Gestion Des Operations CHAP 19 Les Files D'attente

OBJECTIFS DAPPRENTISSAGE
Aprs avoir termin ltude de ce chapitre, vous pourrez :

691
1. Expliquer pourquoi des files
dattente se forment dans des
systmes non congestionns.
2. Identifier lobjectif de lana-
lyse des files dattente.
3. noncer les mesures de per-
formance utilises dans le
cadre des files dattente.
4. Formuler les hypothses des
principaux modles de base.
5. Rsoudre des problmes clas-
siques.
Chapitre 19
LES FILES DATTENTE
Plan du chapitre
Lecture : Attendre... un passe-temps populaire :
M
me
Bonnes Manires 692
19.1 Introduction 693
19.2 Pourquoi y a-t-il de lattente ? 693
19.3 Lobjectif de lanalyse des files dattente 694
19.4 Les caractristiques du systme de files
dattente 695
19.4.1 La population 695
19.4.2 Le nombre de serveurs 696
19.4.3 Les tendances quant larrive et au
service 696
19.4.4 La discipline de la file dattente 699
19.5 Les mesures de performance 699
19.6 Les principaux modles de files dattente 699
19.6.1 Modles avec population infinie 699
19.6.1.1 Les relations de base 700
19.6.1.2 Modle 1: serveur unique,
temps de service
exponentiel 702
19.6.1.3 Modle 2: serveur unique,
temps de service constant 703
19.6.1.4 Modle 3: serveurs multiples,
temps de service
exponentiel 703
19.6.1.5 Optimisation des files
dattente 707
19.6.1.6 Capacit maximale de la file
dattente 709
19.6.1.7 Modle 4: serveurs multiples
et rgles de priorit 710
19.6.2 Modle avec population finie 714
19.7 Autres approches danalyse 720
19.8 Conclusion 721
Terminologie 721
Problmes rsolus 721
Questions de rvision et de discussion 723
Problmes 723
Bibliographie 727
I
l y a plusieurs choses dans la vie
pour lesquelles cela vaut la peine
dattendre, mais pas trs
longtemps. M
me
Bonnes Manires
limiterait, par exemple, le temps pass
par les vendeurs discuter avant de
prendre une commande ou le temps
pris par un mari qui a quitt sa femme
pour se rendre compte de sa terrible
erreur.
Quoi quil en soit, lattente et le
travail sont devenus des passe-temps
populaires. Un spcialiste de lanalyse
de lattente a dtermin quune per-
sonne adulte passait au minimum le
dixime de son temps attendre. On
attend les autobus, les ascenseurs, dans
les banques, les magasins, les cinmas,
les stations dessence, les tribunaux,
pour lobtention du permis de con-
duire, chez le dentiste, etc.
On pourrait passer toute sa vie
subir ce genre dattente classique.
Cependant, il y a dautres types dat-
tente : lattente intermdiaire, comme
attendre que la pluie cesse ou, encore,
lattente plus fbrile, comme attendre
que votre bateau rentre bon port. Il
fut un temps o toute lAmrique
attendait dtre dcouverte dans un
supermarch par un cinaste et,
aujourdhui, chacun attend quune
camra de tlvision arrive pour lui
demander de donner son avis au
monde entier. Cest lattente classique,
lattente court terme, qui intresse
M
me
Bonnes Manires. Si vous voulez
en savoir plus sur les autres types dat-
tente, vous navez qu attendre !
Il est tout fait correct, malgr
le fait que trs peu de gens le com-
prennent, de refuser dattendre au
tlphone. Quand on demande
M
me
Bonnes Manires de patienter
quelques minutes au tlphone, elle
rplique souvent par la ngative.
Malheureusement, la personne au
bout du fil la dj mise automatique-
ment en attente, car elle na pas atten-
du la rponse de M
me
Bonnes
Manires.
On devrait toujours refuser dat-
tendre pour un service inefficace et
qui prend un temps infini. Au restau-
rant, on devrait tre capable de vous
donner le temps dattente et de ne pas
vous laisser attendre, except pour
servir les clients arrivs avant vous. En
effet, cest inconvenant de refuser dat-
tendre en annonant que nos besoins
ont une primaut sur ceux des autres.
M
me
Bonnes Manires ne peut con-
cevoir aucune situation dattente ordi-
naire o une personne pourrait
lgitimement passer avant les autres.
Laissez-moi passer, sil vous plat, je
suis enceinte, jai des douleurs, je
pense que je vais accoucher ! Peut-
tre, mais que faites-vous donc dans
un magasin au moment des soldes ?
La seule manire polie dattendre
est demporter avec soi du travail ou
de quoi se divertir. Toute personne
inoccupe dans une file dattente est,
par dfinition, un maniaque qui peut
se dchaner tout moment. Un bon
roman de Jane Austen a pu prserver
lesprit naturellement tranquille de
M
me
Bonnes Manires. Selon elle,
mme le fait dengager la discussion
pour passer le temps peut tre dan-
gereux. Cest tout simplement une
honte de voir deux personnes qui
attendent en train de discuter tran-
quillement. Par dfinition, ce sont des
comploteurs potentiels.
Pour conclure et en attendant,
relaxez-vous en coutant de la musi-
que ! Pourquoi pas Georges Mousta-
ki ? Passe, passe le temps, il ny en a
plus pour trs longtemps. Pendant que
jattendais
1980 Judith Martin. Reproduit avec
autorisation.
692 PARTIE V LA GESTION ET LEXPLOITATION DU SYSTME
LECTURE
ATTENDRE... UN PASSE-TEMPS POPULAIRE:
M
me
BONNES MANIRES
(Judith Martin, adaptation de Hocine Bourenane)
Attendre des feux
Ouvrir du courrier inutile
Chercher des objets perdus
Attendre quune ligne se libre
Faire le mnage la maison
Attendre en file
0 2 4 6
Annes
7
5
3
1
19.1 INTRODUCTION
Larticle portant sur M
me
Bonnes Manires parodie une des ralits de la vie : lattente
en file. Pour ceux qui attendent en file, la solution est trs simple : ajouter des
ressources ou bien agir, faire nimporte quoi pour acclrer le service. Cest lvidence
mme. Cependant, ce nest pas aussi simple, car il faut tenir compte de certaines sub-
tilits. Premirement, sur une longue priode, la majorit des processus de service ont
une capacit de traitement suprieure celle qui est ncessaire. Par consquent, le pro-
blme des files dattente ne survient que pendant de courtes priodes. Deuximement,
il ne faut pas perdre de vue le fait qu certains moments, le systme est vide : les
employs sont inoccups et attendent que les clients se prsentent. En augmentant la
capacit, on ne fait quaugmenter le temps dinoccupation des employs. Donc, si on
veut concevoir un systme de service, il faut comparer le cot associ au niveau de
service (capacit) mis en place et le cot associ lattente des clients. La planification
et lanalyse de la capacit de service sont des thmes traits par la thorie des files
dattente. Cette thorie est une approche mathmatique permettant danalyser les files
dattente. Elle est base sur ltude des quipements tlphoniques automatiques ra-
lise au dbut du XX
e
sicle par lingnieur danois en tlcommunication, A. K. Erlang.
Lapplication de cette thorie na t gnralise divers types de problmes quaprs
la Seconde Guerre mondiale.
La thorie mathmatique des files dattente tant assez complexe, on ne sattardera
dans ce chapitre quaux concepts et aux hypothses relatifs la rsolution des pro-
blmes dattente. On utilisera les formules et les tables disponibles.
Les files dattentes se forment lorsque les clients arrivent de faon alatoire pour
se faire servir. Les exemples les plus courants de la vie de tous les jours sont les caisses
des supermarchs, les tablissements de restauration rapide, les billetteries des aro-
ports, les cinmas, les bureaux de poste, les banques. Toutefois, lorsquon parle
dattente, on pense souvent des personnes. Or, les clients en attente sont aussi des
commandes en attente de traitement, des camions en attente de chargement ou de
dchargement, des machines en attente de rparation, des programmes dordinateur
qui attendent dtre excuts, des avions qui attendent lautorisation de dcoller, des
bateaux qui attendent les remorqueurs pour accoster, les voitures aux panneaux
darrt, les patients dans les salles durgence, etc.
Gnralement, les clients voient dans lattente une activit sans valeur ajoute et,
sils attendent trop longtemps, ils associent cette perte de temps une mauvaise qua-
lit de service. De la mme faon, au sein de lentreprise, des employs inoccups ou
des quipements inutiliss reprsentent des activits sans valeur ajoute. Pour viter ces
situations, la majorit des entreprises ont mis en place des processus damlioration
continue dont le but ultime est llimination de toute forme de gaspillage, notamment
lattente. Tous ces exemples rvlent limportance de lanalyse des files dattente.
Commenons par une question fondamentale : pourquoi y a-t-il de lattente ?
19.2 POURQUOI Y A-T-IL DE LATTENTE?
Il est surprenant dapprendre que des files dattente se forment mme dans les systmes
non congestionns. Par exemple, un tablissement de restauration rapide qui peut
traiter en moyenne 200 commandes lheure voit malgr tout se former des files dat-
tente avec un nombre moyen de 150 commandes lheure. Lexpression cl est en
moyenne . Le problme vient du fait que les arrives des clients ont lieu intervalles
alatoires plutt qu intervalles fixes. De plus, certaines commandes requirent un
temps de traitement plus long. En dautres termes, les processus darrive et de service
ont un degr de variabilit lev. Par consquent, le systme est soit temporairement
congestionn, ce qui cre des files dattente, soit vide, parce quaucun client ne se
prsente. Donc, si le systme nest pas congestionn dun point de vue macro, il lest
dun point de vue micro. Par ailleurs, en cas de variabilit minimale ou inexistante
(arrive selon les rendez-vous et temps de service constant), aucune file dattente ne se
forme.
thorie des files dattente
Approche mathmatique
servant lanalyse des files
dattente.
CHAPITRE 19 LES FILES DATTENTE 693
19.3 LOBJECTIF DE LANALYSE DES FILES
DATTENTE
Lobjectif de lanalyse des files dattente est de minimiser le cot total, qui quivaut
la somme de deux cots : le cot associ la capacit de service mise en place (cot de
service) et le cot associ lattente des clients (cot dattente). Le cot de service est
le cot rsultant du maintien dun certain niveau de service, par exemple le cot asso-
ci au nombre de caisses dans un supermarch, au nombre de rparateurs dans un cen-
tre de maintenance, au nombre de guichets dans une banque, au nombre de voies
dune autoroute, etc. En cas de ressources inoccupes, la capacit est une valeur per-
due, car elle est non stockable. Les cots dattente sont constitus des salaires pays aux
employs qui attendent pour effectuer leur travail (mcanicien qui attend un outil,
chauffeur qui attend le dchargement du camion, etc.), du cot de lespace disponible
pour lattente (grandeur de la salle dattente dans une clinique, longueur dun portique
de lave-auto, krosne consomm par les avions qui attendent pour atterrir) et, bien
sr, du cot associ la perte de clients impatients qui vont chez les concurrents.
En pratique, lorsque le client est externe lentreprise, le cot dattente est diffi-
cile valuer, car il sagit dun impact plutt que dun cot pouvant tre comptabilis.
Cependant, on peut considrer les temps dattente comme un critre de mesure du
niveau de service. Le gestionnaire dcide du temps dattente acceptable, tolrable ,
et il met en place la capacit susceptible de fournir ce niveau de service.
Lorsque le client est interne lentreprise les clients sont les machines et les
commis, lquipe dentretien , on peut tablir directement certains cots se rappor-
tant au temps dattente des clients (machines). Par ailleurs, il ne faut pas conclure trop
rapidement que pour lentreprise, le cot du temps dattente dun employ qui attend
est gal son salaire durant le temps dattente ; cela impliquerait que la baisse nette des
gains de lentreprise, du fait de linactivit dun employ, est gale au salaire de ce
dernier, ce qui, a priori, nest pas vident. Lemploy, quil travaille ou quil attende,
reoit le mme salaire. Par contre, sa contribution aux gains de lentreprise est relle-
ment perdue, car la productivit baisse. Quand un oprateur de machine est inactif
parce quil attend, sa force productive (qui peut comprendre, outre son salaire, une
proportion des cots fixes de lentreprise) est perdue. En dautres termes, il faut tenir
compte non pas de la ressource physique en attente, mais plutt de la valeur (cot) de
toutes les ressources conomiques inactives, et valuer ensuite la perte de profit par-
tir de la perte de productivit.
Lobjectif de lanalyse des files dattente est de trouver un compromis entre le cot
associ la capacit de service et le cot dattente des clients. La figure 19.1 illustre
bien ce concept. Notez que lorsque la capacit de service augmente, le cot de service
augmente. Par souci de simplicit, nous avons illustr un cot de service linaire. Cela
naffecte en rien la dmonstration. Lorsque la capacit de service augmente, le nombre
de clients en attente et le temps dattente tendent diminuer, donc les cots dattente
diminuent. Le cot total (la somme des cots de service et dattente) est reprsent sur
le graphique par une courbe en forme de U. Graphiquement, il suffit de dterminer le
niveau de service se traduisant par le cot total minimum. (Contrairement au modle
de la quantit conomique utilis dans la gestion des stocks, le minimum nest pas
ncessairement atteint au point dintersection de la droite et de la courbe.)
Dans le cas dune clientle externe lentreprise, les files dattente donnent une
image ngative de la qualit du service offert. Dans cette situation, les entreprises
auront tendance augmenter la rapidit du service plutt que daugmenter le nombre
demploys. Le fait dabaisser le cot dattente aura pour effet de dplacer vers le bas
la courbe en U, qui reprsente le cot total.
19.4 LES CARACTRISTIQUES DU SYSTME
DE FILES DATTENTE
Dans le cadre de la thorie des files dattente, on a conu plusieurs modles danalyse.
Le succs de lanalyse des files dattente repose surtout sur le choix du modle appro-
pri. Plusieurs caractristiques sont prendre en considration:
1. La population.
2. Le nombre de serveurs.
3. Les tendances quant larrive et au service.
4. Lordre de traitement des clients.
La figure 19.2 illustre un systme de file dattente.
Niveau de
service optimal
C
o
t
Cot total
Cot de service
Cot dattente
des clients
0
Figure 19.1
Lobjectif de lanalyse
des files dattente est de
minimiser la somme de
deux cots : le cot
dattente des clients et
le cot de service.
Population
File
dattente
Arrives Service
Systme
Dpart
Ordre de
traitement
19.4.1 La population
Dans la thorie des files dattente, on appelle population la source de clients
potentiels.
Il y a deux situations possibles. Dans le premier cas, la population est infinie,
cest--dire que le nombre potentiel de clients est infiniment grand en tout temps.
Cest le cas des clients des supermarchs, des banques, des restaurants, des cinmas,
des centres dappels, etc. De plus, les clients proviennent de toutes les rgions possi-
bles. Dans la deuxime situation, la population est finie, ce qui signifie que le nom-
bre de clients potentiels est limit.
Un bon exemple est le nombre de machines, davions, etc., en rparation dans le
centre de maintenance dune entreprise. Lentreprise en question possde un nombre
fini de machines, davions, etc. Voici dautres situations semblables : une infirmire
Figure 19.2
Systme de file
dattente simple
population infinie
Le nombre de clients qui
arrivent est illimit.
population finie
Le nombre de clients qui
arrivent est limit.
ayant la charge de 10 patients, un employ de banque charg de remplir et de vider
4 guichets automatiques, une secrtaire qui soccupe de 5 reprsentants, un contrleur
de la navigation arienne qui dirige latterrissage ou le dcollage de 5 avions, etc.
19.4.2 Le nombre de serveurs
La capacit de service dpend de la capacit de chaque serveur et du nombre de
serveurs disponibles. Le terme serveur reprsente ici la ressource et, en gnral, on
suppose quun serveur ne traite quun client la fois.
Les systmes de files dattente fonctionnent avec serveur unique ou serveurs mul-
tiples (plusieurs serveurs travaillant en quipe constituent un serveur unique, par
exemple une quipe chirurgicale). Les exemples de systmes de files dattente avec
serveur unique sont nombreux : les petits magasins avec une seule caisse, tels que les
dpanneurs, certains cinmas, certains lave-autos et tablissements de restauration
rapide avec guichet unique. Les systmes multiples serveurs sont les banques, les bil-
letteries daroports, les garages et les stations-service. La figure 19.3 illustre les sys-
tmes de files dattente les plus courants. Pour des raisons pratiques, ceux qui sont
tudis dans le cadre de ce chapitre comprennent une seule tape.
serveur
Entit qui fournit le service.
Serveur unique,
tape unique
Serveur unique,
tapes multiples
Serveurs multiples,
tape unique
Serveurs multiples,
tapes multiples
Figure 19.3
Quatre types de systmes de
files dattente
19.4.3 Les tendances quant larrive et au service
Les files dattente rsultent de la variabilit des tendances darrive et de service. Elles
se forment parce que le degr lev de variation dans les intervalles entre les arrives et
dans les temps de service cause des congestions temporaires. Dans plusieurs cas, on
peut reprsenter ces variations par des distributions thoriques de probabilits. Dans
les principaux modles utiliss, on suppose que le nombre darrives dans un intervalle
donn suit la loi de Poisson, alors que le temps de service suit une loi exponentielle.
La figure 19.4 illustre ces deux distributions.
En gnral, la distribution de Poisson donne un assez bon aperu du nombre de
clients qui arrivent par unit de temps (par exemple le nombre de clients lheure). La
figure 19.5 A illustre les arrives distribues selon la loi de Poisson (par exemple des
accidents) pendant une priode de trois jours. Durant certaines heures, on note de
trois quatre accidents ; dautres, un ou deux, et pour certaines, aucun.
La distribution exponentielle, quant elle, donne une assez bonne approximation
des temps de service (par exemple avant larrive des premiers secours auprs des vic-
times daccidents). La figure 19.5 B illustre le temps de service pour des clients qui
arrivent selon le processus illustr la figure 19.5 A. Remarquez que la plupart des
temps de service sont trs courts certains sont proches de zro et quelques-uns,
assez longs. Cest la caractristique typique de la distribution exponentielle. Par exem-
ple, les oprations traites au guichet dune banque prennent approximativement le
mme temps (assez court), alors quun nombre limit de clients requirent un temps
de traitement assez long.
Les files dattente se forment plus souvent lorsque les arrives se font en groupe ou
que les temps de service sont particulirement longs ; elles se crent presque coup sr
si ces deux facteurs se manifestent. Par exemple, notez, la figure 19.5 B, le temps de
service particulirement long pour le client n
o
7 au jour 1. la figure 19.5 A, le client
n
o
7 arrive 10 heures et les 2 clients suivants arrivent juste aprs, ce qui cre alors
une file dattente. Une situation similaire sest prsente le jour 3 avec les 3derniers
clients : le temps de service assez long pour le client n
o
13 (figure 19.5 B) combin au
temps relativement court entre les deux arrives suivantes (figure 19.5 A, jour 3) va
certainement engendrer (ou augmenter) une file dattente.
Remarquez quil existe une relation entre la distribution de Poisson et la distri-
bution exponentielle. En dautres termes, si le temps de service suit la loi exponen-
tielle, le taux de service (nombre de clients servis par unit de temps) suit la loi de
Poisson. De la mme manire, si le taux darrive suit la loi de Poisson, le temps inter-
arrives (temps entre deux arrives successives) suit une loi exponentielle. Par exem-
ple, si un centre de service a la capacit de traiter en moyenne 12 clients lheure (taux
de service), le temps moyen de service est de cinq minutes. Si le taux moyen darrive
est de 10 clients lheure, le temps moyen entre 2 arrives successives est de
6 minutes. Ainsi, les modles de files dattente dcrits dans ce chapitre ont gnrale-
ment comme processus darrive un processus de Poisson ou, de faon quivalente, des
temps interarrives exponentiels et des temps de service distribus selon une loi expo-
nentielle. En pratique, avant dutiliser un modle, il faut vrifier ces caractristiques.
Dans certains cas, on peut le faire en colligeant des donnes et en les reprsentant
graphiquement. On ajuste ensuite la distribution observe la distribution thorique.
temps interarrives
Temps entre deux arrives
successives.
0,20
0,18
0,16
0,14
0,12
0,10
0,08
0,06
0,04
0,02
0,00
F
r
q
u
e
n
c
e
1
Nombre de clients par unit de temps
3 6 8 10 0 2 4 5 7 9 11 12
F
r
q
u
e
n
c
e

