Modélisation et Simulation de Processus

EN-NADI ABDELALI
Faculté des Sciences et Techniques FES-
SAÏSS
Département de Génie Industriel

Prof En-nadi IMT1 1

INTRODUCTION
Les techniques de simulation devenues actuellement incontournables dans le
processus :
• de conception
• d’analyse des systèmes.
• d’amélioration
Quel que soit le domaine (services, production manufacturière, physique
nucléaire,…) la simulation est un outil efficace pour l’étude de tout système
dynamique possédant une grande interactivité et complexité, et dont
l’incertitude des paramètres et des variables rend très difficile l’utilisation
d’autres approches analytiques classiques.
Simuler un système revient à imiter son comportement afin de mesurer sa
réponse (output) à différents intrants (inputs) en fonction du temps.
Éléments de base de la simulation
• Simulation MONTE CARLO;
• Génération de nombres aléatoires;
• Contrôle du temps;
• Notions de file d'attente
• Simulation à évènement discret
Prof En-nadi IMT1 2
 INTRODUCTION
la simulation de MC est une méthode d’estimation générale, flexible et souvent
simple à implanter. Elle permet d’estimer des paramètres inconnus qui,
autrement, seraient insaisissables.

La simulation à événements discrets est basée sur le processus de

modélisation et de validation

L’exemple type d’un système de FA est la file d’attente devant un serveur.

Les inputs seraient alors la date d’arrivée d’un client et la durée de service
pour un client, tandis que l’output serait le temps d’attente d’un client
servi.
L’intérêt porté actuellement à la simulation est reflété par les revues
scientifiques qui lui sont consacrées telles que :

• mathematics and computer in simulation

• communication in statistics Part B
• simulation and computation
• journal of statistical computation and simulation……

Prof En-nadi IMT1 3

 Définition et Historique
QU’EST –CE QUE LA SIMULATION ?

De façon très générale, simuler signifie :

" représenter la réalité par un moyen quelconque "
ou
" faire apparaître comme réel ce qui ne l’est point "

De façon particulière, on peut utiliser la définition :

"La simulation d'un système ou d'un organisme est l'opération

d'un modèle (ou simulateur) qui est une représentation du
système ou organisme. Le modèle se prête à des manipulations
qui seraient impossibles, trop coûteuses ou non pratiques à
effectuer sur le système. L'opération du modèle peut être étudiée
et on peut en tirer les propriétés du comportement du système
réel ou d'un de ses sous-systèmes".

Prof En-nadi IMT1 4

Définition et Historique
La simulation consiste à imiter un processus ou système
réel d’après un modèle simplifié. Les données recueillies
par simulation peuvent servir à tirer des conclusions au
sujet du comportement du système réel.

Simulation programmes informatiques pour

imiter les causes et les actions
conséquentes du système

Période de Simulation statistiques accumulées

"la simulation implique la génération d'une histoire

artificielle du système, et l'observation d'une histoire
semblable pour connaître les caractéristiques opératoires du
système réel".
Prof En-nadi IMT1 5
Définition et Historique

• Elle ne génère pas des solutions

la simulation • Elle ne produit pas de solutions

la simulation • Évaluer
• Oriente la recherche dans la
direction de la meilleure
solution pratique.

La simulation est utilisée pour investir une large variété de questions

du type "What If" ('Quoi Si') à propos d'un système réel.

La simulation offre des mesures quantitatives sur n’importe quel

nombre de solutions proposées pour aider rapidement à restreindre la
meilleure solution alternative.

Prof En-nadi IMT1 6

 Méthodologie générale

(a) Modèle conceptuel : Le modèle n'est qu'une approximation du système, il est

conditionné par l'objectif de l'étude.

(b) Expérimentation : Il s'agit de construire des théories, ou hypothèses, qui prennent

en compte le comportement observé.
Prof En-nadi IMT1 7
 Augmentation de la popularité de la simulation

Première fois utilisée en 1950 au niveau militaire.

Rencontre un succès croissant dans de très nombreux

domaines principalement manufacturiers et de services .

