12 – Réseau de Jackson Ouvert.

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

Après l’accomplissement de service dans la file « i », un client soit se dirige vers la


file « j » avec la probabilité de routage rij (avec rii = 0), soit quitte le réseau avec la
probabilité ri0 .
Nous avons : n
X
ri0 = 1 − rij , i = 1...n
j=1

Le routage de Jackson est illustré dans la figure 2.13 :

Fig. 2.13 – Routage du réseau de Jackson ouvert.

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.

Théorème 1 (Jackson). Un réseau de Jackson ouvert, stable et formé de n files d’at-


tentes possède une distribution stationnaire à forme produit unique donnée par :

π(k1 , k2 , ..., kn ) = π1 (k1 ) ∗ π2 (k2 ) ∗ ...πN (kN )

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

Equation du trafic du réseau de Jackson

Etant donnée la matrice de routage R et γi le trafic extérieur éventuel arrivant au


nœud (file d’attente) « i », nous pouvons écrire les « équations de trafic » pour un réseau
ouvert de Jackson en chaque nœud « i » comme suit [30] :

n
X
λ i = γi + λj .rji , i = 1...n
j=1

rji étant la probabilité de passage du nœud « j » au nœud « i », et


λi : est le taux effectif d’arrivées dans la file « i ».
Si le système est « stable » alors ce taux d’arrivée est égal au taux de sortie de la file et

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.

2.11.2 Réseaux de Gordon-Newell


Gordon et Newell ont montré que les réseaux de files d’attente fermés possédent une
distribution stationnaire [30] . Ils ont fait les mêmes prétentions que dans les réseaux de
file d’attente ouverts, sauf que :
Aucun client ne peut entrer ou quitter le système (λi0 = λ0i ).
Cette restriction signifie que le nombre K de clients présents dans le système est toujours
constant :
N
X
K= ki
i=1

ki étant le nombre de clients dans la file d’attente « i ».


Un exemple de ce type de réseau est montré dans la figure 2.14.

47
2.11. Réseaux des files d’attente

Fig. 2.14 – Réseau de Gordon-Newell.

Le nombre d’états possibles est fini et il est égal au coefficient binomial suivant :
à !
N+K-1
N-1

Ce coefficient décrit le nombre de manière de répartir K clients dans N files.


Par exemple le coefficient binomial d’un réseau fermé possédant N=3 nœuds et k=3 clients
est égal à : Ã !
5
= 10
2
Nous obtenons les états suivants : (3,0,0), (2,1,0), (2,0,1), (1,2,0), (1,1,1) (1,0,2), (0,3,0),
(0,2,1), (0,1,2), (0,0,3).

Comme pour les réseaux de Jackson, nous citons dans ce paragraphe le théorème de
Gordon-Newell.

Théorème 2 (Gordon-Newell). Un réseau de file d’attente fermé possède une « distribution


stationnaire » donnée par l’expression en forme produit suivante :

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

mi étant le nombre de serveurs dans le nœud « i ».


Le taux de visite ei pour le réseau fermé de Gordon-Newell s’énonce simplement comme
suit :
PN
ei = j=1 ej rji , pour i=1,...,N.

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

La méthode de Gordon-Newell pour le calcul des probabilités stationnaires peut se résumer


en 4 étapes :
1. Calculer les taux de visite ei pour toutes les files i = 1, ..., N du réseau fermé.
2. Calculer les fonctions Fi (ki ) pour toutes les files.
3. Calculer la constante de normalisation G(K) en utilisant la formule citée dans le
paragraphe précédent.
4. Et enfin, calculer la probabilité stationnaire πi (k) pour chaque file « i » du réseau
fermé ainsi que les autres mesures de performance.
Après la présentation des réseaux de files d’attente, les réseaux de Jackson et Gordon-
Newell. Nous introduisons à présent l’un des résultats principaux de la théorie des réseaux
des files d’attente multi-classes.