(
%
)
Temps
Loi (distribution)
exponentielle
(temps)
Loi
de Poisson
0
Figure 19.4
Distributions de Poisson
et exponentielle
Il est toutefois prfrable pour ce type de problme dutiliser le test du chi-deux (
2
) :
ce sujet ne fait pas lobjet dtude de ce chapitre et il est dvelopp dans la majorit
des ouvrages de statistique. Aujourdhui, il existe des logiciels trs puissants qui per-
mettent dajuster trs rapidement une srie dobservations une distribution thorique
de probabilit. Lun des plus complets est ExpertFit, conu par Averill Law et associs.
Par ailleurs, les recherches ont dmontr que si ces hypothses sont gnralement
appropries pour le processus darrive, elles le sont moins pour le processus de ser-
vice. Dans ce cas, les solutions considrer consistent : 1) mettre au point un mo-
dle plus appropri ; 2) utiliser un meilleur modle (gnralement plus complexe) ;
3) avoir recours la simulation numrique. Ces solutions requirent gnralement
plus defforts, de temps et dargent que les modles de files dattente prsents dans
ce chapitre.
Jour 1 18
Nombre
darrives
par jour
8 4 3 2 1 12 11 10 9
Jour 2 14
8 4 3 2 1 12 11 10 9
Jour 3 15
8 4 3 2 1 12 11 10 9
Jour 1
client
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
Temps
0
Jour 2
client
1
2
3
4
5
6
7
8
9
10
11
12
13
14
Temps
0
Jour 3
client
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Temps
0
= Arrive
7
Heures
Heures
Heures
Figure 19.5
Arrives distribues selon
la loi de Poisson et temps
de service distribus de
faon exponentielle
A. Processus darrive
B. Temps de service
19.4.4 La discipline de la file dattente
La discipline de la file dattente concerne lordre de traitement des clients. Dans tous
les modles dcrits dans les pages suivantes, on suppose que la rgle de priorit est :
premier entr, premier servi (PEPS). Cest la rgle la plus communment utilise dans
les entreprises de services ; elle procure aux clients un sentiment de justice, bien quelle
pnalise les clients dont le temps de service est court. Elle est applique dans les ban-
ques, les magasins, les cinmas, les restaurants, les intersections avec arrt obligatoire,
les contrles douaniers, etc. Certains systmes ne sen servent pas : les salles durgence
des hpitaux, en gnral, utilisent trois niveaux de priorit (les cas graves tant traits
en priorit) ; les usines traitent les commandes urgentes et les ordinateurs centraux
traitent les tches par ordre dimportance. Certains clients devront donc attendre plus
longtemps, mme sils sont arrivs plus tt. Prenons un exemple. Vous venez davoir
un bb et vous tes une personne plutt anxieuse. Si vous allez lurgence de lhpi-
tal Sainte-Justine de Montral la moindre petite fivre de votre bb, armez-vous de
patience et priez pour quil ny ait pas trop de cas graves ce jour-l. Les autres rgles de
priorit susceptibles dtre appliques sont les temps dopration les plus courts, les
commandes ou les clients les plus importants, les urgences, les rservations en priorit,
les dlais de livraison les plus courts, etc.
19.5 LES MESURES DE PERFORMANCE
Les gestionnaires ont leur disposition cinq outils de mesure ou indices pour valuer
la performance dun systme de production de biens ou de services existant ou celle
dun systme quils veulent concevoir. Ces mesures sont :
1. Le nombre moyen de clients qui attendent en file ou dans le systme
1
.
2. Le temps moyen dattente en file et dans le systme.
3. Le taux dutilisation du systme, cest--dire le pourcentage de la capacit utilise.
4. Le cot associ au niveau de service (capacit) mis en place.
5. La probabilit quun client potentiel attende pour tre servi.
Parmi ces cinq outils de mesure, le taux dutilisation du systme ncessite quelques
claircissements. Il reflte ltendue de loccupation des serveurs plutt que leur inac-
tivit. Il est logique de penser quune bonne gestion des ressources implique un taux
dutilisation de 100 %. Cependant, comme le montre la figure 19.6, le fait daug-
menter le taux dutilisation revient augmenter la fois le nombre de clients qui
attendent et le temps moyen dattente. En fait, ces deux mesures augmentent indfi-
niment lorsque le taux dutilisation approche de 100 %. Si tous les serveurs sont
occups, il est certain que les clients potentiels qui arrivent vont attendre. Cela
implique que dans des conditions normales dopration, un taux dutilisation de
100% est irraliste. Le gestionnaire devrait plutt essayer dquilibrer le systme de
telle sorte que la somme des cots de service et dattente soit minimale, tel quillustr
la figure 19.11.
19.6 LES PRINCIPAUX MODLES DE FILES
DATTENTE
19.6.1 Modles avec population infinie
Plusieurs modles de files dattente sont la disposition des gestionnaires pour leur
permettre de concevoir des systmes de production de biens ou de services ou de
reprsenter un systme rel afin den analyser la performance. Dans ce chapitre, nous
discipline de la file
dattente
Ordre dans lequel les
clients sont traits.
1. Voir la figure 19.2.
TABLEAU 19.1
Symboles (modles avec
population infinie)
prsentons les quatre modles de base les plus utiliss. Le but nest pas dtudier de
faon exhaustive les modles, mais plutt danalyser un certain nombre dentre eux.
Tous ont pour hypothse que le taux darrive est distribu selon la loi de Poisson. On
suppose aussi que le systme tudi est en rgime permanent (stationnaire), cest-
-dire que les taux darrive et de service sont stables. Les quatre modles prsents
sont :
1. Serveur unique, temps de service exponentiel.
2. Serveur unique, temps de service constant.
3. Serveurs multiples, temps de service exponentiel.
4. Serveurs multiples, rgles de priorit multiples, temps de service exponentiel.
Afin de faciliter lutilisation des modles, le tableau 19.1 prsente les symboles et la
terminologie utiliss pour les modles avec population infinie.
Symbole Signification
Taux darrive des clients
Taux de service
Taux dutilisation du systme
nl Nombre moyen de clients qui attendent dtre servis
ns Nombre moyen de clients dans le systme (clients qui attendent et
clients qui sont en train dtre servis)
Temps de service
tl Temps moyen dattente en file
ts Temps moyen dattente dans le systme (temps dattente en file, plus
le temps de service)
P0 Probabilit quil y ait zro unit (client) dans le systme
Pn Probabilit quil y ait n units (clients) dans le systme
M Nombre de serveurs
19.6.1.1 Les relations de base
Dans les modles de files dattente avec population infinie, il existe certaines relations
de base (entre certains paramtres et les mesures de performance) qui permettent de
dterminer les mesures de performance dsires grce quelques valeurs cls. Les prin-
cipales relations sont prsentes ci-dessous :
Remarque : les taux darrive () et de service () doivent tre exprims dans la mme
unit de mesure (clients lheure, clients par minute, etc.).
0 100 %
Taux dutilisation du systme
N
o
m
b
r
e

m
o
y
e
n

d
e

c
l
i
e
n
t
s

q
u
i

a
t
t
e
n
d
e
n
t
Figure 19.6
Le nombre moyen de
clients qui attendent
en file et le temps moyen
dattente des clients en
file augmentent de faon
exponentielle mesure
que le taux dutilisation
augmente.
1
Le taux dutilisation du systme : il reprsente le rapport entre la demande (mesure

grce au taux darrive, ) et la capacit de service (produit du nombre de serveurs M
par le taux de service, ).
=
(19-1)
M
Le nombre moyen de clients en train dtre servis si M = 1:
=
(19-2)
Le nombre moyen de clients en file :

n
l
est obtenu partir dune table ou de la formule approprie, selon le modle en
question.
Le nombre de clients dans le systme :
n
s
= n
l
+ (19-3)
Le temps moyen dattente en file :
t
l
=
n
l
(19-4)
Le temps moyen dattente dans le systme :

t
s
= t
l
+
1
=
n
s
(19-5)