Plusieurs facteurs ont contribués à l’augmentation

d’utilisation de la simulation :

• maîtrise des nouvelles technologies (automatisation)

• maîtrise des logiciels de simulation

• performance des ordinateurs (surtout au niveau des PC)

• chute des coûts des ordinateurs

• disponibilité de l’animation graphique …

Prof En-nadi IMT1 8

Augmentation de la popularité de la simulation
Tableau 1. Domaines d'application de la simulation

Prof En-nadi IMT1 9

 Augmentation de la popularité de la simulation
Tableau 2. Objectifs visés par la simulation

Prof En-nadi IMT1 10

Augmentation de la popularité de la simulation
Tableau 3. Industries manufacturières et sociétés de service où la
simulation est utilisée

Prof En-nadi IMT1 11

Pourquoi simuler les systèmes de production par exemple

• Grand nombre de processus (fabrication, transport, stockage, …)

• Forte interaction entre éléments (employés, ressources, stocks, …)

• Phénomènes aléatoires (pannes, arrivée des

approvisionnements,… )

• Forte influence de gestion sur le comportement et les

performances :
– Stratégie d’affectation des ressources,
– Règles de choix des tâches en attente,
– Règles de gestion des stocks et des approvisionnements,
– Politiques de maintenance,
– …

• Grand variété et hétérogénéité des critères d’appréciation.

Prof En-nadi IMT1 12

Méthodes scientifiques liées à la simulation
•Modélisation
La modélisation permet de représenter et de structurer un système ou un
processus de manière formelle.
•Simulation
La simulation fait référence à l’emploi d’un modèle pour représenter au
cours du temps (de façon dynamique) les caractéristiques essentielles d’un
système ou d’un processus.
•Optimisation
L’optimisation consiste à rechercher sur base de critères définis les
meilleurs résultats possibles en tenant compte des contraintes réelles du
système.
But de construction d’un modèle de simulation c’est :
• décrire un système hypothétique : nouvelle politique
d’approvisionnement ou stratégie de guère
• concevoir un système amélioré : changement de la configuration d’une
usine
• concevoir un nouveau système, un nouveau produit par exemple, un
fusée ou une voiture..
Prof En-nadi IMT1 13
Organigramme qui résume les différentes façons d’étudier un système

SYSTEME

EXPERIENCE SUR UN
EXPERIENCE SUR LE MODELE DU SYSTEME
SYSTEME ACTUEL

MODELE PHYSIQUE MODELE

MATHEMATIQUE

SIMULATION
SOLUTION ANALYTIQUE

Prof En-nadi IMT1 14

CLASSIFICATION DES METHODOLOGIES DE SIMULATION
SIMULATION MATHEMATIQUE

DETERMINISTE STOCHASTIQUE

STATISTIQUE DYNAMIQUE

EVENEMENT CONTINU EVENEMENT DISCRET

Prof En-nadi IMT1 15

Une typologie des logiciels de simulation

Prof En-nadi IMT1 16

Statique ou dynamique

Prof En-nadi IMT1 17

Déterministe ou stochastique

Prof En-nadi IMT1 18

Discontinu ou continu

Prof En-nadi IMT1 19

Eléments de base de la simulation
Technique de Monte Carlo et ces étapes (1)
1. Formulation claire et précise du problème identifié
Observer d’abord le système afin de bien comprendre
2. Analyse de faisabilité
son coût qui doit être inférieur à la valeur que le gestionnaire accorde à
L’information obtenue à partir du modèle envisagé.
3. Analyse du système et préparation d’un modèle satisfaisant
bonne compréhension >>>>> organigramme détaillé
4. Collecte des données
les données recueillies doivent correspondre à celles qui ont été définies
lors de la formulation du problème.
5. Regroupement des données sous forme d’histogramme ou loi de
probabilité
- regrouper les données par classes (8 à 12 classes suffisent en général)
- rattachés des probabilités à chacune des classes permettant d’obtenir une
Distribution correspondante aux évènements.