49
2.11. Réseaux des files d’attente

2.11.3 Réseaux BCMP


En raison de sa modélisation et l’évaluation de ses mesures de performance, le résul-
tat du théorème BCMP dont la distribution stationnaire a encore une forme produit est
devenu populaire vers la fin des années 70 et beaucoup de logiciels de files d’attente se
sont basés sur ce théorème. Citons comme exemple QNAP2 (Queuing Networks Analysis
Package), un langage de programmation qui permet de décrire des systèmes sous la forme
de réseaux de files d’attente, et d’analyser les performances de ces systèmes en résolvant
le réseau, soit analytiquement, soit par simulation.
Le réseau de file d’attente BCMP est un réseau introduit par les auteurs F.Baskett,
K.M.Chandy, R.R.Muntz et F.G.Palacios sur le quel on peut appliquer le théorème BCMP.
Bien que ce théorème s’applique aux deux réseaux ouverts et fermés, nous présentons les
résultats seulement dans le cadre des réseaux de files d’attente ouverts multi-classes [31].
Dans cette section, nous allons introduire les réseaux BCMP dont la distribution station-
naire a encore une forme produit en présentant différentes classes de client et de nouvelles
disciplines de service.
Avant de présenter ce type de réseau, nous allons définir en premier lieu ce qu’est une
classe de clients dans un réseau de file d’attente.

Définition d’une classe de clients

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

Fig. 2.15 – Réseau BCMP Mixte.

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] :

A. Discipline des files d’attente

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

B. Distribution des temps de service

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 ).

C. Processus des arrivées

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).

Théorème 3 (BCMP). Pour un réseau BCMP ouvert, le calcul de sa probabilité sta-


tionnaire est [30] :

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 ).

Mesures de performance des réseaux BCMP ouverts

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.

Taux de visite eir

Dans un réseau BCMP ouvert multi-classe, le taux de visite ou le nombre moyen de


passage à la station i de la classe r est obtenu comme suit :
X
eir = R0,ir + ejs Rjs,ir
s²Cq ,j=1,...N

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

Nombre moyen des clients K̄ir

Le nombre moyen des clients dans le système (serveur+buffer) i = 1, ..., n de la classe


r = 1, ..., R est donné par la formule suivante :

ρir
K̄ir =
1 − ρi

Longueur moyenne de la file d’attente Q̄ir

La longueur moyenne de la file d’attente (buffer) i = 1, ..., n de la classe r = 1, ..., R


est calculée par l’équation de Little et elle vaut :

Q̄ir = λir W̄ir

Temps de réponse moyen T̄ir

Le temps de réponse moyen de la file d’attente i = 1, ..., n de la classe r = 1, ..., R est


obtenu aussi par la formule de Little comme suit :

K̄ir
T̄ir =
λir

Temps d’attente moyen W̄ir

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

Modélisation du trafic dans une


intersection routière

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.

3.2 Présentation de notre cas d’étude


Le but de notre travail est de faire la modélisation et la simulation d’un réseau, par
exemple : un réseau de communication, d’administration ou bien un réseau de transport.
Nous proposons d’étudier le cas d’une intersection routière, où nous estimons les para-
mètres (délai de bout en bout, temps moyen d’attente, taille des files d’attente) par une
simulation. Les paramètres estimés sont comparés avec les paramètres calculés théorique-
ment d’après le modèle de l’intersection.

3.2.1 Trafic d’intersection


Notre modèle est appliqué à un trafic d’une intersection routière qui se compose de
deux routes, chacune avec une ou deux voies et un ensemble de feux de signalisation qui
contrôlent la traversée de l’intersection ( Voir FIG. 3.1) [1].

57
3.2. Présentation de notre cas d’étude

Fig. 3.1 – Exemple d’un trafic d’une intersection routière.

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

Fig. 3.2 – Exemple d’utilisation des modèles : analytique et simulation.

Dans ce qui suit, nous détaillons chacune de ces étapes appliquées à une intersection
(Voir FIG. 3.1).

3.2.2 Description informelle d’une intersection


C’est la description textuelle des données par exemple dans notre cas d’étude : le
nombre de voies dans chaque axe, la position des feux de signalisation dans une inter-
section, le taux estimé des arrivées dans chaque direction pour chaque axe et le taux de
service.
La description informelle définit le système par la vue structurelle et la vue comporte-
mentale (Voir FIG. 3.3).

