Académique Documents
Professionnel Documents
Culture Documents
Files dattente
B. Ycart
70
71
71
74
77
2 Files markoviennes
2.1 Modles dattente . . . . .
2.2 File M/M/1 . . . . . . . .
2.3 File M/M/s . . . . . . . .
2.4 Files capacit limite . .
2.5 Files arrives ou services
80
80
83
87
90
92
. . . . .
. . . . .
. . . . .
. . . . .
groups
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
3 Files quasi-markoviennes
97
3.1 File M/GI/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3.2 File GI/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4 Rseaux de files dattente
105
4.1 Rseaux de Jackson ouverts . . . . . . . . . . . . . . . . . . . 105
4.2 Rseaux de Jackson ferms . . . . . . . . . . . . . . . . . . . 110
4.3 Rseaux de Petri . . . . . . . . . . . . . . . . . . . . . . . . . 113
5 Exercices
117
71
Files dattente
1
1.1
0
0
n1
n
n
n+1
n+1
72
La famille des lois exponentielles possde une proprit de stabilit qui sera
souvent invoque dans ce qui suit.
Proposition 1.2 Considrons k variables alatoires indpendantes
X1 , . . . , Xk , de lois respectives E(1 ), . . . , E(k ). Posons :
Y = min{X1 , . . . , Xk } .
Alors Y suit la loi E(1 + + k ) et pour tout i = 1, . . . , n :
IP[Y = Xi ] =
i
.
1 + + k
73
Files dattente
alors Z n + 1 ; t t + A
sinon Z n 1 ; t t + D
finSi
finSi
Jusqu (arrt de la simulation)
Une autre proprit des lois exponentielles joue un rle fondamental dans la
modlisation par les processus de naissance et de mort, la proprit dabsence
de mmoire.
Proposition 1.3 Une variable alatoire X valeurs dans IR+ , de fonction
de rpartition continue suit une loi exponentielle si et seulement si pour tout
t, h 0,
IP[X > t + h | X > t] = IP[X > h] .
Son interprtation est la suivante. Si lattente dun vnement a dbut dans
le pass, et que celui-ci ne sest pas encore produit linstant t, alors la dure
qui reste attendre aprs t suit la mme loi que la dure totale, si celleci est exponentielle. Nous retrouverons cet argument plusieurs fois dans les
exemples qui suivent.
Exemple 1 : Processus de naissance pure
Lhypothse que les taux de naissance et les taux de mort sont tous strictement positifs assure que le processus est irrductible : la probabilit de passer
dun tat n un tat m entre deux instants distincts est toujours strictement
positive. Si un taux de naissance est nul, le processus ne peut pas dpasser
ltat correspondant. Ce sera le cas pour des les dattente capacit limite.
Si un taux de mort est nul, le processus ne peut pas revenir en arrire. Dans
le cas particulier o les taux de mort sont tous nuls, on parle de processus de
naissance pure. Un tel processus reste dans ltat n un temps exponentiel de
paramtre n , puis passe ltat n + 1. Si de plus tous les taux de naissance
sont gaux , cest un processus de Poisson dintensit .
Exemple 2 : La file M/M/1
La notation M/M/1 sera justie plus loin. Il sagit du modle le plus simple
de le dattente. On suppose que des clients arrivent dans une le un seul
serveur, et reoivent chacun leur tour un service dune certaine dure. Si un
client arrivant trouve le serveur libre, il passe immdiatement au service. Si
le serveur est occup, il attend son tour. Les hypothses probabilistes sont
les suivantes.
Les clients arrivent un par un selon un processus de Poisson dintensit
: le temps sparant deux arrives successives suit la loi E().
Le temps de service de chaque client suit la loi E().
Les temps sparant deux arrives successives et les temps de service
sont des variables alatoires indpendantes dans leur ensemble.
74
1.2
Comportement asymptotique
75
Files dattente
P
Z
100
90
80
70
60
50
40
30
20
10
0.
0.0
t
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
2.0
76
P 1
La condition
n = + est satisfaite dans tous les modles dintrt pratique. Nous la supposons vrie dsormais.
Une fois le processus {Zt } dni pour tout t, se pose la question de
son comportement quand t tend vers linni. Pour un processus irrductible,
comme pour une chane irrductible apriodique, trois cas sont possibles en
fonction du retour dans un tat donn.
Si le processus, partant dun tat donn, a une probabilit non nulle de
ne jamais y retourner, il est dit transient. En pratique cela signie que le
nombre que lon tudie (taille de population ou nombre de clients) tend
vers linni. Nous interprtons cette situation comme une saturation du
systme.
Si le processus, partant dun tat donn, y revient ncessairement au
bout dun temps ni en moyenne, il est dit rcurrent positif. Dans ce
cas, il converge en loi vers sa mesure stationnaire, interprte comme
une situation dquilibre du systme tudi.
Si le processus, partant dun tat donn, y revient avec probabilit 1
mais que lesprance du temps de retour est innie, il est dit rcurrent nul. Dans les applications, ce cas, frontire entre lquilibre et la
saturation, ne sera pas distingu du cas transient.