Prof En-nadi IMT1 20

Technique de Monte Carlo et ces étapes (2)

6. Validation du modèle
- résultats obtenus dans des circonstances identiques à celles du système
doivent se rapprocher des résultats réels.
- obtenir l’accord des gestionnaires

7. Expérimentation de la simulation.
voir si le modèle simulé
- opère correctement
- reproduire le fonctionnement du système réel
- acceptable
8. Analyse des résultats et prise de décisions (dépend entièrement de la
précédentes
- Décider des modifications éventuelles à apporter au système
- Effectuer d’autres simulations afin de tester des hypothèses
différentes
(décisions reviennent au gestionnaire)

Prof En-nadi IMT1 21

EXEMPLE D’ILLUSTRATION (1)
Estimer la surface d’un cercle à travers un échantillon statistique
Idée : - inscrire le cercle en question dans un carré
- divisons le carré en petits pavés
- estimons l’aire de ce cercle par le rapport des pavés
ou parties de pavés inclus dans le cercle au nombre
total de pavés contenus dans le carré.
Soit l’équation du cercle de centre (1,2) et de rayon a = 5 :
(x-1)2 + (y-2)2 =25 (*)
Sommets du carré circonscrit au cercle sont :
(4,-3); (6,-3); (-4,7) et (6,7) (-4,7) y (6,7)
Point intérieur au cercle vérifient l’inégalité :
(x-1)2 + (y-2)2 <25
Point intérieur au cercle vérifient les inégalités :
(1,2)
-4<x<6 et -3<y<7
Monte-Carlo tous les point intérieurs x
au carré ont même probabilité de se
produire lors d’un tirage distribution
uniforme de (x,y) ( -4 et 6 pour x et -3 et 7
pour y). (-4,-3) (6,-3)

Prof En-nadi IMT1 22

EXEMPLE D’ILLUSTRATION (2)
En terme de distribution :
f(x) = 1/10 -4<x<6 et f(y) = 1/10 -3<y<7
- Une observation (x,y) c’est tiré au hasard un nombre x entre -4 et 6 et
un nombre y entre -3 et 7
- Si x et y vérifient (*) alors le point est intérieur du cercle extérieur sinon
- L’aire du cercle est estimé en répétant n fois le tirage (n : longueur de la
simulation)
Si m le nombres de points tombant à l’intérieur du cercle :
aire du cercle = m/n x aire du carré
Valeur exacte de l’aire est : R2 = 3.14x25 =78.54

- On peut vouloir étudier la variation de l’estimation en fonction de n.

- Pour chaque n de la simulation , nous construisons un intervalle de

confiance en répétant 10 fois l’épreuve c.à.d de taille N=10.
- Le tableau 1 regroupe les variations de l’estimation de l’aire en fonction
de n :
Prof En-nadi IMT1 23
Tableau 4 :Estimation de l’aire du cercle (R=5)
en fonction de la longueur de la simulation

n 100 200 500 1000 2000 5000 10000

1 78.0 79.5 77.4 76.2 78.8 78.22 78.77
2 70.0 77.0 81.0 76.2 78.7 78.6 78.23
3 81.0 79.5 77.1 79.0 78.15 77.72 78.88
4 70.0 77.0 77.0 79.7 78.7 77.76 78.63
5 79.0 77.0 79.4 77.0 79.45 79.0 78.21
6 81.0 76.0 79.2 78.8 77.65 78.68 78.27
7 77.0 78.0 79.0 77.3 78.4 79.08 79.64
8 78.0 79.5 80.2 80.2 77.05 78.54 78.27
9 82.0 76.5 80.4 79.5 79.75 78.34 78.67
10 75.0 82.0 75.6 79.0 79.0 78.22 78.16
Moyenne 77.1 78.2 78.64 78.37 78.56 78.42 78.57

Variance 18.3 3.5 3.1 2.4 0.66 0.23 0.22

Ec. type 4.27 1.87 1.76 1.55 0.81 0.48 0.47

Prof En-nadi IMT1 24

 Aire exacte = 78.54 cm2
Intervalle de confiance à 95% en fonction de n

Taille de l’échantillon Intervalle de confiance à

95% pour N = 10

100 74.04 ≤ A ≤ 80.16

200 76.86 ≤ A ≤ 79.54
500 77.38 ≤ A ≤ 79.9
1000 77.24 ≤ A ≤ 79.48
2000 77.98 ≤ A ≤ 79.14
5000 78.08 ≤ A ≤ 78.76
10000 78.23 ≤ A ≤ 78.9