59
3.2. Présentation de notre cas d’étude

Fig. 3.3 – Description informelle d’une intersection.

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.

A.1. Secteur d’intersection

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.

Nous allons définir maintenant, les différents secteurs d’une intersection :

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.

Fig. 3.4 – Vue structurelle d’une intersection routière.

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

Tab. 3.1 – Table des trajectoires de passage.

61
3.2. Présentation de notre cas d’étude

Cette table fournie la liaison entre les entrées et les sorties :


¦ La valeur de la table des trajectoires est égale à « 1 » s’il existe au moins un secteur
interne reliant le secteur d’entrée et le secteur de sortie. Par exemple entre le I1 et le O2 ,
ils existent les secteurs internes suivants : S1 , S4 et le S3 (Voir FIG. 3.4).
¦ La valeur de la table est égale à « 0 » s’il n’existe pas de secteurs internes entre le secteur
d’entrée et le secteur de sortie. Par exemple entre le secteur d’entrée I1 et le secteur de
sortie O1 , ils n’existent pas de secteurs internes (Voir FIG. 3.4).

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.

B.1 Classe des véhicules

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

Tab. 3.2 – Table des probabilités de routage de la Classe1.

Les véhicules entrent de l’extérieur du réseau au secteur d’entrée I1 avec la probabilité


R0,I1 . Si le feu est vert ; les véhicule passent du secteur d’entrée I1 au secteur interne S1
avec la probabilité RI1,S1 . Après avoir été servi par le serveur S1 , les véhicules soit quittent
le réseau à travers le secteur O4 avec la probabilité RS1,O4 ; soit entrent dans le secteur S4
avec la probabilité RS1,S4 . Du secteur S4 , les véhicules soit passent au secteur S3 avec la
probabilité RS4,S3 ; soit quittent le réseau avec la probabilité RS4,O3 . Enfin, du secteur S3
les véhicules quittent le réseau avec la probabilité RS3,O2 .

Pour bien analyser notre réseau ouvert multi-classes, nous proposons deux solutions :
1. Un simulateur codé en C.
2. Un modèle analytique.

3.3 Modèle de simulation


Le « modèle de simulation » se compose d’un ensemble de centres de service qui sont
connectés les uns aux autres ( Voir FIG. 3.5).

63
3.3. Modèle de simulation

Fig. 3.5 – Connexion des centres de service.

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

Fig. 3.6 – Organigramme du principe de fonctionnement du simulateur. 66


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).

La fonction principale dans le simulateur est la fonction :


queue (int Id, float Arrive, float Depart, float Serv, float Arr, int Number, float Timer)
Cette méthode a comme paramètres, les variables suivantes (Voir Algorithme. 1) :
¦ Id : variable permettant de désigner le nom du secteur de l’intersection.
¦ Arrive : instant d’arrivée d’un véhicule courant dans le secteur (véhicule i).
¦ Depart : instant de départ du véhicule précédant dans le même secteur (véhicule
i-1).
¦ Arr : variable désignant le taux des arrivées.
¦ Serv : variable désignant le taux de service.
¦ Number : un compteur pour incrémenter le nombre de véhicules en attente d’être
servi.
¦ Timer : variable pour stocker les instants d’arrivée ou de départ.

67
3.3. Modèle de simulation

Algorithm 1 Fonction Queue


1: if Arrive < Depart then
2: Timer = Arrive ; /* Instant d’arrivée du véhicule courant */
3: n= n +1 ; /*Incrémenter le nombre des véhicules dans le système*/
4: Arrive = Timer + expodev(idum)/Arr ; /* Instant d’arrivée pour le prochain véhi-
cule */
5: if n == 1 then
6: Depart = Timer + expodev(idum)/Serv ; /*Instant de départ du premier véhi-
cule*/
7: end if
8: else
9: Timer = depart ; /* Instant de départ du véhicule précédant*/
..
10: .
11: Si le prochain secteur est un secteur interne, vérifier que son serveur est libre ;
12: n=n-1 ; /* Décrémenter le nombre des véhicules */
..
13: .
14: if n > 0 then
15: Depart = Timer + expodev(idum)/Serv ; /* Instant du prochain départ*/
16: else
17: Depart = endtime ; /*Mettre le prochain départ à l’infinie si le système est vide*/
18: end if
19: end if

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.