Pour ces modles, le taux dutilisation du systme doit tre infrieur 1 ( < M).
Dautre part, ces modles ne sappliquent qu des systmes non congestionns. Il ny
a aucune utilit analyser les systmes dans lesquels > M, car il est vident que dans
de tels cas, ils sont congestionns.
Le nombre moyen de clients qui attendent en file (n
l
) est llment cl qui sert
dterminer les autres mesures de performance du systme, tels le nombre moyen de
clients dans le systme, le temps moyen pass en file et le temps moyen pass dans le
systme. Par consquent, lorsquon veut rsoudre des problmes de files dattente, la
premire mesure de performance considrer est n
l
.
Les clients dune boulangerie se prsentent gnralement en matine (calcul effectu
selon la loi de Poisson), raison de 18 clients en moyenne lheure. On estime que
chaque vendeur au comptoir peut servir un client (temps distribu selon une loi expo-
nentielle) en moyenne en quatre minutes.
a) Quels sont les taux darrive et de service ? Calculez le nombre moyen de clients
en train dtre servis (supposez que le taux dutilisation du systme est infrieur
1).
b) En supposant que le nombre moyen de clients qui attendent en file est gal 3,6,
dterminez le nombre moyen de clients dans le systme, le temps moyen pass en
file et le temps moyen pass dans le systme.
c) Dterminez le taux dutilisation du systme lorsque M = 2, 3, 4 serveurs.
a) Le taux darrive est donn dans lnonc du problme : = 18 clients lheure. Il
faut traduire le temps moyen de service en heures, puis dduire le taux sachant que
pour une distribution exponentielle, la moyenne est gale 1 / . Donc,
1 / = 4 minutes par client / 60 minutes par heure = 1/ 15, ce qui donne un taux
moyen de service = 15 clients lheure.
=
=
18
= 1,2 client
15
Exemple 1
Solution
TABLEAU 19.2
Formules pour le modle
de base (serveur unique,
temps de service
exponentiel)
Exemple 2
b) Nombre moyen de clients dans le systme :
n
s
= n
l
+ = 3,6 + 1,2 = 4,8 clients (puisque n
l
est gal 3,6)
Temps moyen dattente en file :
t
l
=
n
l
=
3,6
= 0,20 heure par client, ou 0,20 60 minutes = 12 minutes
18
Temps moyen pass dans le systme :
t
s
= t
l
+
1
=
n
l
+
1
= 0,20 +
1
= 0,267 heure, soit environ 16 minutes
15
c) Taux dutilisation du systme = /M:
M = 2, =
18
= 0,60
2(15)
M = 3, =
18
= 0,40
3(15)
M = 4, =
18
= 0,30
4(15)
Par consquent, lorsque la capacit de service augmente, le taux dutilisation du
systme diminue.
19.6.1.2 Modle 1: serveur unique, temps de service exponentiel
Le modle classique (le plus simple) danalyse des files dattente concerne les systmes
comptant un seul serveur (ou une seule quipe). La rgle de priorit est premier
entr, premier servi (PEPS) ; on suppose que le processus darrive suit une loi de
Poisson et que le temps de service suit une loi exponentielle. Il ny a aucune restriction
quant la longueur de la file proprement dite.
Le tableau 19.2 prsente les formules servant calculer les mesures de perfor-
mance pour un modle avec serveur unique. On les utilise conjointement avec les
formules des tableaux 19.1 19.5.
Mesure de performance quation
Nombre moyen de clients en file nl =
2
(196)
( )
Nombre moyen de clients dans le systme ns =
( )
Temps moyen dattente en ligne tl =
( )
Temps moyen pass dans le systme ts =
1
( )
Probabilit quil y ait zro unit dans le systme P0 = 1
(
)
(197)
Probabilit quil y ait n units dans le systme Pn = P0

(
)
n
(198a)
Probabilit quil y ait moins de n units dans le systme P< n = 1

(
)
n
(198b)
Une compagnie arienne envisage douvrir un point de vente dans un nouveau centre
commercial. Elle compte y faire travailler un agent qui sera responsable des rserva-
tions et de la vente de billets. On prvoit un achalandage de 15 clients lheure en
moyenne ; on estime aussi que la distribution des arrives peut tre calcule selon la
loi de Poisson et que le temps de service sera de 3 minutes en moyenne par client (dis-
tribution exponentielle). Dterminez les mesures de performance suivantes :
a) Taux dutilisation du systme.
b) Pourcentage dinactivit de lagent.
c) Nombre moyen de clients qui attendent pour tre servis.
d) Temps moyen pass par un client dans le systme.
e) Probabilit quil ny ait aucun client dans le systme et probabilit quil y ait qua-
tre clients dans le systme.
= 15 clients lheure et 3 minutes/client = temps de service =
1
donc = (
1 client
) 60 minutes par heure = 20 clients lheure
3 minute
a)
=
=
15
= 0,75
M 1(20)
b) Pourcentage dinactivit = 1 = 1 0,75 = 0,25, cest--dire 25 % du temps
c) n
l
=
2
=
15
2
= 2,25 clients
( ) 20(20 15)
d) t
s
=
1
=
1
= 0,20 heure ou 12 minutes
( ) (20 15)
e)
P
0
= 1
= 1
15
= 0,25 et P
4
= P
0
(
)
4
= 0,25
(
15
)
4
= 0,079
20 20
19.6.1.3 Modle 2: serveur unique, temps de service constant
Comme nous lavons signal prcdemment, les files dattente sont la consquence
directe de phnomnes alatoires et du degr lev de variabilit des taux darrive et
de service. Si, dans un systme donn, on arrive diminuer ou rduire les variations
dun taux ou des deux, on peut galement raccourcir les files dattente de faon signi-
ficative. Toutefois, dans le cas o les temps de service sont constants, le nombre moyen
de clients qui attendent en file diminue de moiti.
n
l
=
2
(19-9)
2 ( )
Le temps dattente en file est aussi rduit de moiti.
On retrouve ce modle dans plusieurs situations, notamment lorsque le serveur est
une machine automatique. Les lave-autos en sont un exemple.
Un lave-auto avec file unique a t programm pour laver une automobile en cinq mi-
nutes. En fin de semaine, particulirement le samedi, il arrive (selon un processus de
Poisson) huit voitures lheure en moyenne. Dterminez :
a) Le nombre moyen de voitures dans la file dattente.
b) Le temps moyen pass dans la file et le temps moyen pass dans le systme.
= 1 toutes les 5 minutes ou encore 12 voitures lheure ; = 8 voitures lheure
a) n
l
=
2
=
8
2
= 0,667 voiture
2( ) 2(12)(12 8)
b) t
l
=
n
l
=
0,667
8
t
s
= t
l
+
1
=
n
s
+
1
=
0,667
+
1
8 12
Solution
Exemple 3
Solution
/ M nl P0 / M nl P0 / M nl P0
0,15 1 0,026 ,850 1,3 3 0,130 ,264 2,7 3 7,354 ,025
2 0,001 ,860 4 0,023 ,271 4 0,811 ,057
0,20 1 0,050 ,800 5 0,004 ,272 5 0,198 ,065
2 0,002 ,818 1,4 2 1,345 ,176 6 0,053 ,067
0,25 1 0,083 ,750 3 0,177 ,236 7 0,014 ,067
2 0,004 ,778 4 0,032 ,245 2,8 3 12,273 ,016
0,30 1 0,129 ,700 5 0,006 ,246 4 1,000 ,050
2 0,007 ,739 1,5 2 1,929 ,143 5 0,241 ,058
0,35 1 0,188 ,650 3 0,237 ,211 6 0,066 ,060
2 0,011 ,702 4 0,045 ,221 7 0,018 ,061
0,40 1 0,267 ,600 5 0,009 ,223 2,9 3 27,193 ,008
2 0,017 ,667 1,6 2 2,844 ,111 4 1,234 ,044
0,45 1 0,368 ,550 3 0,313 ,187 5 0,293 ,052
2 0,024 ,633 4 0,060 ,199 6 0,081 ,054
3 0,002 ,637 5 0,012 ,201 7 0,023 ,055
TABLEAU 19.3
de files dattente (serveurs
multiples, temps de service
exponentiel)
P
0
=
M 1
n 0
(
)
n
n !
+
(
)
M
M !
(
1

)
M
1
TABLEAU 19.4
Valeurs de nl
et de P
0
pour
des valeurs de / et de M
donnes
19.6.1.4 Modle 3: serveurs multiples, temps de service exponentiel
Un tel modle existe lorsquil y a deux serveurs ou plus qui travaillent en parallle, de
faon indpendante. Il faut tout dabord vrifier les hypothses suivantes :
1. Le processus darrive est distribu selon une loi de Poisson et le processus de ser-
vice, selon une loi exponentielle.
2. Le taux de service moyen est identique pour tous les serveurs.
3. Les clients sont traits selon lordre darrive : premier entr, premier servi (rgle
PEPS).
Dans le tableau 19.3, vous trouverez les formules permettant de calculer les mesures
de performance de ce modle. Vous constaterez quelles sont beaucoup plus complexes
que celles du modle 1, particulirement celles qui dterminent n
l
et P
0
. Nous vous les
prsentons pour montrer leur complexit et complter la description de ce modle,
mais on utilise plutt le tableau 19.4, qui donne les valeurs de n
l
et de P
0
pour dif-
frentes valeurs de / et de M.
Pour se servir du tableau 19.4, on commence par calculer la valeur de / (arron-
die aux dcimales prs comme dans le tableau), puis on lit tout simplement les valeurs
de n
l
et de P
0
correspondant au nombre appropri de serveurs, M. Par exemple, si /
= 0,50 et M= 2, on peut lire : n
l
= 0,033 et P
0
= 0,600. On peut se servir de ces valeurs
pour dterminer dautres mesures de performance. Notez que les formules du tableau
19.3 et les valeurs du tableau 19.4 donnent des moyennes. On peut utiliser le tableau
19.4 pour le modle 1 (serveur unique, temps de service exponentiel) en prenant M= 1.
Mesure de performance quation
Nombre moyen de clients en file
nl =
)
M
P0 (1910)
(M 1)!(M )
2
Probabilit quil y ait zro unit
(1911)
dans le systme
Temps moyen dattente pour un client
t a =
l
(1912)
potentiel non servi immdiatement
M
Probabilit quun client potentiel PW =
tl
(1913)
attende avant dtre servi
ta
0,50 1 0,500 ,500 1,7 2 4,426 ,081 3,0 4 1,528 ,038
2 0,033 ,600 3 0,409 ,166 5 0,354 ,047
3 0,003 ,606 4 0,080 ,180 6 0,099 ,049
0,55 1 0,672 ,450 5 0,017 ,182 7 0,028 ,050
2 0,045 ,569 1,8 2 7,674 ,053 8 0,008 ,050
3 0,004 ,576 3 0,532 ,146 3,1 4 1,902 ,032
0,60 1 0,900 ,400 4 0,105 ,162 5 0,427 ,042
2 0,059 ,538 5 0,023 ,165 6 0,120 ,044
3 0,006 ,548 1,9 2 17,587 ,026 7 0,035 ,045
0,65 1 1,207 ,350 3 0,688 ,128 8 0,010 ,045
2 0,077 ,509 4 0,136 ,145 3,2 4 2,386 ,027
3 0,008 ,521 5 0,030 ,149 5 0,513 ,037
0,70 1 1,633 ,300 6 0,007 ,149 6 0,145 ,040
2 0,098 ,481 2,0 3 0,889 ,111 7 0,043 ,040
3 0,011 ,495 4 0,174 ,130 8 0,012 ,041
0,75 1 2,250 ,250 5 0,040 ,134 3,3 4 3,027 ,023
2 0,123 ,455 6 0,009 ,135 5 0,615 ,033
3 0,015 ,471 2,1 3 1,149 ,096 6 0,174 ,036
0,80 1 3,200 ,200 4 0,220 ,117 7 0,052 ,037
2 0,152 ,429 5 0,052 ,121 8 0,015 ,037
3 0,019 ,447 6 0,012 ,122 3,4 4 3,906 ,019
0,85 1 4,817 ,150 2,2 3 1,491 ,081 5 0,737 ,029
2 0,187 ,404 4 0,277 ,105 6 0,209 ,032
3 0,024 ,425 5 0,066 ,109 7 0,063 ,033
4 0,003 ,427 6 0,016 ,111 8 0,019 ,033
0,90 1 8,100 ,100 2,3 3 1,951 ,068 3,5 4 5,165 ,015
2 0,229 ,379 4 0,346 ,093 5 0,882 ,026
3 0,030 ,403 5 0,084 ,099 6 0,248 ,029
4 0,004 ,406 6 0,021 ,100 7 0,076 ,030
0,95 1 18,050 ,050 2,4 3 2,589 ,056 8 0,023 ,030
2 0,277 ,356 4 0,431 ,083 9 0,007 ,030
3 0,037 ,383 5 0,105 ,089 3,6 4 7,090 ,011
4 0,005 ,386 6 0,027 ,090 5 1,055 ,023
1,0 2 0,333 ,333 7 0,007 ,091 6 0,295 ,026
3 0,045 ,364 2,5 3 3,511 ,045 7 0,019 ,027
4 0,007 ,367 4 0,533 ,074 8 0,028 ,027
1,1 2 0,477 ,290 5 0,130 ,080 9 0,008 ,027
3 0,066 ,327 6 0,034 ,082 3,7 4 10,347 ,008
4 0,011 ,367 7 0,009 ,082 5 1,265 ,020
1,2 2 0,675 ,250 2,6 3 4,933 ,035 6 0,349 ,023
3 0,094 ,294 4 0,658 ,065 7 0,109 ,024
4 0,016 ,300 5 0,161 ,072 8 0,034 ,025
5 0,003 ,301 6 0,043 ,074 9 0,010 ,025
1,3 2 0,951 ,212 7 0,011 ,074 3,8 4 16,937 ,005
3,8 5 1,519 ,017 4,6 5 9,289 ,004 5,3 8 0,422 ,005
6 0,412 ,021 6 1,487 ,008 9 0,155 ,005
7 0,129 ,022 7 0,453 ,009 10 0,057 ,005
8 0,041 ,022 8 0,156 ,010 11 0,021 ,005
9 0,013 ,022 9 0,054 ,010 12 0,007 ,005
3,9 4 36,859 ,002 10 0,018 ,010 12 0,007 ,005
5 1,830 ,015 4,7 5 13,382 ,003 7 1,444 ,004
6 0,485 ,019 6 1,752 ,007 8 0,483 ,004
7 0,153 ,020 7 0,525 ,008 9 0,178 ,004
8 0,050 ,020 8 0,181 ,008 10 0,066 ,004
9 0,016 ,020 9 0,064 ,009 11 0,024 ,005
TABLEAU 19.4
(suite)
4,0 5 2,216 ,013 10 0,022 ,009 12 0,009 ,005
6 0,570 ,017 4,8 5 21,641 ,002 5,5 6 8,590 ,002
7 0,180 ,018 6 2,071 ,006 7 1,674 ,003
8 0,059 ,018 7 0,607 ,008 8 0,553 ,004
9 0,019 ,018 8 0,209 ,008 9 0,204 ,004
4.2 5 2,703 ,011 9 0,074 ,008 10 0,077 ,004
6 0,668 ,015 10 0,026 ,008 11 0,028 ,004
7 0,212 ,016 4,9 5 46,566 ,001 12 0,010 ,004
8 0,070 ,016 6 2,459 ,005 5,6 6 11,519 ,001
9 0,023 ,017 7 0,702 ,007 7 1,944 ,003
4,2 5 3,327 ,009 8 0,242 ,007 8 0,631 ,003
6 0,784 ,013 9 0,087 ,007 9 0,233 ,004
7 0,248 ,014 10 0,031 ,007 10 0,088 ,004
8 0,083 ,015 11 0,011 ,077 11 0,033 ,004
9 0,027 ,015 5,0 6 2,938 ,005 12 0,012 ,004
10 0,009 ,015 7 0,810 ,006 5,7 6 16,446 ,001
4,3 5 4,149 ,008 8 0,279 ,006 7 2,264 ,002
6 0,919 ,012 9 0,101 ,007 8 0,721 ,003
7 0,289 ,130 10 0,036 ,007 9 0,266 ,003
8 0,097 ,013 11 0,013 ,007 10 0,102 ,003
9 0,033 ,014 5,1 6 3,536 ,004 11 0,038 ,003
10 0,011 ,014 7 0,936 ,005 12 0,014 ,003
4,4 5 5,268 ,006 8 0,321 ,006 5,8 6 26,373 ,001
6 1,078 ,010 9 0,117 ,006 7 2,648 ,002
7 0,337 ,012 10 0,042 ,006 8 0,823 ,003
8 0,114 ,012 11 0,015 ,006 9 0,303 ,003
9 0,039 ,012 5,2 6 4,301 ,003 10 0,116 ,003
10 0,013 ,012 7 1,081 ,005 11 0,044 ,003
4,5 5 6,862 ,005 8 0,368 ,005 12 0,017 ,003
6 1,265 ,009 9 0,135 ,005 5,9 6 56,300 ,000
7 0,391 ,010 10 0,049 ,005 7 3,113 ,002
8 0,133 ,011 11 0,017 ,006 8 0,939 ,002
9 0,046 ,011 5,3 6 5,303 ,003 9 0,345 ,003
10 0,015 ,011 7 1,249 ,004 10 0,133 ,003
TABLEAU 19.4
(suite)
La compagnie Taxi-Air possde sept taxis stationns laroport de Dorval. Les statis-
tiques de la compagnie indiquent que durant les heures tardives des jours ouvrables de
la semaine, les clients se prsentent pour prendre un taxi (selon un processus de
Poisson) une cadence moyenne de 6,6 clients lheure. Le service, quant lui, suit
une distribution exponentielle de 50 minutes en moyenne. Le service consiste pren-
dre un client laroport, le conduire destination et revenir laroport pour se
placer en file, dans lattente dautres clients. Dterminez chacune des mesures de per-
formance prsentes dans le tableau 19.3, ainsi que le taux dutilisation du systme.
= 6,6 clients lheure et M = 7 voitures (serveurs)
=
1 client/voyage
= 1,2 client lheure
(50 min/voyage 60 min/h)
partir du tableau 19.4: en considrant / = 5,5 et M = 7, on peut lire :
a) n
l
= 1,674
b) P
0
= 0,003
c) t
a
=
1
=
1
(1,2) 6,6 = 0,556 heure ou 33,36 minutes
M 7
Solution
Exemple 4
d) t
l
=
n
l
=
1,674
= 0,2536 heure ou 15,22 minutes, donc :
6,6
P
W
=
t
l
=
0,2536
= 0,456; il y a 45,6 % de chances quun client potentiel
t
a
0,556
attende avant dtre servi.
e) =