88

Valeur exacte
Sim 2
80
Résultats d’une
simulation (n)
72
Sim 1
64
100 200 500 Longueur
1000 2000de la simulation
5000 10000

Prof En-nadi IMT1 25

 20

Variance
16

12

0
100 200 500 1000 2000 5000 10000

Longueur de la simulation

Variation de la variance (n)

80
Valeur exacte
79
moyenne

78

77

76

75
100 200 500 1000 2000 5000 10000

Longueur de la simulation
Variation de la moyenne (n)
Prof En-nadi IMT1 26
OBSERVATIONS :
- L’estimation de l’aire s’approche de la valeur exacte quand n augmente

- L’estimation oscille autour de la valeur exacte quand n augmente avant de se

stabiliser autour de cette valeur. Le phénomène est dit passer par les conditions

transitoire avant d’atteindre les conditions stationnaires.

- Chaque observation donne une valeur de l’estimation qui peut être considérée comme

un échantillon aléatoire. On peut réitérer la simulation pour avoir plusieurs échantillons.

- L’effet transitoire est amorti quand on prend la moyenne des observations

- La variance des échantillons décroît avec la taille n de la simulation. Elle passe de 18.3 à

3.5 quand n passe de 100 à 200; puis il n’y a pas un grand gain quand n continue à croître,

ce qui indique qu’il a une limite à l’augmentation du nombre n qui peut entraîner une

amélioration de la précision.

Prof En-nadi IMT1 27

OBSERVATIONS :

L’intervalle de confiance, au niveau de confiance  pour la

valeur exacte de l’aire A pour une estimation A , est donné
par :

A – (σxz)/n < A < A + (σxz)/n

On peut voir que :

-Tous les intervalles de confiance contiennent la valeur exacte

- La longueur décroît avec n

Conclusion : la simulation ne consiste pas seulement à

décrire le modèle et écrire le programme informatique
mais c’est aussi une expérience statistique
Prof En-nadi IMT1 28
Quand on fait une simulation, on doit s’intéresser aux point suivants :

• Quelle devrait être la taille de l’échantillon pour nous assurer les

conditions de stabilité?

• Comment obtenir des observations statistiques indépendantes?

• Comment obtenir des informations statistiques à un prix raisonnable

sans grande perte de l’information?

• Quelle est le nombre d’échantillons à tirer pour obtenir un intervalle de

confiance d’une longueur donnée c.à.d, une estimation d’une précision donnée.

Prof En-nadi IMT1 29

 Calcul de π
Si on met aléatoirement un certain nombre de points (n) dans le carré, un
certain nombre de points appartiendront au cercle et d'autres non.

- Quand n est grand, la surface du carré sera couverte.

Avec a=1 le point généré admet des coordonnés x et y qui sont des
nombres aléatoires entre -1 et 1
Le point appartient au cercle si x2 + y2 ≤ 1

Prof En-nadi IMT1 30

Comme exemple, nous avons généré 30 points dont 24
appartiennent au cercle. Alors :

Si ∞, alors  = 3.14

Prof En-nadi IMT1 31

Exemple 2 : Le pari
Supposons que l'on vous propose de jouer au jeu suivant: pour une
mise de 20 Dhs, on vous permet de jouer à pile ou face avec une pièce bien
équilibrée et de gagner 2x; x étant le nombre de lancés nécessaires pour avoir
pile. Accepterez-vous de faire la mise pour jouer? Quel est le montant
maximum (supérieur ou inférieur à 200 Dhs) que vous accepterez de risquer
pour jouer? Votre réponse dépendra de votre goût pour ce type de risque. Je
n'ai encore jamais rencontré quelqu'un qui dit accepter de miser jusqu'à 1000
Dhs. Pourtant...

Une approche analytique de ce problème de pari suggèrera le

recours à l'espérance mathématique. Dans ce cas, on arrivera à la conclusion
qu'il faut toujours jouer à ce jeu quel que soit le montant de la mise
demandée, car l'espérance mathématique du gain est infinie!