Algorithm 2 Contrôle du trafic par les feux de signalisation


1: while True do
2: while f euI1 = vert et f euI3 = vert do
3: queue(1,...) ; /* Générer des véhicules dans l’entrée I1 */
4: queue(3,...) ; /* Générer des véhicules dans l’entrée I3 */
5: if Instants de départ > temps du feu vert dans axe1 then
6: Bloquer le trafic dans l’axe1 et lancer le traitement dans l’axe2.
7: feu1=feu3=rouge ;
8: feu2=feu4=vert ;
9: end if
10: end while
11: while f euI2 =vert et f euI4 =vert do
12: queue(2,...) ; /* Générer des véhicules dans l’entrée I2 */
13: queue(4,...) ; /* Générer des véhicules dans l’entrée I4 */
14: if Instants de départ > temps du feu vert dans axe2 then
15: Bloquer le trafic dans l’axe2 et lancer le traitement dans l’axe1.
16: feu2=feu4=rouge ;
17: feu1=feu3=vert ;
18: end if
19: end while
20: end while

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

Fig. 3.7 – Appels entres les fonctions du simulateur.

Le code suivant (Voir algorithme 3) permet de déterminer le déplacement d’un véhicule


du secteur i au secteur interne j suivant, ou du secteur interne i au secteur de sortie.

Algorithm 3 Déplacement d’un véhicule dans la classe r


1: i := Secteur d’entrée ou interne ;
2: j := Secteur interne ;
3: if secteur = i then
4: valeur := variable aléatoire entre 0.0 et 1.0 ;
5: if 0.0≤ valeur ≤Ri,j then
6: Vérifier que le serveur du secteur interne j est libre ;
7: Passer au secteur interne j ;
8: else
9: Quitter l’intersection par le secteur de sortie ;
10: end if
11: end if

Comme fonction nous avons aussi :


1. performace sim() :fonction permettant de calculer les différentes mesures de per-
formance obtenues par simulation.
2. performace ana() : fonction permettant de calculer les différentes mesures de per-
formance obtenues analytiquement.
A la fin de la simulation, nous tirons quelques mesures de performance du modèle de
simulation telles que la taille des files d’attente des différents secteurs d’entrée, le temps

70
3.4. Modèle analytique

de séjour et le temps d’attente dans tout le système.


L’algorithme (Voir algorithme 4) présente la procédure pour calculer le temps de séjour
moyen d’un véhicule dans le système. Les autres mesures de performance sont calculées
de la même façon.

Algorithm 4 Temps de séjour moyen


1: while True do
2: Arrivée d’un véhicule à une entrée ;
3: t0 := Estampille temporelle ;
..
4: .
5: /*Routage à l’intérieur du système*/
..
6: .
7: Sortie du véhicule ;
8: t1 := Estampille temporelle ;
9: Nbre véhicule ++ ;
10: Temps séjour :=Temps séjour+(t1 -t0 ) ;
11: end while
12: Temps séjour moyen :=Temps séjour/Nbre véhicule ;

Nous présentons dans la section 3.4 le modèle analytique ainsi que ses mesures de
performance.

3.4 Modèle analytique


Les caractéristiques principales de notre modèle analytique sont :

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.

2. Le modèle se compose de 4 classes qui sont les suivantes :


¦ Classe1 possédant les files d’attente : I1 , S1 , S4 , S3 .
¦ Classe2 possédant les files d’attente : I2 , S2 , S1 , S4 .
¦ Classe3 possédant les files d’attente : I3 , S3 , S2 , S1 .
¦ Classe4 possédant les files d’attente : I4 , S4 , S3 , S2 .

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.

6. Chaque file d’attente du réseau posséde un buffer infini.

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.