=
6,6
(1,2) = 0,786; le systme est utilis 78,6 % de sa capacit.
M 7
Avec Excel, la solution de lexemple 4 apparat comme suit :
Le processus de rsolution peut tre invers, cest--dire que lanalyste peut dter-
miner la capacit requise pour satisfaire des niveaux spcifis de performance.
Lexemple ci-dessous illustre cette approche.
La compagnie Taxi-Air envisage de desservir une nouvelle gare. Le taux moyen dar-
rive des clients la gare est de 4,8 clients lheure et le taux de service (aller-retour)
est de 1,5 client lheure. Combien de taxis seront ncessaires pour obtenir un temps
dattente moyen tolrable de 20 minutes ou moins ?
= 4,8 clients lheure, = 1,5 client lheure, M =?
=
=
4,8
= 3,2
1,5
t
l
= 20 minutes ou 0,333 heure (attente moyenne dsire)
n
l
= t
l
= 4,8 0,333 = 1,6 unit. Donc, le nombre moyen de clients qui atten-
dent ne doit pas dpasser 1,6. partir du tableau 19.4, avec / = 3,2, n
l
= 2,386 pour
M = 4 et n
l
= 0,513 pour M = 5.
Taxi-Air a besoin de 5 voitures pour obtenir 20 minutes comme temps dattente
moyen tolrable.
19.6.1.5 Optimisation des files dattente
Pour concevoir un systme, on calcule et on compare le cot associ au niveau de ser-
vice (capacit de service) et le cot dattente des clients (cot encouru par lentreprise
en raison de lattente des clients dans le systme). Par exemple, lorsquon conoit un
quai de chargement pour un entrept, on tudie le cot du quai plus le cot des
Solution
Exemple 5
Exemple 6
Solution
quipes de chargement par rapport au cot associ lattente des camions (chargement
et dchargement). Mme chose pour le cot du mcanicien qui attend des outils
devant un centre doutillage : il doit tre quilibr avec le cot du serveur du centre
doutillage. Dans le cas o les clients sont externes lentreprise (commerces de dtail,
par exemple), les cots vont inclure les ventes perdues cause du refus du client dat-
tendre, le cot associ lespace dattente mis en place par lentreprise et le cot asso-
ci la congestion du systme (perte de clients, vols ltalage, etc.). La capacit
optimale de service (en gnral, le nombre de serveurs qui travaillent en parallle) est
celle qui permet de rduire le cot total de gestion de lattente. Ce cot total est la
somme du cot dattente des clients et du cot de la capacit de service.
Lobjectif est donc de minimiser le cot total.
Cot total (CT) = cot dattente (C
a
) + cot de service (C
s
)
Lapproche doptimisation consiste calculer le cot total du systme en fonction
de diffrentes valeurs correspondant au nombre de serveurs. Aprs un certain nombre
ditrations, on tablit la capacit qui minimise le cot total. Comme la courbe
reprsentant le cot total est en forme de U, le fait daugmenter le nombre de serveurs
va faire en sorte que le cot total va diminuer jusqu atteindre le minimum. partir
de l, le fait daugmenter la capacit va plutt engendrer une augmentation du cot
total. Cest donc ce point que se situe la capacit optimale.
Le cot dattente se calcule en fonction du nombre moyen de clients dans le sys-
tme. Cela nest peut-tre pas intuitivement vident et on serait plutt tent de con-
sidrer le temps moyen dattente dans le systme. Or, ce serait ne tenir compte que
dun seul client. Cela ne donnerait pas dinformations concernant le nombre de clients
qui attendent pendant ce temps. Il est vident que le cot engendr par la prsence de
cinq clients en moyenne qui attendent va tre moindre que celui den avoir neuf. Par
consquent, il est ncessaire de se concentrer sur le nombre de clients en attente. Par
ailleurs, si on a en moyenne deux clients dans le systme, cela quivaut avoir exacte-
ment deux clients dans le systme en tout temps, malgr le fait quen ralit, on aura
certains moments zro, un, deux, trois clients ou plus dans le systme.
Les camions arrivent un entrept durant les jours ouvrables de la semaine selon un
processus de Poisson, raison de 15 camions lheure. Les quipes de manutention
dchargent 5 camions lheure ; le processus de service suit une distribution exponen-
tielle. Le taux lev de dchargement est d au fait que le transport se fait par con-
teneurs, ce qui rend le processus plus facile. La mise en application de la dernire
convention syndicale tant prvue pour trs bientt, le directeur de la logistique
voudrait rexaminer son processus de chargement/dchargement, notamment le nom-
bre de manutentionnaires requis au quai. Les nouveaux cots sont le salaire dun
manutentionnaire, auquel sajoute le cot dexploitation du quai, estim 100 dollars
lheure, alors que le cot dattente dun chauffeur et de son camion est estim
120 dollars lheure.
partir du tableau 19.4, on dtermine n
l
en utilisant : / = 15 / 5 = 3.
Taille de Cot Nombre moyen Cot dattente Cot total
lquipe de service de clients dans Ca = 120 $ nl (CT)
Cs = 100 $ M le systme
ns = nl +
4 400 1,528 + 3 = 4,528 543,36 943,36

5 500 0,354 + 3 = 3,354 402,48 902,48
6 600 0,099 + 3 = 3,099 371,88 971,88
7 700 0,028 + 3 = 3,028 363,36 1063,36
La configuration optimale est une quipe de manutentionnaires compose de cinq
personnes. Puisque le cot total va continuer daugmenter une fois le minimum
atteint, il nest pas ncessaire de calculer les cots totaux correspondant des quipes
de huit personnes ou plus. On voit bien que le cot total correspondant la solution
optimale est de 902,48 dollars et quil ne cesse daugmenter. Aprs le cot total de
902,48 dollars, on entame la phase ascendante de la courbe en U.
Remarque : Soulignons que lorsquon fait de loptimisation, les cots dattente et de
service sont des estimations, donc la solution optimale obtenue peut ne pas tre la
vraie. Le fait de calculer le cot total au cent prs ou mme au dollar prs semble indi-
quer un degr lev de prcision, ce qui nest pas corrobor par les estimations des
cots. Cela est galement compliqu par le fait que les approximations des taux dar-
rive et de service par les distributions de Poisson et exponentielle peuvent tre faus-
ses. Une autre solution serait destimer les cots par intervalles (par exemple, le cot
dattente des clients serait compris entre 40 et 50 dollars lheure). Dans ce cas, on
devrait calculer le cot total pour chacune des limites afin de vrifier si la solution
optimale est affecte. Si oui, le gestionnaire devra dcider sil est ncessaire de faire des
efforts supplmentaires pour obtenir plus de prcision dans les estimations des cots
ou tout simplement choisir une des deux solutions optimales obtenues. Le gestion-
naire choisira probablement cette dernire approche si les variations dans le cot total
pour diffrents niveaux de capacit sont minimes par rapport aux solutions optimales
obtenues.
19.6.1.6 Capacit maximale de la file dattente
Un autre point important est considrer : la capacit maximale de la file dattente
proprement dite, cest--dire la longueur maximale en termes despace disponible.
Thoriquement, dans le cas dune population infinie, la file dattente peut devenir
indfiniment longue, et lespace disponible peut tre insuffisant pour accueillir tous les
clients. Par exemple, les clients qui arrivent pour laver leur automobile dans une sta-
tion libre-service proviennent dune population infinie, et lespace disponible est li-
mit au nombre de voitures qui peuvent attendre en file sans perturber la circulation.
Par contre, dans le cas des voitures qui arrivent de ltat de New York et qui se prsen-
tent au contrle frontalier de Lacolle, au Qubec, la longueur de la file correspond
toute lautoroute 87.
Dun point de vue pratique, on peut toujours dterminer la longueur de la file
dattente qui ne sera pas dpasse pour un certain pourcentage de temps spcifi. Par
exemple, un analyste pourrait dterminer la longueur de la file qui ne sera pas dpasse
98 % ou 99 % du temps.
Pour fixer la longueur de la file dattente, on utilise les quations suivantes :
n =
log K
ou
ln K
o K =
1 pourcentage spcifi
(19-14)
log ln n
l
(1 )
La valeur de n nest gnralement pas un nombre entier ; il faudra donc arrondir le
nombre. Cependant, en pratique, si la valeur de n est infrieure 0,10 au-dessus du
nombre entier le plus petit, on arrondit vers le bas. Par exemple, si n = 15,2, alors
n = 16; si n = 15,06, alors n = 15, n tant le nombre dunits servir.
Dterminez la longueur maximale de la file permettant datteindre des niveaux de
satisfaction de 95 % et de 98 %. Les caractristiques du systme sont :
M = 2, = 8 lheure, = 5 lheure
=
=
8
= 1,6 et =