Prof En-nadi IMT1 32

 Une approche de simulation est facile à concevoir et à
mettre en oeuvre: essayez sans frais, avec une pièce de monnaie,
de jouer à pile ou face et déterminez ce qu'auraient été vos
revenus si vous aviez réellement joué.
Vous pourriez obtenir les résultats suivants :
Numéro de l'essai Côtés obtenus Gains correspondants
1 fffp 24 =16
2 fp 22 = 4
3 ffffp 25 = 32
4 P 21 = 2
5 p 21 = 2

Remarque :
Gros gain comme 32 ou le Petit 2.
Moyenne des gains = 56/5 ~ 11.
Conclusion :
- Résultats pas très significatifs (échantillon trop petit et probablement biaisé par la
manipulation),mais livrent un message intéressant: au delà de 30 la mise est trop
risquée.

Prof En-nadi IMT1 33

- Pas de solution mais des indications nous permettant de prendre une décision

- L'exemple montre aussi l’aspect essentiel de la simulation Monte Carlo : la

simulation de la réalisation d'un événement à partir de la probabilité attachée à la
réalisation de cet événement. Une pièce de monnaie permet normalement de bien
simuler le comportement d'une autre pièce de monnaie équivalente.
Cependant : Résultats obtenus par le jet d'une pièce de monnaie ne sont
pas tout à fait aléatoires (façon de jeter et saisir la pièce
dépend de l’opérateur et non au hasard)

Une autre limitation de la technique de simulation par le jet

de la pièce de monnaie apparaît lorsque l'on envisage de
simuler la réalisation non pas de deux événements
équiprobables (pile-face) mais de plusieurs (pile 1 fois ou 2
fois ou 3 fois ou 4 fois en 4 lancés).

Simulation Monte Carlo et manuelle du jet de la pièce de monnaie donne la

même résultat. En faisant la correspondance suivante :
pile = {0, 1, 2, 3, 4}
face = {5, 6, 7, 8, 9}
Avantage : Le procédé est neutre. En plus, il permet de faire face au cas où il y a
plus de deux événements

Prof En-nadi IMT1 34

Exemple 3 : Estimé des ventes annuelles

On a estimé que les ventes annuelles d'un produit d'entretien

ménager ont 60% de chance d'atteindre 2 000,000 Dhs, 30% de chance
d'atteindre 3 000, 000 Dhs et 10% de chance d'atteindre 4 000,000 dollars.

Pour simuler le comportement des ventes annuelles, on fera les

correspondances suivantes sur la base de 10 :

2 000 000 Dhs 60% {0, 1, 2, 3, 4, 5}

3 000 000 Dhs 30% {6, 7, 8}
4 000 000 Dhs 10% {9}

Il ne restera plus qu'à tirer les nombres aléatoires pour simuler

le comportement des ventes annuelles. Si les pourcentages n'étaient pas
arrondis, il aurait fallu faire la correspondance sur la base de 100 nombres.
Essayez pour l'exemple précédent : 61%, 29% et 10% respectivement.
Essayez ensuite 61.5%, 28.5% et 10%.

Prof En-nadi IMT1 35

Variables aléatoires
• Les événements sont déterminés par des variables aléatoires
• Pannes et réparations
• Temps de traitement manuel
• Heures d’arrivée des pièces et des commandes

Distributions des probabilités

• Les variables aléatoires sont modélisées au moyen des fonctions de densité.
• Par exemple, les pannes sont souvent assimilées à une fonction de densité
exponentielle.
• La valeur moyenne de la fonction de densité est égale au temps moyen entre les
pannes, qui est habituellement connu.
Fonction de densité discrète ou continue
• Fonction de densité discrète
–Décrit la probabilité que survienne une valeur discrète donnée
–Par exemple, le roulement d’un dé ne peut donner que six résultats.
• Fonction de densité continue
–Décrit la probabilité qu’une valeur continue se situe à l’intérieur d’une
gamme spécifique
–Par exemple, une machine peut tomber en panne n’importe quand. Une
fonction de densité continue détermine la probabilité que cette machine ne tombe pas en
panne pendant au moins 100 heures.
Prof En-nadi IMT1 36
 Fonctions de densité discrète

• Distribution de Poisson
– Sert souvent à modéliser le nombre des arrivées (pièces,
commandes, clients) survenant au cours d’un intervalle de temps
donné
• Distribution binomiale
– Sert souvent à modéliser le nombre de défauts dans un lot
de pièces
• Distribution uniforme
– Sert lorsque chaque valeur a la même probabilité(p. ex.,
lorsqu’on fait rouler un dé)

Prof En-nadi IMT1 37

 Distribution de Poisson

Supposons qu’en moyenne, il arrive trois pièces à l’heure. Ce diagramme

représente les probabilités qu’il arrive un nombre différent de pièces au
cours d’une heure donnée.