Modélisation du secteur d’entrée

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.

Fig. 3.8 – Exemple de modélisation d’un secteur d’entrée.

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.

Modélisation du secteur interne

Du secteur d’entrée I1 , les véhicules quittent le serveur I1 en allant au secteur interne


S1 (Voir FIG. 3.9). Ces véhicules sont servis par le serveur de la file d’attente S1 à condition
que ce dernier soit libre. Dans le cas contraire ; ils seront mis dans la file de S1 jusqu’à ce
que le serveur S1 se libère (le buffer des secteurs internes est infinie).
Les véhicules peuvent passer par plusieurs secteurs internes avant de quitter l’intersection.

Fig. 3.9 – Exemple de modélisation d’un secteur interne.

Modélisation du secteur de sortie

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)).

Fig. 3.10 – Exemple de modélisation d’un secteur de sortie.

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

3.4.1 Mesures de performance


Après la modélisation de notre cas d’étude « trafic d’intersection », nous présentons
maintenant les différentes mesures de performance relatives au réseau des files d’attente
BCMP telles que : la longueur moyenne des files d’attente, le temps d’attente moyen et
le temps de séjour moyen.

Taux de visite d’un secteur d’intersection eir

Détermine le nombre moyen de passage par le secteur « i » de la classe « r ». Pour


trouver cette mesure, nous appliquons à notre réseau BCMP ouvert la formule suivante :
X
eir = R0,ir + ejs Rjs,ir
s²Cq ,j=1,...N

où :
i et j désignent un secteur, r et s désignent une classe de véhicules.

Utilisation du serveur ρir

Elle représente l’utilisation du serveur propre au secteur « i » de la classe « r ». Cette


mesure est obtenue par la formule suivante :

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),

Nombre moyen des véhicules K̄ir

Le nombre moyen des véhicules dans le secteur « i » de la classe « r » est défini par la
formule suivante :

ρir
K̄ir =
1 − ρi

Temps de séjour moyen dans un secteur T̄ir

Il représente le temps total qu’un véhicule reste dans un secteur d’intersection « i » de


la classe « r ». Ce temps dans un réseau BCMP ouvert est obtenu par l’équation mathé-
matique suivante :
K̄ir
T̄ir =
λir

Temps d’attente moyen W̄ir

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.

Longueur moyenne de la file d’attente d’un secteur Q̄ir

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 :

Q̄ir = λir ∗ W̄ir

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.

4.2 Génération des temps de service et des inters-


arrivées
La distribution exponentielle n’a qu’un seul paramètre (la moyenne, notée M = 1/λ).
Sa particularité est de pouvoir représenter de nombreux phénomènes naturels.
Pour réaliser un générateur d’arrivées qui suit le processus de Poisson, il faut générer des
instants d’arrivées tels que les valeurs des temps entre deux arrivées successives suivent
une loi exponentielle. Dans le but de vérifier que notre fonction génère des temps qui
suivent cette loi, nous avons tracer la courbe de sa fonction de distribution (Voir FIG.
4.1).
Nous avons pris un taux d’arrivée λ = 4. Comme nous remarquons dans la figure, nous
avons bien une répartition selon une loi exponentielle. En effet, nous trouvons plus de 500
valeurs comprises entre 0 et 0.25, il y en a plus qu’une centaine entre 0.25 et 0.5 et il n’y
en a aucune supérieures à 2. Nous pouvons vérifier que la moyenne est bien égale à 1/λ.
En effet le résultat retourné est bien une valeur proche de 1/4.

79
4.3. Système de file d’attente

Fig. 4.1 – Fonction de distribution de la loi exponentielle.

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.

4.3 Système de file d’attente


Le but de l’analyse d’un système de file d’attente (buffer + serveur) est de caractériser
son degré de performance en répondant à des questions du type suivant :
¦ En moyenne, combien de temps attend un client avant d’être servi ?
¦ Quel est le nombre moyen de clients dans le système ?
¦ Quel est le temps de séjour d’un client dans le système ?
¦ Combien de clients sont en attente dans la file ?