=
8
= 0,80
5 M 2(5)
partir du tableau 19.4, on obtient n
l
= 2,844 clients.
Exemple 7
Solution
Si on utilise la formule 19-4, on obtient, pour 95 %:
K =
1 pourcentage spcifi
=
1 0,95
= 0,088
n
l
(1 ) 2,844 (1 0,80)
n =
ln K
=
ln 0,088
=
2,4304
10,89 11
ln ln 0,80 0,2231
Pour 98 %:
K =
1 0,98
0,035
2,844(1 0,80)
n =
ln 0,035
=
3,352
= 15,02 15
ln 0,80 0,2231
19.6.1.7 Modle 4: serveurs multiples et rgles de priorit
Dans la majorit des systmes de files dattente, particulirement ceux des services, la
rgle de priorit pour le traitement des clients est la rgle du premier entr, premier
servi (PEPS). Cependant, dans plusieurs situations, cette rgle est inapplicable, car le
cot ou les consquences qui en rsultent ne sont pas les mmes. Par exemple, dans les
salles durgence des hpitaux, o les clients sont malades ou accidents, la rapidit de
la prise en charge des patients dpend de la gravit de la situation. Certains patients
peuvent tre traits assez rapidement par linfirmire, alors que dautres, dont la vie est
en danger, ont besoin de plusieurs intervenants. Cest pourquoi, dans les hpitaux, il
existe trois niveaux de priorit, qui vont de lurgence (intervention immdiate) au cas
le plus simple. Mme chose pour le traitement des programmes excuter sur un ordi-
nateur central, qui se fait selon la rgle donnant la priorit au temps dopration le plus
court.
Ces exemples illustrent limportance des modles de files dattente qui prennent
en considration plusieurs rgles de priorit.
Dans ces systmes, on attribue aux clients qui se prsentent une des rgles de
priorit
2
disponibles. Par rgle de priorit, on entend lordre de traitement des clients
(dans une salle durgence, une personne inconsciente ou ayant une crise cardiaque aura
la priorit la plus leve, celle qui a subi une blessure mineure aura la priorit la plus
faible, et les autres auront une priorit intermdiaire). Ainsi, les clients sont classs par
catgories en fonction de la rgle de priorit qui leur est attribue. Dans chaque classe
ou catgorie, le traitement se fait selon la rgle du premier entr, premier servi (PEPS),
puisque les clients dune mme catgorie ont la mme importance. Lorsque les clients
dune classe ont tous t servis, on passe la classe infrieure. Si un client de la classe
suprieure se prsente, deux situations sont possibles, selon quil y a prsance ou non.
Sil ny a pas priorit, son traitement ne commence que lorsque le client en traitement
a fini de se faire servir ; dans le cas contraire, il est trait immdiatement.
Quant aux hypothses, ce sont les mmes que celles du modle 3 (serveurs multi-
ples avec temps de service exponentiel), except que ce modle utilise des rgles de
priorit de traitement autres que la rgle PEPS. On attribue aux clients qui arrivent
une priorit (priorit 1 n). Une file dattente organise selon des rgles de priorit
aurait lallure de celle qui est reprsente ci-dessous :
modle avec rgles
de priorit multiples
Les clients sont traits par
ordre dimportance.
2. Pour plus de dtails sur ce sujet, voir le chapitre 17.
Arrives
4 3 3 3 2 1 1
Sortie
Traitement
File dattente
Chaque client est trait selon la rgle PEPS dans chacune des catgories. On com-
mence par servir le client n
o
1 de la classe 1, puis le n
o
2 de la classe 1, puis le n
o
1 de
Une entreprise dispose de son propre centre de maintenance, o sont rpars les
quipements et les outils de lentreprise. Chaque fois quun quipement ou quun outil
arrive au centre, on y attribue une priorit en fonction de lurgence du besoin. Le taux
de demandes de rparations peut tre tabli avec une distribution de Poisson. Les taux
darrive sont :
1
= 2 lheure,
2
= 2 lheure, et
3
= 1 lheure. Le taux de service
est de un quipement ou outil lheure par rparateur et il y a six rparateurs dans le
centre de maintenance. Dterminez les mesures de performance suivantes :
a) Le taux dutilisation du systme.
Pour chaque catgorie de priorit, dterminez :
b) Le temps moyen dattente pour la rparation.
c) Le temps moyen pass dans le systme pour chaque quipement ou outil.
d) Le nombre moyen dquipements ou doutils en attente dtre rpars.
=
k
= 2 + 2 + 1 = 5 lheure
M = 6 serveurs
= 1 client lheure
a) =

=
5
= 0,833
M 6(1)
b) Valeurs intermdiaires pour
=
5
= 5; partir du tableau 19.4, n
l
= 2,938
1
A =
5
= 10,19
(1 0,833)2,938
la classe 2, et ainsi de suite. ce point, si un client de la classe 1 ou 2 se prsente, on
le placera devant le premier client de la classe 3. Si un client de la classe 4 se prsente,
il sera plac la fin de la file, juste aprs le seul client de la classe 4. Il est vident que
les clients dont la priorit est la moins leve pourraient attendre assez longtemps,
ce qui serait intolrable. Dans ce cas, on leur attribue une priorit plus leve. Le
tableau 19.5 donne les formules permettant de calculer les principales mesures de
performance de ce modle.
TABLEAU 19.5
avec rgles de priorit
multiples
Mesure de performance
Taux dutilisation
Mesures intermdiaires
(nl dterminer partir du
tableau 19.4)
Temps moyen dattente en file
pour les clients de la classe k
(priorit k)
Temps moyen dattente dans
le systme pour les clients de
la classe k (priorit k)
Nombre moyen de clients de
la classe k (priorit k) qui
attendent en file
B
k
= 1
k
c = 1

M
Rfrence
(19-15)
(19-16)
(19-17)
(19-18)
(19-19)
(19-20)
Exemple 8
Solution
Formule
=
M
A =
(1 )nl
(B0 = 1)
tk =
1
A
*
Bk 1
*
Bk
ts = tk +
1
nk = k
*
tk
B
0
= 1
B
1
= 1
2
=
2
= 0,667
6(1) 3
B
2
= 1
2 + 2
=
1
= 0,333
6(1) 3
B
3
= 1
2 + 2 + 1
=
1
= 0,167
6(1) 6
t
1
=
1
=
1
= 0,147 heure
A
*
B
0
*
B
1
10,19(1)(0,667)
t
2
=
1
=
1
= 0,442 heure
A
*
B
1
*
B
2
10,19(0,667)(0,333)
t
3
=
1
=
1
= 1,765 heure
A
*
B
2
*
B
3
10,19(0,333)(0,167)
c) Temps moyen dans le systme = t
s
= t
k
+
1
; dans ce cas-ci,
1
=
1
= 1
1
Catgorie ts = tk + 1
1 0,147 + 1 = 1,147
2 0,442 + 1 = 1,442
3 1,765 + 1 = 2,765
d) Le nombre moyen dunits qui attendent dtre rpares :
Catgorie k tk = nk
1 2(0,147) = 0,294
2 2(0,442) = 0,884
3 1(1,765) = 1,765
La solution de lexemple 8 tablie avec le tableur Excel est prsente ci-dessous :
Si les gestionnaires jugent trop longs les temps dattente calculs dans lexemple 8 (par
exemple le temps moyen dattente de 0,147 heure, soit environ 9 minutes pour les
quipements de priorit 1), ils peuvent choisir dautres options. Lune delles serait
daugmenter le nombre de serveurs. Une autre option serait dessayer daugmenter le
taux de service, par exemple en introduisant de nouvelles mthodes de travail. Si
toutes ces tentatives savrent infructueuses, ils devraient revoir lattribution de lordre
de priorit et ramener certaines demandes de rparation de la classe de priorit 1 la
classe infrieure. Cela aura pour effet de diminuer le temps moyen dattente de la
classe de priorit 1, tout simplement parce que le taux darrive aura diminu.
Lexemple 9 illustre des rsultats intressants concernant cette approche. On cons-
tate que la rduction du taux darrive de la classe suprieure grce lattribution
dune cote de priorit infrieure certains clients a pour consquence de rduire le
temps moyen dattente de cette classe. On constate aussi que le temps moyen dattente
de la classe infrieure a diminu, mme si on a augment le nombre de clients de cette
classe. Notez que le temps total dattente (quand toutes les arrives sont prises en con-
sidration) restera inchang. On peut le vrifier en comparant le nombre moyen de
clients qui attendent (exemple 8d) : 0,294 + 0,884 + 1,765 = 2,943) avec le nombre
dunits en attente dans les trois classes, qui est ( partir des temps moyens dattente
de chaque classe de lexemple 9) :
k
*
t
k
= 1,5(0,131) + 2,5(0,393) + 1,0 (1,765) = 2,944
Les totaux sont pratiquement identiques, part une diffrence ngligeable due aux
nombres arrondis.
On peut faire une autre observation intressante : le temps moyen dattente des
clients de la troisime classe na pas chang par rapport lexemple prcdent. Par con-
squent, les units ayant priorit la plus faible vont toujours tre en comptition avec
le taux darrive combin de 4 des deux autres classes suprieures.
Aprs avoir analys les besoins de ses clients internes, le directeur de la logistique
voudrait maintenant rviser la liste des outils classs dans la catgorie ayant la priorit
la plus leve. Ce besoin se traduit par la rvision des taux darrive. Les nouveaux taux
sont :
1
= 1,5;
2
= 2,5;
3
reste inchang, gal 1. Dterminez les mesures de perfor-
mance suivantes :
b) Le temps moyen dattente pour chacune des classes.
=
k
= 1,5 + 2,5 + 1 = 5 lheure
M = 6 serveurs
= 1 client lheure
Notez que ces valeurs sont les mmes que celles de lexemple prcdent.
a)
=