Supposons qu’en
moyenne, il arrive
trois pièces à l’heure.
Ce diagramme
représente les
probabilités qu’il
arrive un nombre
différent de pièces au
cours d’une heure
donnée.

Prof En-nadi IMT1 38

Exemple 4 :
Considérons la distribution des probabilités de la durée de vie utile d'une
pièce d'équipement:

on assigne un nombre pris au

hasard à chaque valeur de
façon à ce qu'il soit
proportionnel aux probabilités
respectives

On simule une durée de vie utile en prenant

un nombre au hasard dans une table à cet
effet.
Si on obtient un nombre entre 00 et 19 la vie
utile serait de 3 ans.

Prof En-nadi IMT1 39

Exemple 5 : Prévision de la demande (1)
La compagnie SOW Inc. cherche à se faire une idée plus précise
de ce que sera la demande pour son nouveau modèle d'ordinateur. Ce type
de produit informatique étant vite désuet, la compagnie ne veut pas se
retrouver avec des invendus à la fin de la période de planification de trois
mois.
Utilisons des données historiques pour simuler la demande
trimestrielle.

Prof En-nadi IMT1 40

Exemple 5 : Prévision de la demande (2)

Tirage de nombres aléatoires:

Dans la table des nombres aléatoires, prenons la colonne formée par les chiffres à
l'extrême droite et associons chaque nombre trouvé avec sa demande
correspondante. Simulons 20 semaines.
Nombre aléatoire Demande simulée
94 4
64 2
55 2
09 1
89 3
05 0
Ce qui donne une demande de 84 3
57 2
1.7 en moyenne. 55 2
36 2
01 0
36 2
76 3
31 1
17 1
76 3
09 1
06 0
13 1
16 1

Total 34
Prof En-nadi IMT1 41
NOTION DE FILE D'ATTENTE

Une file d'attente est un ensemble ordonné d'entités (clients) qui attendent un
changement de statut (qu'un serveur se libère).

Figure 1 : Structure générale d’un système

de files d’attente
On trouve le phénomène d'attente aussi bien dans les systèmes manufacturiers
Que dans les banques, coiffeurs, postes, etc.

Le but de l'analyse est de caractériser le degré de performance du

système 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 taux d'utilisation moyen des serveurs?
• ...
Prof En-nadi IMT1 42
quelques exemples spécifiques.

Agence bancaire :

Guichets de l'agence sont les serveurs. Typiquement, tous les guichets offrent le
même service, et chaque client ne devra donc visiter qu'un seul guichet.

Atelier de production :
Les 'clients' sont les ordres de fabrication à exécuter, et les
'serveurs' sont les machines nécessaires à l'exécution de chaque
ordre de fabrication.
Parking :
Les 'clients' sont les véhicules qui cherchent à stationner (plutôt que
les occupants, en nombre variable, de ces véhicules). Les 'serveurs'
sont les emplacements de parking, et la 'durée de service' est la durée
pendant laquelle chaque véhicule reste stationné.

Pour mettre un peu d'ordre au milieu, les théoriciens ont été amenés
à classifier les systèmes rencontrés en précisant certaines de leurs
caractéristiques. En particulier, on distingue ainsi :
Prof En-nadi IMT1 43
Les systèmes à serveurs parallèles :

chaque client ne requiert

le service que d'un seul
serveur et tous les
serveurs sont capables de
fournir ce service.

Ex: L'agence bancaire, le supermarché et le parking

Les systèmes à serveurs en série :

chaque client doit visiter

plusieurs serveurs successifs
dans un ordre fixe pour
recevoir satisfaction.
Ex : la chaîne de montage automobile.