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

4.4 Simulation d’une file d’attente M/M/1/FCFS


Une file d’attente M/M/1/FCFS est un système formé d’une file de capacité infinie et
d’un unique serveur. Les clients arrivent dans le système selon un processus de Poisson
de taux λ et le temps de service est distribué selon une loi exponentielle de paramètre µ.
Il nous faut alors dans un premier temps générer des variables aléatoires qui suivent une
loi donnée (dans notre cas la loi exponentielle).
Avant de lancer la simulation de ce type de file, nous devons introduire quelques para-
métres comme : le « taux des arrivées » ainsi que le « taux des services » et cela tout en
vérifions la condition de stabilité du systéme (λ/µ < 1).

4.4.1 Résultats expérimentaux d’une file d’attente M/M/1


En faisant varier le taux d’arrivée λ et le taux de service µ et après l’obtention des
résultats, notre objectif est de pouvoir comparer entre les « résultats de la simulation » et
les « résultats analytiques » (Voir TAB. 4.1, TAB. 4.2, TAB. 4.3 et 4.4).
Nous allons prendre comme exemple les résultats de simulation d’une file d’attente M/M/1
avec ρ = 3/4 (Voir TAB. 4.1) ( le système est stable car la condition de stabilité étant
respecté ρ < 1).
Les résultats théoriques nous donne : une longueur moyenne théorique de file d’attente de
1
ρ2
2,25 (Q̄ = 1−ρ
), un temps de séjour moyen théorique dans le système de 1 (T̄ = µ
1−ρ
), un
ρ
nombre moyen de clients dans le système de 3 (K̄ = 1−ρ
) et un temps d’attente moyen
ρ
de 0,75 (W̄ = 1−ρ
µ
).

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.

4.5 Simulation d’un réseau BCMP composé de deux


files d’attente
Nous effectuons dans ce cas d’attente, une simulation d’un réseau BCMP composé de
deux files d’attente type M/M/1/FCFS et une seule classe de clients. Pour simuler ce type
de réseau, nous avons pris les probabilités de routage suivantes :
¦R0,1 = 1 (probabilité de routage de l’extérieur du réseau vers la première file
d’attente),
¦ R1,2 = 1 (probabilité de routage qu’un client passe de la première file d’attente
vers la deuxième file).
Après avoir introduit les paramètre de simulation de ce type de réseau, nous passons à la
visualisation des résultats.

4.5.1 Résultats expérimentaux d’un réseau composé de deux


files d’attente
Avant de faire la comparaison entre les deux résultats : « théorique » et « simulation »,
nous calculons en premier les taux de visite eir , l’utilisation des différents serveurs des files
d’attente ρi , le nombre moyen des clients dans les deux systèmes K̄ir , la longueur moyenne
des files d’attente Q̄ir , le temps de séjour moyen T̄ir et le temps d’attente moyenW̄ir . Les
résultats sont obtenus pour i=1, 2 (deux files d’attente) et r=1 (une seule classe de client).
Notons :

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%

Tab. 4.6 – Longueur moyenne des files d’attente.

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%

Tab. 4.7 – Temps de séjour moyen des files d’attente.

Le temps d’attente moyen théorique (Voir TAB. 4.8, cas où λ = 1, µ1 = 2, µ2 = 3)


des deux files d’attente est de 0.5 pour la file 1 et de 0.17 pour la file 2. Cette mesure est
1
obtenue par : W̄ir = T̄ir − µir
, 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 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%

Tab. 4.8 – Temps d’attente moyen des files d’attente.

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

4.6 Simulation d’un réseau BCMP ouvert multi-classes


Dans cette section, nous présentons les différentes étapes effectuées pour réaliser une
simulation d’un « réseau BCMP ouvert multi-classes d’une intersection routière ».
Chaque simulation ne pourra être faite sans avoir initialisé certains paramètres. Cette
initialisation englobe l’introduction des informations relatives à notre intersection comme :
les taux des arrivées, les taux des services, les temps des feux de signalisation et les
probabilités de routage de chaque classe de véhicules.