=
5
= 0,833, le mme que dans lexemple prcdent.
M 6(1)
b) La valeur de A est la mme que dans lexemple prcdent, puisquelle dpend de
M, et ; donc A = 10,19.
B
0
= 1 (toujours)
B
1
= 1
1,5
= 0,75
6(1)
B
2
= 1 1,5 +
2,5
= 0,333
6(1)
B
3
= 1 1,5 + 2,5 +
1,0
= 0,167
6(1)
3
k = 1
Exemple 9
Solution
Alors
t
1
=
1
= 0,131 heure
10,19(1)(0,75)
t
2
=
1
= 0,393 heure
10,19(0,75)(0,333)
t
3
=
1
= 1,765 heure
10,19(0,333)(0,167)
Description Formule Rfrence
Facteur de service X =
T
(19-21)
(T + U)
Nombre moyen
de clients en attente
L = N(1 F) (19-22)
t =
L (T + U)
Temps moyen dattente
(N L)
(19-23)
=
T (1 F)
XF
Nombre moyen
de clients servis ou J = NF(1 X) (19-24)
qui nattendent pas
Nombre moyen
de clients servis
H = FNX (19-25)
Taille de la population N = J + L + H (19-26)
TABLEAU 19.6
Formules et notation pour
le modle de files dattente
avec population finie
Notation
D = Probabilit quun client potentiel attende en file
F = Facteur defficience: 1 pourcentage dattente
en file
H = Nombre moyen de clients en train dtre servis
J = Nombre moyen de clients qui ne sont pas en file ou
en train dtre servis
L = Nombre moyen de clients qui attendent dtre servis
M = Nombre de serveurs
N = Nombre de clients potentiels
T = Temps moyen de service
U = Temps moyen entre chaque demande de service
t = Temps moyen dattente en file
X = Facteur de service
J L H
U t T
Clients qui nattendent
pas ou qui ont t servis
Attente
En train
dtre servis
Nombre moyen
Temps moyen
Cycle
J + H
J + L + H
F =
*
*Le but de cette formule est de permettre de mieux comprendre F. Puisque la valeur de F est requise
pour calculer J, L et H, les formules ne peuvent tre utilises pour calculer F. Les tableaux conus
pour les files dattente avec population finie doivent tre utiliss cette fin.
19.6.2 Modle avec population finie
Ce modle sapplique lorsque le nombre de clients potentiels est limit et relativement
petit. Par exemple, dans lindustrie de laviation, les compagnies ariennes font
inspecter leurs avions dans leur centre de maintenance. Ce centre ninspecte que les
avions appartenant la compagnie arienne. De la mme manire, un employ peut
avoir la charge dun nombre limit de clients ; ceux qui lui sont attribus proviennent
donc dune population finie. Cependant, il peut y avoir plus dun serveur. Si lemploy
est dbord de travail, on affecte quelquun pour laider.
Adapt de louvrage de L. G. Peck et R. N. Hazelwood, Finite Queuing Tables, New York, John Wiley & Sons, 1958.
Reproduit avec autorisation.
Comme dans le cas des modles avec population infinie, les processus darrive et
de service doivent respectivement suivre une distribution de Poisson et une distribu-
tion exponentielle. Il existe toutefois une diffrence majeure. Dans le cas dune popu-
lation finie, le taux darrive est affect par le nombre de clients qui attendent en file.
Il diminue mesure que le nombre de clients en attente augmente, tout simplement
parce que si le nombre de clients en file augmente, la proportion de clients suscepti-
bles de se prsenter va diminuer, la majorit des clients tant en train dattendre.
Lorsque tous les clients (toute la population) sont en train dattendre, le taux darrive
est forcment nul.
Pour analyser les systmes de files dattente avec population finie, on utilise une
liste de formules cls et de dfinitions (tableau 19.6). Le graphique reprsentant un
cycle a t ajout pour une meilleure comprhension du modle. Le tableau 19.7 est
un tableau non exhaustif que lon utilise pour dterminer les valeurs de D et F (la plu-
part des formules ncessitent la connaissance de F). Pour sen servir, suivre la proc-
dure suivante :
1. Noter les valeurs de :
a) N, la taille de la population;
b) M, le nombre de serveurs ;
c) T, le temps moyen de service ;
d) U, le temps moyen entre chaque service.
2. Calculer le facteur de service X =
T
.
(T + U)
3. Localiser N sur le tableau.
4. En utilisant la valeur de X comme point de repre, dterminer les valeurs de D et
de F qui correspondent M.
5. En utilisant les valeurs de N, M, X, D et F, dterminer les mesures de performance
dsires.
TABLEAU 19.7
Modle avec population
finie (valeurs de X, M, N,
D, F)
Population 5
0,012 1 0,048 0,999
0,019 1 0,076 0,998
00,25 1 0,100 0,997
00,30 1 0,120 0,996
00,34 1 0,135 0,995
00,36 1 0,143 0,994
00,40 1 0,159 0,993
0,042 1 0,167 0,992
0,044 1 0,175 0,991
0,046 1 0,183 0,990
0,050 1 0,198 0,989
0,052 1 0,206 0,988
0,054 1 0,214 0,987
0,056 2 0,018 0,999
1 0,222 0,985
0,058 2 0,019 0,999
1 0,229 0,984
0,060 2 0,020 0,999
1 0,237 0,983
0,062 2 0,022 0,999
1 0,245 0,982
0,064 2 0,023 0,999
1 0,253 0,981
0,066 2 0,024 0,999
1 0,260 0,979
0,068 2 0,026 0,999
1 0,268 0,978
0,070 2 0,027 0,999
1 0,275 0,977
0,075 2 0,031 0,999
1 0,294 0,973
0,080 2 0,035 0,998
1 0,313 0,969
0,085 2 0,040 0,998
1 0,332 0,965
0,090 2 0,044 0,998
1 0,350 0,960
0,095 2 0,049 0,997
1 0,368 0,955
0,100 2 0,054 0,997
1 0,386 0,950
0,105 2 0,059 0,997
1 0,404 0,945
0,110 2 0,065 0,996
1 0,421 0,939
0,115 2 0,017 0,995
1 0,439 0,933
0,120 2 0,076 0,995
1 0,456 0,927
0,125 2 0,082 0,994
1 0,473 0,920
0,130 2 0,089 0,933
1 0,489 0,914
0,135 2 0,095 0,933
1 0,505 0,907
0,140 2 0,102 0,992
1 0,521 0,900
0,145 3 0,011 0,999
2 0,109 0,991
1 0,537 0,892
0,150 3 0,012 0,999
2 0,115 0,990
1 0,553 0,885
0,155 3 0,013 0,999
2 0,123 0,989
1 0,568 0,877
0,160 3 0,015 0,999
X M D F X M D F X M D F X M D F
2 0,130 0,988
1 0,582 0,869
0,165 3 0,016 0,999
2 0,137 0,987
1 0,597 0,861
0,170 3 0,017 0,999
2 0,145 0,985
1 0,611 0,853
0,180 3 0,021 0,999
2 0,161 0,983
1 0,683 0,836
0,190 3 0,024 0,998
2 0,117 0,980
1 0,665 0,819
0,200 3 0,028 0,998
2 0,194 0,976
1 0,689 0,801
0,210 3 0,032 0,998
2 0,211 0,973
1 0,713 0,783
0,220 3 0,036 0,997
2 0,229 0,969
1 0,735 0,765
0,230 3 0,041 0,997
2 0,247 0,965
1 0,756 0,747
0,240 3 0,046 0,996
2 0,265 0,960
1 0,775 0,730
0,250 3 0,052 0,995
2 0,284 0,955
1 0,794 0,712
0,260 3 0,058 0,994
2 0,303 0,950
1 0,811 0,695
0,270 3 0,064 0,994
2 0,323 0,944
1 0,827 0,677
0,280 3 0,071 0,993
2 0,342 0,938
1 0,842 0,661
0,290 4 0,007 0,999
3 0,079 0,992
2 0,362 0,932
1 0,856 0,644
0,300 4 0,008 0,999
3 0,086 0,990
2 0,382 0,926
1 0,869 0,628
0,310 4 0,009 0,999
3 0,094 0,989
2 0,402 0,919
1 0,881 0,613
0,320 4 0,010 0,999
3 0,103 0,988
2 0,422 0,912
1 0,892 0,597
0,330 4 0,012 0,999
3 0,112 0,986
2 0,442 0,904
1 0,902 0,583
0,340 4 0,013 0,999
3 0,121 0,985
2 0,462 0,896
1 0,911 0,569
0,360 4 0,017 0,998
3 0,141 0,981
2 0,501 0,880
1 0,927 0,542
0,380 4 0,021 0,998
3 0,163 0,976
2 0,540 0,863
1 0,941 0,516
0,400 4 0,026 0,997
3 0,186 0,972
2 0,579 0,845
1 0,952 0,493
0,420 4 0,031 0,997
3 0,211 0,966
2 0,616 0,826
1 0,961 0,471
0,440 4 0,037 0,996
3 0,238 0,960
2 0,652 0,807
1 0,969 0,451
0,460 4 0,045 0,995
3 0,266 0,953
2 0,686 0,787
1 0,975 0,432
0,480 4 0,053 0,994
3 0,296 0,945
2 0,719 0,767
1 0,980 0,415
0,500 4 0,063 0,992
3 0,327 0,936
2 0,750 0,748
1 0,985 0,399
0,520 4 0,073 0,991
3 0,359 0,927
2 0,779 0,728
1 0,988 0,384
0,540 4 0,085 0,989
3 0,392 0,917
2 0,806 0,708
1 0,991 0,370
0,560 4 0,098 0,986
3 0,426 0,906
2 0,831 0,689
1 0,993 0,357
0,580 4 0,113 0,984
3 0,461 0,895
2 0,854 0,670
1 0,994 0,345
0,600 4 0,130 0,981
3 0,497 0,883
2 0,875 0,652
1 0,996 0,333
0,650 4 0,179 0,972
3 0,588 0,850
2 0,918 0,608
1 0,998 0,308
0,700 4 0,240 0,960
3 0,678 0,815
2 0,950 0,568
1 0,999 0,286
0,750 4 0,316 0,944
3 0,763 0,777
2 0,972 0,532
0,800 4 0,410 0,924
3 0,841 0,739
2 0,987 0,500
0,850 4 0,522 0,900
3 0,907 0,702
2 0,995 0,470
0,900 4 0,656 0,871
3 0,957 0,666
2 0,998 0,444
0,950 4 0,815 0,838
3 0,989 0,631
Population 10
0,016 1 0,144 0,997
0,019 1 0,170 0,996
0,021 1 0,188 0,995
0,023 1 0,206 0,994
0,025 1 0,224 0,993
0,026 1 0,232 0,992
0,028 1 0,250 0,991
0,030 1 0,268 0,990
0,032 2 0,033 0,999
1 0,285 0,988
0,034 2 0,037 0,999
1 0,301 0,986
0,036 2 0,041 0,999
1 0,320 0,984
0,038 2 0,046 0,999
1 0,337 0,982
0,040 2 0,050 0,999
1 0,354 0,980
0,042 2 0,055 0,999
1 0,371 0,978
0,044 2 0,060 0,998
1 0,388 0,975
0,046 2 0,065 0,998
1 0,404 0,973
TABLEAU 19.7
(suite)
0,048 2 0,071 0,998
1 0,421 0,970
0,050 2 0,076 0,998
1 0,437 0,967
0,052 2 0,082 0,997
1 0,454 0,963
0,054 2 0,088 0,997
1 0,470 0,960
0,056 2 0,094 0,997
1 0,486 0,956
0,058 2 0,100 0,996
1 0,501 0,953
0,060 2 0,106 0,996
1 0,517 0,949
0,062 2 0,113 0,996
1 0,532 0,945
0,064 2 0,119 0,995
1 0,547 0,940
0,066 2 0,126 0,995
1 0,562 0,936
0,068 3 0,020 0,999
2 0,133 0,994
1 0,577 0,931
0,070 3 0,022 0,999
2 0,140 0,994
1 0,591 0,926
0,075 3 0,026 0,999
2 0,158 0,992
1 0,627 0,913
0,080 3 0,031 0,999
2 0,177 0,990
1 0,660 0,899
0,085 3 0,037 0,999
2 0,196 0,988
1 0,692 0,883
0,090 3 0,043 0,998
2 0,216 0,986
1 0,722 0,867
0,095 3 0,049 0,998
2 0,237 0,984
1 0,750 0,850
0,100 3 0,056 0,998
2 0,258 0,981
1 0,776 0,832
0,105 3 0,064 0,997
2 0,279 0,978
1 0,800 0,814
0,110 3 0,072 0,997
2 0,301 0,974
1 0,822 0,795
0,115 3 0,081 0,996
2 0,324 0,971
1 0,843 0,776
0,120 4 0,016 0,999
3 0,090 0,995
2 0,346 0,967
1 0,861 0,756
0,125 4 0,019 0,999
3 0,100 0,994
2 0,369 0,962
1 0,878 0,737
0,130 4 0,022 0,999
3 0,110 0,994
2 0,392 0,958
1 0,893 0,718
0,135 4 0,025 0,999
3 0,121 0,993
2 0,415 0,952
1 0,907 0,699
0,140 4 0,028 0,999
3 0,132 0,991
2 0,437 0,947
1 0,919 0,680
0,145 4 0,032 0,999
3 0,144 0,990
2 0,460 0,941
1 0,929 0,662
0,150 4 0,036 0,998
3 0,156 0,989
2 0,483 0,935
1 0,939 0,644
0,155 4 0,040 0,998
3 0,169 0,987
2 0,505 0,928
1 0,947 0,627
0,160 4 0,044 0,998
3 0,182 0,986
2 0,528 0,921
1 0,954 0,610
0,165 4 0,049 0,997
3 0,195 0,984
2 0,550 0,914
1 0,961 0,594
0,170 4 0,054 0,997
3 0,209 0,982
2 0,571 0,906
1 0,966 0,579
0,180 5 0,013 0,999
4 0,066 0,996
3 0,238 0,978
2 0,614 0,890
1 0,975 0,890
0,190 5 0,016 0,999
4 0,078 0,995
3 0,269 0,973
2 0,654 0,873
1 0,982 0,522
0,200 5 0,020 0,999
4 0,092 0,994
3 0,300 0,968
2 0,692 0,854
1 0,987 0,497
0,210 5 0,025 0,999
4 0,108 0,992
3 0,333 0,961
2 0,728 0,835
1 0,990 0,474
0,220 5 0,030 0,998
4 0,124 0,990
3 0,366 0,954
2 0,761 0,815
1 0,993 0,453
0,230 5 0,037 0,998
4 0,142 0,988
3 0,400 0,947
2 0,791 0,794
1 0,995 0,434
0,240 5 0,044 0,997
4 0,162 0,986
3 0,434 0,938
2 0,819 0,774
1 0,996 0,416
0,250 6 0,010 0,999
5 0,052 0,997
4 0,183 0,983
3 0,469 0,929
2 0,844 0,753
1 0,997 0,400
0,260 6 0,013 0,999
5 0,060 0,996
4 0,205 0,980
3 0,503 0,919
2 0,866 0,732
1 0,998 0,384
0,270 6 0,015 0,999
5 0,070 0,995
4 0,228 0,976
3 0,537 0,908
2 0,886 0,712
1 0,999 0,370
0,280 6 0,018 0,999
5 0,081 0,994
4 0,252 0,972
3 0,571 0,896
2 0,903 0,692
1 0,999 0,357
0,290 6 0,022 0,999
5 0,093 0,993
4 0,278 0,968
3 0,603 0,884
2 0,918 0,672
1 0,999 0,345
0,300 6 0,026 0,998
5 0,106 0,991
TABLEAU 19.7
(suite)
4 0,304 0,963
3 0,635 0,872
2 0,932 0,653
1 0,999 0,333
0,310 6 0,031 0,998
5 0,120 0,990
4 0,331 0,957
3 0,666 0,858
2 0,943 0,635
0,320 6 0,036 0,998
5 0,135 0,988
4 0,359 0,952
3 0,695 0,845
2 0,952 0,617
0,330 6 0,042 0,997
5 0,151 0,986
4 0,387 0,945
3 0,723 0,831
2 0,961 0,600
0,340 7 0,010 0,999
6 0,049 0,997
5 0,168 0,983
4 0,416 0,938
3 0,750 0,816
2 0,968 0,584
0,360 7 0,014 0,999
6 0,064 0,995
5 0,205 0,978
4 0,474 0,923
3 0,798 0,787
2 0,978 0,553