Remarque : Plus généralement, les ateliers de production peuvent

présenter une structure parallèle, ou en série, ou une organisation
plus générale encore (si les divers ordres de fabrication visitent les
machines selon des séquences différentes).
Prof En-nadi IMT1 44
Prof En-nadi IMT1 45
-Les clients forment une ou plusieurs files d'attente.

-Caractéristiques : priorités différentes (par exemple, dans un

atelier, commandes urgentes ou non).

- Au sein de chaque file : le prochain client à servir est

sélectionné sur base d'une règle prédéterminée, appelée
discipline de service.

Les disciplines de service les plus courantes sont :

- premier arrivé premier servi (First In First Out, First Come

First Served) (surtout utilisée dans les services, par souci
d'équité)
- temps de service le plus court d'abord (utilisé dans les
ateliers de production)
- dernier arrivé premier servi
- sélection aléatoire, etc.

Prof En-nadi IMT1 46

46
La capacité du système, c’est-à-dire le nombre de
clients pouvant être simultanément présents dans le
système, est limitée ou non.

on suppose que les clients

qui arrivent lorsque le
système à capacité illimitée, système est déjà saturé le
bien sûr, aucun client n'est quittent immédiatement
perdu (mais la longueur des sans obtenir le service
files d'attente peut grandir désiré. On dit que ces
indéfiniment !). clients sont perdus.

Prof En-nadi IMT1 47

Mesures de performance - Comportement à long terme.
état d'un système
État d’un système n( t) de clients présents dans le système à instant t :
(client est « présent dans le système » si il est en file d’attente ou en cours de
service).

On s'intéresse aux quantités fondamentales : les probabilités d'état, que nous

définissons de la façon suivante: pour n = 0, 1, 2, ... et t ≥ 0,
pn(t) = probabilité de l'état n à l'instant t (1)
= probabilité que n clients soient présents dans le
système à l'instant t
= Pr[n(t) = n].

Sous certaines conditions, les probabilités à long terme ou probabilités

stationnaires

Existe  n (2)

Prof En-nadi IMT1 48

 Lorsque les probabilités (1) et (2) sont connues → calcul de nombreuses mesures
de performance

Ls = nombre espéré de clients dans le système (à instant t  dans le long terme)

Lq = nombre espéré de clients dans la file d'attente (à un instant  dans le long terme)
Ws = temps espéré passé par chaque client dans le système (dans le long terme)
Wq = temps espéré passé par chaque client dans la file d'attente (dans le long terme).

Par définition, on a:

si le système comporte c serveurs parallèles, alors :

(n-c) clients dans la file si et seulement si il y a n clients dans le système.

Décrire la relation entre les paramètres L et W :

λeff = taux d'entrée moyen des clients dans le système (nombre moyen de
clients entrant dans le système par unité de temps).

Proposition 1. (Loi de Little) Pour tout système de files d’attente : (3)

Prof En-nadi IMT1 49

Démonstration. la validité de l’équation (3) peut être justifiée intuitivement
par le raisonnement suivant :
Supposons qu'un gestionnaire décide de payer 10 Dhs à chaque client par
unité de temps que ce client passe dans le système. Calculons de deux façons
différentes combien le gestionnaire dépense au cours d'une période
suffisamment longue, disons de longueur T, située dans le long terme (plus
précisément, nous allons calculer l’espérance de la somme dépensée).

1ère façon: puisque, en moyenne, Ls clients se trouvent dans le système à

chaque instant, la somme déboursée se monte à Ls T Dhs.

2ème façon: pendant la période considérée, λeff T clients entrent dans le

système, et chacun d'eux y reste, en moyenne, Ws unités de temps; au total,
les clients reçoivent donc λeff T Ws Dhs du gestionnaire.

Par conséquent, Ls T = λeff T Ws , et l'équation (3) s'ensuit.