4.6.1 Paramètres de simulation


Dans notre simulateur, nous avons choisi comme structure d’entrée des données les
« fichiers textes ». Ainsi, nous avons laissé à l’utilisateur le choix de communiquer les
paramètres de la simulation directement avec la machine. Par exemple pour changer les
taux des arrivées des véhicules dans les différentes entrées de l’intersection, il suffit de
modifier le fichier « taux arrive.txt ».
Ces fichiers nous donnent la possibilité d’introduire les informations d’entrées suivantes :

Taux des arrivées

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.

Taux des services

Le fichier des taux de service nommé « taux service.txt » permet à l’utilisateur de


saisir le nombre des véhicules qu’un serveur peut servir dans une unité de temps dans les
différents secteurs de l’intersection (Voir TAB. 4.10).

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

Temps des feux de signalisation

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).

Feu vert Feu rouge


30.0 s 30.0 s

Tab. 4.11 – Temps des feux de signalisation.

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

Tab. 4.12 – Table des probabilités de routage de la Classe1.

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

Tab. 4.13 – Table des probabilités de routage de la Classe2.

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

Tab. 4.14 – Table des probabilités de routage de la Classe3.

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

Tab. 4.15 – Table des probabilités de routage de la Classe4.

Après l’introduction des paramètres de notre modèle, et à la fin de simulation. Nous


passons maintenant à la visualisation des résultats de simulation et des résultats théo-
riques.

89
4.6. Simulation d’un réseau BCMP ouvert multi-classes

4.6.2 Résultats théoriques


Avant de passer à la visualisation des résultats de simulation, nous présentons dans
cette section quelques résultats théoriques.
Les résultats théoriques de notre modéle sont obtenues comme suit :

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.

2. Nous passons après au calcul du nombre d’utilisation ρir du serveur de la file « i »


de la classe « r » en appliquant la formule suivante :
eir
ρir = λr ∗
µir

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

Les secteurs Taux de visite eir Utilisation ρir


I11 1 0,5
S11 1 0,33
S41 0,9 0,297
S31 0,72 0,2376
I22 1 0,5
S22 1 0,33
S12 0,8 0,264
S42 0,56 0,1848
I33 1 0,5
S33 1 0,33
S23 0,8 0,1848
S13 0,56 0,264
I44 1 0,5
S44 1 0,33
S34 0,9 0,297
S24 0,72 0,2376

Tab. 4.16 – Taux de visite et utilisation des serveurs.

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

Tab. 4.17 – Utilisation du secteur ρi .

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.

Les secteurs K̄ir Q̄ir W̄ir T̄ir


I11 1 0.5 1.55 3.03
S11 1.49186 1.16 3.52 4.52
S41 1.57811 1.24 3.78 4.78
S31 1.7548 1.42 4.31 5.31
I22 1 0.5 1.5 3.03
S22 1.95962 1.62 4.93 5.93
S12 1.19349 0.86 2.6 3.61
S42 0.981934 0.65 1.97 297
I33 1 0.5 1.51 3.03
S33 2.43722 2.1 6.38 7.38
S23 0.835443 1.23 3.75 4.75
S13 1.5677 0.5 1.53 2.53
I44 1 0.5 1.51 3.03
S44 1.75345 1.42 431 5.31
S34 2.1935 1.86 5.64 6.64
S24 1.41093 108 3.27 4.27

Tab. 4.18 – Mesures de performance théoriques d’un réseau BCMP.

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 .

Fig. 4.2 – Secteurs de la classe 1 avec probabilités de routage

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

Mesures Classe1 Classe2 Classe3 Classe4


T¯r 15.7 13.26 13.24 16.32
W̄r 11.45 9.46 11.55 12.91

Tab. 4.19 – Temps moyens d’attente et de séjour dans tout le système.

Après l’obtention des résultats théoriques, nous passons maintenant à la simulation


afin de pouvoir comparer nos deux approches.