0,380 7 0,019 0,999
6 0,083 0,993
5 0,247 0,971
4 0,533 0,906
3 0,840 0,758
2 0,986 0,525
0,400 7 0,026 0,998
6 0,105 0,991
5 0,292 0,963
4 0,591 0,887
3 0,875 0,728
2 0,991 0,499
0,420 7 0,034 0,993
6 0,130 0,987
5 0,341 0,954
4 0,646 0,866
3 0,905 0,700
2 0,994 0,476
0,440 7 0,045 0,997
6 0,160 0,984
5 0,392 0,943
4 0,698 0,845
3 0,928 0,672
2 0,996 0,454
0,460 8 0,011 0,999
7 0,058 0,995
6 0,193 0,979
5 0,445 0,930
4 0,747 0,822
3 0,947 0,646
2 0,998 0,435
0,480 8 0,015 0,999
7 0,074 0,994
6 0,230 0,973
5 0,499 0,916
4 0,791 0,799
3 0,961 0,621
2 0,998 0,417
0,500 8 0,020 0,999
7 0,093 0,992
6 0,271 0,966
5 0,553 0,901
4 0,830 0,775
3 0,972 0,598
2 0,999 0,400
0,520 8 0,026 0,998
7 0,115 0,989
6 0,316 0,958
5 0,606 0,884
4 0,864 0,752
3 0,980 0,575
2 0,999 0,385
0,540 8 0,034 0,997
7 0,141 0,986
6 0,363 0,949
5 0,658 0,867
4 0,893 0,729
3 0,986 0,555
0,560 8 0,044 0,996
7 0,171 0,982
6 0,413 0,939
5 0,707 0,848
4 0,917 0,706
3 0,991 0,535
0,580 8 0,057 0,995
7 0,204 0,977
6 0,465 0,927
5 0,753 0,829
4 0,937 0,684
3 0,994 0,517
0,600 9 0,010 0,999
8 0,072 0,994
7 0,242 0,972
6 0,518 0,915
5 0,795 0,809
4 0,953 0,663
3 0,996 0,500
0,650 9 0,021 0,999
8 0,123 0,988
7 0,353 0,954
6 0,651 0,878
5 0,882 0,759
4 0,980 0,614
3 0,999 0,461
0,700 9 0,040 0,997
8 0,200 0,979
7 0,484 0,929
6 0,772 0,836
5 0,940 0,711
4 0,992 0,571
0,750 9 0,075 0,994
8 0,307 0,965
7 0,626 0,897
6 0,870 0,792
5 0,975 0,666
4 0,998 0,533
0,800 9 0,134 0,988
8 0,446 0,944
7 0,763 0,859
6 0,939 0,747
5 0,991 0,625
4 0,999 0,500
0,850 9 0,232 0,979
8 0,611 0,916
7 0,879 0,818
6 0,978 0,705
5 0,998 0,588
0,900 9 0,387 0,963
8 0,785 0,881
7 0,956 0,777
6 0,995 0,667
0,950 9 0,630 0,938
8 0,934 0,841
7 0,994 0,737
TABLEAU 19.7
(suite)
Source: L. G. Peck et R. N. Hazelwood, Finite Queuing Tables, New York, John Wiley & Sons, 1958. Reproduit avec autorisation.
Exemple 10
Solution
Exemple 11
Solution
Un oprateur est responsable du chargement et du dchargement de cinq machines.
Le temps de service est distribu, selon une loi exponentielle, raison de 10 minutes
en moyenne par machine et par cycle (un cycle correspond la priode de fonction-
nement de la machine + le temps dattente pour le service + le temps de service). Les
machines fonctionnent pendant 70 minutes en moyenne entre chaque chargement et
dchargement ; ce temps est aussi distribu selon une loi exponentielle. Dterminez :
a) Le nombre moyen de machines qui attendent loprateur.
b) Le nombre moyen de machines qui fonctionnent.
c) Le temps moyen darrt des machines.
d) La probabilit quune machine nattende pas pour le service.
N = 5
T = 10 minutes
M = 1
U = 70 minutes
X
T
=
10
= 0,125
T + U 10 + 70
partir du tableau 19.7, avec N = 5, M = 1, X = 0,125, D = 0,473 et F = 0,920:
a) Nombre moyen de machines en attente : L = N(1 F) = 5(1 0,920) = 0,40
machine
b) Nombre moyen de machines en marche : J = N F(1 X) = 5(0,92)(1 0,125) =
4,025 machines
c) Temps moyen darrt : temps moyen dattente + temps moyen de service
t =
L (T + U)
=
0,40(10 + 70)
= 6,957 minutes
N L 5 0,40
Temps moyen darrt = 6,957 minutes + 10 minutes = 16,957 minutes
d) Probabilit de ne pas attendre = 1 probabilit dattendre
= 1 D = 1 0,473 = 0,527
Supposez maintenant que les oprateurs sont pays 10 $ lheure et que 1 heure darrt
des machines cote lentreprise 16 $ par machine. Est-ce quon devrait rajouter un
oprateur, alors que lobjectif vis est la minimisation des cots ?
Comparez le cot total de la situation actuelle celle qui est propose.
M Nombre moyen Cot moyen Cot horaire Cot total
dunits inoccupes dinoccupation (oprateurs)
N J (N J) 16,00 $
1 0,975 15,60 $ 10,00 $ 25,60 $
2 0,651 10,42 $ 20,00 $ 30,42 $
Si le critre de choix est la minimisation du cot, il est prfrable de garder le systme
actuel, car il est moins coteux.
19.7 AUTRES APPROCHES DANALYSE
Dans ce chapitre, nous avons mis laccent sur la conception de systmes base sur le
cot de service et le cot dattente des clients. Cela implique que le gestionnaire peut
dterminer le niveau de service appropri (en termes de capacit). Mais dans certaines
situations, cette approche nest pas applicable, et ce, pour diverses raisons. Lune delles
est que le systme est dj en activit et que les changements suggrs ne sont pas rali-
sables parce quils sont trop coteux ou que lespace disponible est une contrainte
majeure. La solution est davoir recours une forme quelconque de distraction, de
telle sorte que lattente devienne plus tolrable pour les clients. Par exemple, des jour-
naux et des magazines peuvent tre mis la disposition des clients, comme cest le cas
chez les mdecins et les dentistes. Les garages ont install des radios, des tlvisions et
des machines caf dans leurs salles dattente ; les compagnies ariennes offrent des
repas et des boissons pour rendre les vols plus agrables, et projettent aussi des films
pour faire passer le temps plus vite .
Dautres mesures consistent mettre des miroirs prs des ascenseurs ou bien
demander aux clients de remplir des formulaires, ce qui rend lattente plus agrable.
De plus, lamnagement a aussi un effet sur la raction face lattente. Prenons
lexemple de la Socit de lassurance automobile du Qubec (SAAQ). Elle a dcid de
ne pas avoir recours de vraies files dattente : les clients qui viennent pour obtenir
divers services (renouvellement du permis de conduire, tests, etc.) sont tous assis. La
SAAQ met leur disposition des numros qui correspondent des services. Cela per-
met aux clients de constater que malgr le nombre lev de personnes prsentes, leur
attente sera minime, puisque quelle dpend du numro attribu.
Dans certaines situations, on peut tirer profit de lattente. Les supermarchs instal-
lent tout prs des caisses des articles qui sont gnralement achets de manire impul-
sive ; les banques affichent les taux dintrts et placent des brochures publicitaires
porte des clients ; les restaurants ont gnralement des bars o les clients peuvent con-
sommer en attendant dtre dirigs vers leur table.
En rsum, limagination et la crativit sont importantes pour quiconque veut
concevoir un systme et grer lattente de faon optimale. On ne devrait pas tenir
compte uniquement des approches mathmatiques.
Quelques recommandations pour grer les files dattente
3
:
Dterminer un temps dattente tolrable pour les clients. Combien de temps vos
clients peuventils attendre ? Fixez vos objectifs en fonction de ce qui est accep-
table.
Essayer de divertir les clients pendant lattente. Musique, caf, magazines, tlvision
sont autant de sources de distraction qui font patienter les clients.
Informer les clients de la dure de lattente. Ce point est particulirement important
lorsque lattente risque dtre longue. Expliquez aux clients pourquoi lattente est
anormalement longue, et ce que vous tes en train de faire pour y remdier.
loigner les employs visibles qui ne sont pas concerns par le service. Il ny a rien de
plus frustrant pour une personne qui attend en file que de voir un employ occup
faire autre chose que de venir rpondre aux clients qui attendent.
Segmenter la clientle. Si un groupe de clients peut tre servi rapidement, crez une
file dattente spciale pour ne pas les faire attendre plus que ncessaire.
Former et sensibiliser le personnel la gentillesse. En plus du sourire quotidien et de
laccueil chaleureux, et mme personnalis, le personnel doit tre capable daf-
fronter les situations difficiles et de ragir de manire dtendre latmosphre
lorsque les clients simpatientent.
Encourager les clients venir durant les priodes mortes. Informez les clients sur les
priodes moins achalandes. Le directeur dune succursale bancaire de ville Saint-
Laurent a propos ses clients gs de venir le mercredi, la journe la moins
charge, afin quil puisse leur consacrer plus de temps.
3. KATZ, K. L., B. M. LARSON et R. C. LARSON. Prescriptions for the Waiting-in-Line Blues :
Entertain, Enlighten and Engage , Sloan Management Review, vol. 32, n 2, hiver 1991, p. 44-53.
Avoir une vision long terme concernant la gestion de lattente. Mettez en place un
processus damlioration continue concernant la rduction de lattente.
Rflchissez sur les moyens dacclrer le processus de traitement des clients.
Automatisez lorsque cela est possible sans pour autant liminer le contact person-
nalis. On a toujours besoin dun peu dattention.
19.8 Conclusion
Lanalyse des files dattente peut tre un aspect important de la conception des systmes. Les
files dattente ont tendance se former, bien que, dun point de vue macro, les systmes ne
soient pas congestionns. Les arrives alatoires des clients combines la variabilit des temps
de service crent temporairement des congestions dans le systme, do la cration de files dat-
tente. Dans certains cas, il arrive galement que les serveurs soient inactifs.
Pour analyser des files dattente, il est important de dfinir si la population de clients poten-
tiels est infinie ou bien si elle se limite un nombre fini de clients. Il existe cinq modles de
base pour analyser les files dattente ; quatre pour une population infinie et un pour une popu-
lation finie. En gnral, les hypothses mises dans le cadre de ces modles sont que les taux
darrive des clients sont distribus selon une loi de Poisson, alors que les temps de service sui-
vent une loi exponentielle.
Terminologie
Discipline de la file dattente
Modle avec rgles de priorit
Population finie
Population infinie
Serveur
Temps inter-arrives
Thorie des files dattente
Problmes rsolus
Problme 1
Solution
Le directeur de la logistique voudrait dterminer le nombre de magasiniers affecter au maga-
sin nouvellement implant dans lusine qui fournit les ouvriers en outils et en pices. Les ma-
gasiniers reoivent un salaire de 9 $ lheure (incluant les avantages sociaux). Une heure de
travail dun ouvrier (gnralement des mcaniciens) est value 30 $, ce qui inclut les avan-
tages sociaux ainsi que le temps perdu attendre les outils ou les pices. Par exprience, le
directeur de la logistique estime que les demandes des ouvriers sont de lordre de 18 lheure,
alors que la capacit de service est de 20 demandes lheure par magasinier. Combien de maga-
siniers devrait-on affecter au magasin, si on suppose que les taux darrive et de service sont dis-
tribus selon une loi de Poisson? (Hypothse : le nombre douvriers qui se prsentent au
magasin est trs lev.)
= 18 lheure
= 20 lheure
On obtient la solution par essais et erreurs en calculant le cot total correspondant une
solution ralisable (cest--dire avec un taux dutilisation infrieur 100 %) et en choisissant la
solution comportant le cot total le plus faible. Notez que la courbe reprsentant le cot total
est en forme de U; on augmente donc le nombre de serveurs jusqu ce que cette augmenta-
tion donne une augmentation du cot total par rapport la solution prcdente. La solution
optimale sera la solution prcdente.
Le tableau ci-dessous rsume les calculs requis.
Nombre moyen
Nombre de de clients Cot Cot Cot total
serveurs dans le systme de service dattente (CT)
(M) nl*
ns = nl +
Cs = 9,00 $ M Ca = 30 $ ns par heure
1 8,1 8,1 + 0,9 = 9,00 9,00 $ 270,00 $ 279,00 $