Nous allons montrer que le comportement asymptotique dun processus de
naissance et de mort dpend de rapports des taux de naissance aux taux de
mort. Pour cela, nous commenons par examiner la probabilit de retour en
0. Un processus de naissance et de mort partant de 0 linstant 0 atteint
ltat 1 son premier saut. La question est de savoir sil peut revenir de 1
vers 0. Pour tout n 0, notons pn la probabilit de retour en 0 partir de
ltat n. Pour tout n > 0, la dynamique de la chane incluse permet dcrire
lquation de rcurrence suivante.
pn =
n
n
pn+1 +
pn1 .
n + n
n + n
...n1
diverge, alors ncessairement p1 = 1, le
Si la srie de terme gnral 11 ...
n1
retour en 0 est certain, et le processus est donc rcurrent.
Examinons maintenant le temps moyen de passage de n n 1, que nous
notons en . Lquation de rcurrence est la suivante :
en =
n
1
+
(en+1 + en ) .
n + n
n + n
Files dattente
77
n1
diverge, alors ncessairement e1 doit tre
Si la srie de terme gnral 0 ...
1 ...n
inni : le processus est soit rcurrent nul, soit transient. Nous admettrons
n1
rciproquement que si la srie de terme gnral 0 ...
converge, alors le
1 ...n
processus est rcurrent positif. Nous retrouverons cette srie dans le calcul
de la mesure stationnaire au paragraphe suivant.
Nous rsumons les conditions obtenues sur le cas particulier de la le
M/M/1.
1.3
Equations de Chapman-Kolmogorov
78
Zt
500
450
400
350
300
250
200
150
100
50
0
100
Zt
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
90
90
80
80
70
70
60
60
50
50
40
40
30
30
20
20
10
0
Zt
10
.
t
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
1000 2000 3000 4000 5000 6000 7000 8000 9000 10000
Figure 3 Simulation dune le M/M/1 dans les trois cas transient (a),
rcurrent positif (b) et rcurrent nul (c). Le taux de service vaut 1 dans les
trois cas, les taux darrive valent respectivement 1.05, 0.95 et 1.
dre un processus de naissance et de mort {Zt , t 0}, de taux de naissance
(n )nIN et taux de mort (n )nIN . Supposons que le processus soit dans
ltat n > 0 linstant t. Le prochain saut lamnera soit en n + 1, soit en
n1. Les direntes probabilits de localisation de Zt+h , pour h petit, sont
donnes ci-dessous.
IP[Zt+h = n + 1 | Zt = n] = n h + o(h)
IP[Zt+h = n1 | Zt = n] = n h + o(h)
IP[Zt+h = n | Zt = n]
= 1 (n + n )h + o(h) .
On en dduit la relation suivante entre la loi de Zt+h et la loi de Zt .
IP[Zt+h = n] = n1 hIP[Zt = n1]
+n+1 hIP[Zt = n + 1] + (1 h(n + n ))IP[Zt = n] + o(h) .
Soit en rarrangeant les dirents termes :
1
IP[Zt+h = n] IP[Zt = n] = n1 IP[Zt = n1]
h
(n + n )IP[Zt = n] + n+1 IP[Zt = n + 1] +
o(h)
.
h
79
Files dattente
Pour ltat n = 0, lquation est lgrement dirente.
p0 (t) = 0 p0 (t) + 1 p1 (t) .
0 . . . n1
.
1 . . . n
(1.3)
0 . . . n1
.
1 . . . n
80
P
1. Si la srie
n diverge, alors le processus est rcurrent nul ou transient. Pour tout n IN, pn (t) tend vers 0 quand t tend vers linfini, et
donc Zt converge en probabilit vers +.
P
2. Si la srie
n converge, alors le processus est rcurrent positif. Posons :
!1
X
n =
n .
(1.4)
m
m=0
La loi de probabilit = (n )nIN est la mesure stationnaire du processus. Pour tout n IN, pn (t) tend vers n et donc Zt converge en loi
vers . De plus si f est une fonction quelconque de IN dans IR, on a :
Z
X
1
f (Zt ) dt =
f (i) i , p.s.
(1.5)
lim
0
iIN
2
2.1
Files markoviennes
Modles dattente
81
Files dattente
Arrive
Attente
Service
Sortie
82
Dautres paramtres peuvent galement entrer en ligne de compte, par exemple dans les cas o les clients arrivent ou sont servis par paquets, nous en
verrons plus loin des exemples. La notation de Kendall rsume par des symboles, spars par des barres obliques les dirents paramtres de dnition
du modle.
Arrives / Services / Serveurs / Capacit / Population / Discipline
Ainsi la le M/M/1 a des temps dinterarrive et de service exponentiels
et indpendants (le M signie markovien), un seul serveur, et les autres
paramtres sont xs par dfaut : + pour la capacit et la population,
PAPS pour la discipline. Nous tudierons aussi la le M/M/s (s serveurs),
la le M/M/1/N (capacit limite N ), la le M/GI/1 (les services sont
indpendants mais leur loi est gnrale), etc. . .