La loi de Little reste valide lorsque la file d'attente elle-même est interprétée
comme un système:
Lq = λeff Wq . (4)
Il suffit pour s'en persuader de répéter l'argument esquissé dans la
démonstration précédente, en ne payant cette fois que les clients qui se
trouvent en file d'attente.
Prof En-nadi IMT1 50
autres mesures de performance :

Si le système comporte c serveurs, le taux moyen d’occupation de chaque

serveur (c’est-à-dire, la proportion du temps pendant laquelle chaque
serveur est occupé) est alors obtenu par la formule :

Exemple 1.
Le gestionnaire d'un petit atelier enregistre en moyenne 5
commandes par jour. Les 6 ouvriers employés dans l’atelier sont très
polyvalents, si bien que chaque commande peut être réalisée par n’importe
lequel d’entre eux. Néanmoins, le gestionnaire est inquiet car il constate que
les ouvriers sont occupés en permanence et que son carnet de commandes
contient, en moyenne, une vingtaine de commandes en cours (enregistrées,
mais non satisfaites).
Pour mieux comprendre la situation, le gestionnaire aimerait
estimer le temps moyen consacré par les ouvriers à chaque commande. Il
voudrait également pouvoir annoncer à ses clients, au moment de la
passation de commande, un délai de livraison attendu.
Solution ?
Prof En-nadi IMT1 51
seules caractéristiques directement observables ou prédictibles du système sont
le processus d'arrivée des clients et la distribution du temps de service
Processus de Poisson.
• Soit N(t) le nombre d'arrivées de clients survenues dans l'intervalle de temps [0, t),
pour t ≥ 0.
•N(a+t) − N(a) représente alors le nombre d’arrivées enregistrées
entre a et a+t, pour tout a ≥ 0 et t ≥ 0.
* le nombre d'arrivées dans tout intervalle [a,a+t) de longueur t suit une loi de Poisson
de moyenne λt, c'est-à-dire: pour a, t ≥ 0 et n = 0, 1, 2, ...

λ : > 0 appelé taux du processus

si [a,b) et [c,d) sont des intervalles de temps disjoints, alors le nombre d'arrivées
* dans [a,b) est indépendant du nombre d'arrivées dans [c,d).

* N(0) = 0.
Pour un intervalle de longueur t fixée, disons
[0,t), le nombre espéré d'arrivées se calcule
comme suit:

On a :

Alors :

Prof En-nadi IMT1 52

Pour un intervalle de longueur t fixée, disons [0,t),
le nombre espéré d'arrivées se calcule comme suit:

On a :

Alors :

Distribution exponentielle.
il existe deux façons de décrire le processus selon lequel les arrivées de clients
surviennent dans un système:
• le nombre de clients qui arrivent dans un intervalle de temps donné
(par exemple, 10 clients par heure)
ou
• l’intervalle de temps écoulé entre deux arrivées successives (par
exemple, une arrivée toutes les 6 minutes).
désignons par X le temps écoulé jusqu’à la première arrivée de client
observée après l’instant a. Calculons la loi de probabilité qui régit
l'intervalle de temps X. Pour tout t ≥ 0, on a:
On dit que la
variable aléatoire X
E[X] = 1/λ suit une distribution
Var[X] = 1/λ2. exponentielle de
paramètre λ.

Prof En-nadi IMT1 53

Processus de service.
les mêmes concepts du processus d’arrivée des clients s’appliquent à la
modélisation du processus de service
le processus de service est décrit par une suite de variables aléatoires
X1, X2, ..., où Xi est la durée de service du client i (i = 1, 2, ...).

Si chaque serveur fournit le même service, les variables X1, X2, ... sont
indépendantes et identiquement distribuées.

EN PRATIQUE DES MODELES DE FILES D’ATTENTE :

les durées de service des différents clients sont des V.A.I suivant toutes la
même distribution exponentielle de paramètre µ (On dit que µ est le taux
de service moyen des serveurs).

REMARQUE :
si le serveur est occupé en permanence, alors ces durées peuvent être
vues comme des ‘durées entre sorties successives’ du système (par
analogie avec les ‘durées entre arrivées successives’ dans le système) :
le processus est celui du Poisson de taux µ

Prof En-nadi IMT1 54

Notations de Kendall.
Notation abrégée de la forme A/S/C/K /Z

Prof En-nadi IMT1 55

Prof En-nadi IMT1 56
Prof En-nadi IMT1 57
Exemple : dimensionnement d’un commutateur téléphonique

La formule d’Erlang permet de répondre à cette question

Prof En-nadi IMT1 58

Prof En-nadi IMT1 59
Prof En-nadi IMT1 60
Prof En-nadi IMT1 61
61