2 0,229 0,229 + 0,9 = 1,129 18,00 $ 33,87 $ 52,00 $**
3 0,03 0,03 + 0,9 = 0,93 27,00 $ 27,90 $ 55,00 $**
*n
l
est dtermin partir du tableau 19.4, avec = / = 18/ 20 = 0,90.
** Valeurs arrondies.
Daprs les calculs, il faudra deux magasiniers.
C
o
t

t
o
t
a
l
0 1 2 3
Nombre de serveurs
279 $
52 $
55 $
Problme 2
Le tableau ci-dessous prsente les temps de service de trois oprations diffrentes :
Opration Temps de service
A 8 minutes
B 1,2 heure
C 2 jours
a) Dterminez les taux de service de chaque opration.
b) Est-ce que les taux seraient diffrents si les temps de service taient plutt des temps inter-
arrives ?
a) A = 1/ 8 par minute = 0,125 par minute ou 0,125/ min 60 min/ h = 7,5 lheure
B = 1/ 1,2 lheure = 0,833 lheure
C = 1/ 2 par jour = 0,50 par jour
b) Non, car dans les deux cas, il y a une quivalence entre le taux de service et le temps de ser-
vice (taux de service = 1/ temps de service).
Un groupe de 10 machines est charg et dcharg par 3 oprateurs. Les machines sont en
marche 6 minutes en moyenne par cycle, alors que le temps moyen requis pour charger et
dcharger est de 9 minutes. Les temps suivent une distribution exponentielle. Lorsque les
machines sont en marche, elles produisent un taux de 16 units lheure. Quel est le dbit
horaire moyen de chaque machine, quand lattente et le service sont pris en considration?
T = 9 minutes et U = 6 minutes, donc X =
T
=
9
= 0,60
T + U 9 + 6
N = 10 machines et M = 3 serveurs ; partir du tableau 19.7, F = 0,500
Le nombre moyen de machines en marche est :
J = NF(1 X) = 10(0,500)(0,40) = 2
On dtermine le pourcentage de machines en marche et on multiplie par le taux de pro-
duction pour trouver le dbit horaire de chaque machine.
J
(16 units lheure) =
2
(16 units lheure) = 3,2 units lheure
N 10
Solution
Problme 3
Solution
Questions de discussion et de rvision
1. Dans quelles situations lanalyse des files dattente est-elle approprie ?
2. Expliquez pourquoi des files dattente se forment mme si le systme nest pas congestion-
n.
3. numrez les principales mesures de performance utilises dans le cadre de lanalyse des
files dattente.
4. Quel est leffet de la rduction de la variabilit dans les processus darrive et de service sur
la capacit effective dun systme ?
5. Quelles sont les approches utilises par les supermarchs pour contrecarrer les variations du
trafic de la clientle ?
6. Expliquez la diffrence entre la population finie et la population infinie.
7. Est-ce que le fait de doubler le taux de service dans un systme de files dattente serveur
unique aura pour effet de rduire de moiti le temps moyen dattente en file ? Justifiez.
8. Expliquez la raison pour laquelle, dans les systmes de files dattente serveurs multiples
(par exemple dans les banques), on utilise une file dattente unique plutt que plusieurs
files dattente.
9. Dans un systme de file dattente variabilit leve, comment peut-on, du point de vue
du nombre de clients qui attendent en file, atteindre un pourcentage lev dutilisation de
la capacit ?
10. En une dizaine de lignes au maximum, expliquez votre directeur dusine, Gatan
Tremblay, les cots et les bnfices associs deux options possibles concernant linstalla-
tion dun magasin doutillage dans lusine. La premire option consiste installer un ma-
gasin central ; la deuxime, installer un magasin chaque extrmit de lusine
4
.
11. Expliquez votre responsable du service la clientle, M. Jean Dumalheur, pourquoi il
serait prfrable dutiliser un modle de files dattente avec rgles de priorit pour grer les
plaintes des clients
5
.
Problmes
1. Un service de maintenance de photocopieurs est sous la responsabilit dun rparateur. Le
temps de rparation, incluant le dplacement chez le client, est distribu selon une loi expo-
nentielle et est de deux heures en moyenne. Les statistiques indiquent que les appels de
demandes de service enregistrs sont au nombre de trois appels en moyenne par quart de
travail de huit heures (selon une distribution de Poisson). Dterminez :
a) Le nombre moyen de photocopieurs qui attendent dtre rpars.
b) Le taux dutilisation du systme.
c) Le temps pendant le quart de travail o le rparateur ne travaille pas.
d) La probabilit quil y ait deux photocopieurs ou plus dans le systme.
2. Le processus de prparation du caf dans une machine automatique prend 30 secondes par
tasse. Les clients se prsentent devant la machine un rythme de 80 lheure, selon un
processus de Poisson.
Dterminez :
a) Le nombre moyen de clients en attente devant la machine.
b) Le temps moyen que passent les clients dans le systme.
c) Le nombre moyen de clients dans le systme.
3. Les guichets automatiques sont, de nos jours, de plus en plus utiliss par les clients, surtout
depuis que les banques ont rduit leurs heures douverture. En dbut de soire, lt, les
clients se prsentent au guichet automatique dune des succursales de louest de lle de
Montral au taux moyen de un client toutes les deux minutes (selon la loi de Poisson). Les
transactions durent en moyenne 90 secondes. Ce temps tant distribu selon une loi expo-
nentielle, dterminez :
4. Voir la solution dans louvrage de BOURENANE, H. et W. STEVENSON. Guide de ltudiant,
Montral, Chenelire/McGraw-Hill, 2001.
5. Ibid.
a) Le temps moyen que passent les clients dans le systme.
b) La probabilit quun client potentiel nait pas attendre lorsquil se prsente au guichet
automatique.
c) Le temps moyen dattente des clients devant le guichet automatique.
4. Le service ambulancier de la Cit de la Sant de Laval dispose de deux ambulances. Les
demandes dambulances, pendant les fins de semaines, arrivent un rythme moyen de 0,8
appel lheure et peuvent tre prvues grce une distribution de Poisson. La dure
moyenne des secours, incluant le dplacement, est denviron une heure par appel. Le temps
dassistance et de dplacement tant distribu selon une loi exponentielle, dterminez :
b) Le nombre moyen de clients qui attendent.
c) Le temps moyen dattente des clients pour lambulance.
d) La probabilit que les deux ambulances soient occupes lors dun appel.
5. Les informations fournies dans le tableau ci-dessous concernent les appels tlphoniques
adresss au standard dun motel pendant la journe du mardi.
Priode Taux darrive Taux de service Nombre
(appels/minute) (appels/minute/ de tlphonistes
tlphoniste)
Matin 1,8 1,5 2
Aprs-midi 2,2 1,0 3
Soir 1,4 0,7 3
Pour chacune des priodes :
a) Dterminez le temps moyen pass par les clients attendre une rponse et la probabi-
lit quun client potentiel attende.
b) Dterminez la longueur maximale de la file dattente qui ne sera pas dpasse 96 % du
temps.
6. Des camionneurs se prsentent un poste de pese pour le contrle de la charge totale, afin
de vrifier sils respectent la rglementation en vigueur. Les camions arrivent entre 7 h et
21 h, selon un processus de Poisson, un taux de 40 lheure. Deux inspecteurs soccu-
pent du contrle de la charge, chacun ayant la capacit dinspecter 25 camions lheure.
Le taux dinspection est prsum suivre un processus de Poisson.
a) Combien de camions peut-on sattendre voir en moyenne au poste de pese, incluant
ceux qui sont en train dtre inspects ?
b) Si un camion vient juste darriver au poste de pese, quel temps moyen devra-t-il pas-
ser au poste de pese ?
c) Quelle est la probabilit que les inspecteurs soient tous deux occups en mme temps ?
d) Combien de minutes un camionneur devra-t-il attendre en moyenne avant dtre servi ?
e) Que se passerait-il sil y avait un seul inspecteur ?
f ) Quelle est la longueur maximale de la file dattente, si la probabilit quelle ne soit pas
dpasse est de 0,97?
7. La directrice dun centre de distribution doit dcider du nombre de quais de chargement
mettre en place dans une nouvelle installation. Son critre pour la prise de dcision est de
minimiser le cot total engendr par le cot dattente des camions et le cot associ aux
quais. Les cots relis au duo camion-chauffeur sont estims 300 $ par jour, alors que les
cots dexploitation associs chaque quai, incluant les manutentionnaires, sont estims
1100 $ par jour.
a) Combien de quais devrait-on installer si les camions arrivent, selon un processus de
Poisson, au taux moyen de quatre camions par jour et que chaque quai a la capacit
daccueillir cinq camions par jour, selon une distribution de Poisson?
b) Un employ a propos dajouter un nouvel quipement qui permettrait daugmenter le
taux de chargement 5,71 camions par jour. Lquipement coterait 100 $ par quai
pour chaque jour dexploitation. Les responsables devraient-ils accepter la proposition?
8. Le service des pices dun important concessionnaire automobile de la rive nord de
Montral a un comptoir rserv aux mcaniciens du service la clientle. Le temps coul
entre chaque demande de pices est distribu selon une loi exponentielle : il est, en
moyenne, de 5 minutes. Le magasinier peut servir en moyenne 15 mcaniciens lheure ;
le taux de service suit une loi de Poisson et on suppose quil y a deux magasiniers en
service.
a) Combien trouve-t-on de mcaniciens en moyenne devant le comptoir, y compris ceux
que lon est en train de servir ?
b) Quelle est la probabilit quun mcanicien attende avant dtre servi ?
c) Quel est le temps moyen dattente des mcaniciens ?
d) Quel est le pourcentage dinactivit des magasiniers ?
e) Quel nombre optimal de magasiniers en service devrait-on avoir, pour minimiser le
cot total, si un mcanicien revient 30 $ lheure, alors quun magasinier cote 20 $
lheure ?
9. Un reprsentant du service la clientle dune petite entreprise dinformatique est respon-
sable de cinq clients. Ceux-ci demandent de laide en moyenne tous les quatre jours
ouvrables. On peut estimer que la demande suit une loi de Poisson. Le reprsentant peut
rpondre en moyenne un appel par jour. Dterminez :
a) Le nombre moyen de clients qui attendent dtre servis.
b) Le temps dattente des clients entre le moment o ils appellent pour le service et le
moment o le service a t rendu.
c) Le pourcentage du temps o le reprsentant est inoccup.
d) De combien la rponse obtenue en a) serait-elle rduite si on dcidait dengager deux
reprsentants pour les mmes clients ?
10. Deux oprateurs sont responsables du rglage de 10 machines. Le temps de rglage des
machines est distribu selon une loi exponentielle : il est en moyenne de 14 minutes par
machine. Les machines fonctionnent pendant en moyenne 86 minutes avant davoir besoin
dun rglage. Chaque machine en marche a la capacit de produire 50 pices lheure.
Dterminez :
a) La probabilit quune machine attende un rglage.
b) Le nombre moyen de machines qui attendent un rglage.
c) Le nombre moyen de machines qui sont en train dtre rgles.
d) La production moyenne de chaque machine en tenant compte du rglage.
e) Quel doit tre le nombre optimal doprateurs, si le temps mort des machines cote
70$ lheure par machine et que le cot dun oprateur, incluant le salaire et les avan-
tages sociaux, est de 15 $ lheure ?
11. Un oprateur est responsable de la maintenance de cinq machines. Les temps de fonction-
nement des machines et de maintenance suivent tous deux une distribution exponentielle.
Les machines fonctionnent pendant 90 minutes avant de ncessiter une intervention de
loprateur, et le temps dintervention est, en moyenne, de 35 minutes. Loprateur cote
20 $ lheure, incluant le salaire et les avantages sociaux, et le temps mort des machines
cote 70 $ lheure par machine.
a) Si la production de chaque machine en marche est de 60 pices lheure, dterminez
la production horaire de chaque machine en tenant compte des attentes pour la main-
tenance et du temps pass lentretien.
b) Dterminez le nombre optimal doprateurs.
12. Un service de fraisage est constitu de 10 machines. Chaque machine fonctionne en
moyenne huit heures avant davoir besoin dun rglage. Celui-ci prend en moyenne deux
heures. Les machines en marche ont la capacit de produire 40 pices lheure chacune.
a) Quelle est la production horaire moyenne par machine, lorsquil y a un seul oprateur
qui soccupe du rglage au service de fraisage ?
b) Quelle est la configuration optimale des oprateurs affects au rglage, si le cot horaire
des temps morts est de 80 $, alors que le cot associ loprateur en fonction est de
30 $ lheure ?
13. Des camions arrivent au quai de chargement dun grossiste en fruits et lgumes raison de
1,2 camion lheure. Une quipe de 2 employs soccupe du chargement qui prend, en
moyenne, 30 minutes. Le salaire des employs est de 10 $ lheure, incluant les avantages
sociaux, alors que le cot associ aux chauffeurs et aux camions en attente est estim 60$
lheure. Le responsable de la logistique envisage dajouter un employ lquipe. Le taux
de service est estim 2,4 camions lheure. On suppose que les deux taux suivent approxi-
mativement la loi de Poisson.
a) Est-il conomique dajouter un employ lquipe ?
b) Est-ce quun quatrime employ serait ncessaire, si le taux de service tait de
2,6camions lheure ?
BUFFA, Elwood. Operations Management, 3
e
dition, New York, John Wiley & Sons, 1972.
FRITZSIMMONS, James A. et Mona J. FRITZSIMMONS. Service management : Operations,
Strategy and Information Technology, 3
e
dition, New York, Irwin/McGraw-Hill, 2001.
GRIFFIN, W. Queuing : Basic Theory and Applications, Columbus, Ohio, Grid Publishing,
1978.
HILLIER, Frederick S., Mark S. HILLIER et Gerald J. LIEBERMAN. Introduction to
Management Science : A Modeling and Case Studies Approach with Spreadsheets, New York,
Irwin/McGraw-Hill, 2000.
14. Les clients qui arrivent un centre de services sont classs selon trois catgories de priorit,
la catgorie n
o
1 tant la plus leve. Les statistiques indiquent quil arrive en moyenne neuf
clients lheure, dont un tiers est attribu chacune des trois catgories. Il y a deux pr-
poss au centre de services et chacun peut servir en moyenne cinq clients lheure. Les
processus darrive et de service sont distribus selon une loi de Poisson.
a) Quel est le taux dutilisation du systme ?
b) Dterminez le temps moyen dattente des clients de chacune des catgories.
c) Dterminez le nombre moyen de clients qui attendent dtre servis dans chacune des
catgories.
15. Le traitement des clients arrivant dans un centre de services se fait en fonction de leur
appartenance lune des deux catgories. Celle qui a la priorit la plus leve a un taux
moyen darrive de quatre clients lheure, alors que lautre a un taux moyen de deux
clients lheure. Les deux processus darrive sont distribus selon une loi de Poisson. Le
centre de services est constitu de deux serveurs ayant la capacit de traiter les clients en
un temps moyen de six minutes. Les temps de service sont distribus selon une loi
exponentielle.
b) Dterminez le temps moyen dattente des clients de chacune des classes.
c) Dterminez le nombre moyen de clients qui attendent dtre servis dans chacune des
catgories.
16. Un systme de file dattente utilise quatre catgories pour dterminer lordre de traitement
des clients. Les taux moyens darrive (selon un processus de Poisson) pour chacune des
catgories sont donns dans le tableau ci-dessous :
Catgories 1 2 3 4
Taux moyen 2 4 3 2
Le service est assur par cinq serveurs ayant chacun la capacit de traiter en moyenne
trois clients lheure (selon une distribution exponentielle).
b) Quel est le temps moyen dattente pour le service dans chacune des catgories ? Quel
est le nombre moyen de clients en attente dans chacune des catgories ?
c) Si on rduisait le taux darrive de la deuxime catgorie trois clients en moyenne, en
rorientant certains clients de la deuxime catgorie vers la troisime, quel serait leffet
sur le rsultat de la question b) ?
17. Rpondez aux questions du problme n
o
16 en prenant en considration le fait que chaque
serveur peut traiter en moyenne quatre clients lheure plutt que trois. Expliquez
pourquoi limpact de la rattribution des clients la troisime catgorie est beaucoup moins
important que dans le cas du problme n
o
16.
18. Dans un centre dappels, les appels des clients arrivent (selon un processus de Poisson)
raison de 40 lheure en moyenne. Les personnes auxquelles on ne peut rpondre imm-
diatement sont mises en attente. Le systme en place ne peut mettre en attente quun maxi-
mum de huit personnes. Lorsque ce nombre est atteint, les clients potentiels entendent une
sonnerie indiquant que les agents du centre dappels sont occups. La communication avec
les clients dure en moyenne trois minutes et il y a actuellement trois agents en fonction. La
dure de la communication est distribue selon une loi exponentielle.
a) Quelle est la probabilit quun client potentiel tombe sur le signal occup ?
b) Quelle est la probabilit quun client potentiel soit mis en attente ?
Bibliographie
KARTZ, K. L., B. M. LARSON et R. C. LARSON. Prescriptions for the Waiting-in-Line
Blues : Entertain, Enlighten, and Engage , Sloan Management Review, vol. 32, n 2, hiver
1991, p. 44-53.
STEVENSON, William J. Introduction to Management Science, 2
e
dition, Burr Ridge, IL.,
Richard D. Irwin, 1992.

Gestion Des Operations CHAP 19 Les Files D'attente

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gestion Des Operations CHAP 19 Les Files D'attente

Transféré par

Droits d'auteur :

Formats disponibles

OBJECTIFS DAPPRENTISSAGE

Aprs avoir termin ltude de ce chapitre, vous pourrez :

Le taux dutilisation du systme : il reprsente le rapport entre la demande (mesure

Le nombre moyen de clients en file :

Le temps moyen dattente dans le systme :

Probabilit quil y ait n units dans le systme Pn = P0

Probabilit quil y ait moins de n units dans le systme P< n = 1

4 400 1,528 + 3 = 4,528 543,36 943,36

Cs = 9,00 $ M Ca = 30 $ ns par heure

1 8,1 8,1 + 0,9 = 9,00 9,00 $ 270,00 $ 279,00 $

Vous aimerez peut-être aussi