4.6.3 Résultats expérimentaux d’un réseau BCMP ouvert


Après l’introduction des paramètres de notre « réseau BCMP multi-classes ». Nous pré-
sentons maintenant quelques résultats expérimentaux. Ces résultats se résument en : temps
d’attente moyen, temps de séjour moyen dans tout le système et la longueur moyenne des
files d’attente dans les secteurs d’entrée de l’intersection.

C. Temps d’attente moyen des véhicules dans l’intersection

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

Classes Modèle BCMP Simulation Erreur absolue Erreur relative


Classe 1 11.45 2.64 8.81 76 %
Classe 2 9.46 2.04 7.42 78 %
Classe 3 11.55 2.01 9.54 82 %
Classe 4 12.91 2.08 10.83 83 %

Tab. 4.20 – Temps d’attente moyen des véhicules dans le réseau.

D. Temps de séjour moyen des véhicules dans l’intersection

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.

Classe Modèle BCMP Simulation Erreur absolue Erreur relative


Classe 1 15.7 4.00 11.7 74%
Classe 2 13.26 3.56 9.7 73 %
Classe 3 13.24 4.03 9.21 69%
Classe 4 16.32 4.08 12.24 75 %

Tab. 4.21 – Temps de séjour moyen des véhicules dans le réseau.

A. Longueur moyenne des files d’attente dans les secteurs d’entrée

Le résultat le plus important dans une intersection est de déterminer le nombre de


véhicule en attente dans les différents secteurs d’entrée. Nous présentons maintenant une
comparaison entre les deux résultats de la longueur des files d’attente des différents sec-
teurs d’entrées de l’intersection (Voir TAB. 4.22).
Nous remarquons qu’avec les paramètres que nous venons d’introduire, la taille des files
d’attente dans les différentes entrées (I1 , I2 , I3 , I4 ) obtenue par simulation confirme bien
les résultats théoriques.

95
4.7. Conclusion

Secteurs d’entrées Modèle BCMP Simulation Erreur absolue Erreur relative


I1 0.5 0.51 0.01 2%
I2 0.5 0.47 0.03 6%
I3 0.5 0.58 0.08 16 %
I4 0.5 0.45 0.05 10 %

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

[1] A. D’Ambrogio, G. Iazeolla, L. Pasini, and A. Pieroni. Simulation model building


of traffic intersections. Simulation Modelling Practice and Theory, 17(4) :625–640,
2009.
[2] S. Feng, C. Yan, L. Hengxin, and D. Lianbo. Class of comprehensive optimization of
congested road-use pricing and parking pricing. Journal of Transportation Systems
Engineering and Information Technology, 9(1) :74–79, 2009.
[3] Nicolas Chiabaut. écoulement du trafic routier et états d’équilibre en congestion. PhD
thesis, Ecole nationale des travaux publics de l’état, Berlin, 2009.
[4] Angélica Lozano, Giuseppe Manfredi, and Luciano Nieddu. An algorithm for the re-
cognition of levels of congestion in road traffic problems. Mathematics and Computers
in Simulation, 79(6) :1926–1934, 2009.
[5] Henry X. Liu and Wenteng Ma1. A virtual vehicle probe model for time-
dependent travel time estimation on signalized arterials. Transportation Research
Part, 17(1) :11–26, 2009.
[6] Ashish Bhaskar. A Methodology (CUPRITE) for Urban Network Travel Time Esti-
mation by Integrating Multisource Data. PhD thesis, Ecole polytechnique fédérale de
Lausanne EPFL, 2009.
[7] Champion, Auberle, Mandiau, Espié1, and Kolski. Case of the intersections in beha-
vioral road traffic simulation : Conflict resolution mechanism. pages 185–194, 2007.
[8] Toshio Nakanishi, Kunio Yikai, Jun ichi Satoh, Isao Miyoshi, Akira Satoh, and Mi-
chiya Takahashi. The development of a road traffic simulation system in broad areas.
Mathematics and Computers in Simulation, 39 :207–212, 1995.
[9] Violina Iordanova. Contribution et la modélisation et la commande du trafic rou-
tier : Approche par Bond Graph et commande par platitude. PhD thesis, Université
d’ARTOIS, Décembre 2006.

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

Vous aimerez peut-être aussi