Par exemple, la le E2 /D/5/100/FIRO aurait des temps dinterarrive
suivant une loi dErlang de paramtre 2 (somme de deux exponentielles indpendantes), des services constants (D pour Dirac), 5 serveurs, une capacit
limite 100 clients et fonctionnerait selon la discipline alatoire.
Files dattente
2.2
83
File M/M/1
n = 1
.
=
IE[Z] =
.
(2.6)
1
Comme on pouvait sy attendre, le nombre moyen de clients dans le systme
augmente quand se rapproche de .
Sous la loi , la probabilit que le serveur soit occup est IP[Z > 0] =
1 0 = . On peut donc interprter le rapport comme la probabilit
que le serveur soit occup lquilibre, ou comme la proportion moyenne du
temps quil passe servir les clients. On parle de coefficient doccupation du
serveur.
Notre but ici est dune part dtudier le temps pass par un client dans
le systme en rgime stationnaire, dautre part dtudier le rgime transitoire en prsentant deux techniques de rsolution du systme de ChapmanKolmogorov (1.1). Plus que le traitement de la le M/M/1, qui est un modle
trop simple pour tre raliste, lintrt de ce qui suit est de mettre en place
des mthodes mathmatiques utiles dans beaucoup dautres contextes.
Nous commenons par tudier le rgime stationnaire. Nous supposons
donc que est strictement infrieur et que la loi de Z0 est . Nous dirons
que la le est lquilibre, ce qui ne se produit en pratique quapproximativement, au bout dun temps susamment long. Considrons alors un client
linstant de son arrive et notons T le temps total quil passera dans le
systme.
Proposition 2.1 La loi du temps de sjour T dun client arrivant en rgime
stationnaire est la loi exponentielle de paramtre .
Dmonstration : Si le systme est vide quand le client arrive, son temps de
sjour est gal son temps de service, et il suit la loi E(). Sil y a n 1
clients quand il arrive, son temps de sjour est la somme :
84
n=0
X
n=0
n+1 tn t
e
11IR+ (t)
n!
n n+1 n
t t
e
11IR+ (t)
n!
1
.
(2.7)
La comparaison de (2.6) et (2.7) fait apparatre une relation qui est valable
dans des situations beaucoup plus gnrales que celle de la le M/M/1. Cest
la formule de Little.
Proposition 2.2 Dans une file dattente en rgime stationnaire, le nombre
moyen de clients est le produit du taux darrive par le temps moyen de sjour
dun client dans le systme.
IE[Z] = IE[T ] .
(2.8)
85
Files dattente
(2.9).
n 1 .
(2.9)
est (t) dt .
Lusage que nous ferons des transformes de Laplace est justi par les proprits suivantes.
Proposition 2.3
1. La transforme de Laplace est linaire : si et sont deux fonctions
de IR+ dans IR, et sont deux constantes, alors la transforme de
Laplace de + est + .
2. La transforme de Laplace de (t) est s (s) (0).
3. La fonction (t) admet une limite en + si et seulement si s (s)
admet une limite en 0, et si elles existent ces limites sont gales.
lim (t) = lim s (s) .
s0
dk f
(0) .
dsk
86
Nous ne dmontrerons pas cette proposition, pas plus que nous ne justierons
par la suite les nombreux points techniques lis lutilisation des transformes de Laplace et des fonctions gnratrices : dans tout ce qui suit, les
convergences de sries et dintgrales, les drivations sous le signe somme, les
interversions de sommes ou dintgrales seront armes sans dmonstration.
Pour rsoudre le systme de Chapman-Kolmogorov (2.9), lide est de
remplacer la fonction inconnue pn (t) par sa transforme de Laplace pn (s).
Grce au point 2 de la proposition 2.3, remplacer les pn (t) par leurs transformes de Laplace permet de supprimer le caractre direntiel du systme.
s p0 (s) p0 (0) = p0 (s) + p1 (s)
s pn (s) pn (0) = pn1 (s) ( + ) pn (s) + pn+1 (s) , n 1 .
Comme condition initiale, nous supposerons que la le est vide linstant
0, soit p0 (0) = 1 et pn (0) = 0 pour n 1. Les pn (s) sont donc solution de
lquation de rcurrence :
spn (s) = pn1 (s) ( + )pn (s) + pn+1 (s) .
La solution gnrale de cette quation est :
pn (s) = A(s) (s)n + B(s) (s)n ,
o (s) et (s) sont les racines de lquation caractristique associe, savoir :
p
1
(s) =
s + + + (s + + )2 4 ,
2
et
(s) =
p
1
s + + (s + + )2 4 .
2
On vrie facilement
que 0 < (s) <P1 < (s). Par linarit de
Platransforme
P
une
pn (s)
de Laplace,
pn (t) = 1 entrane
pn (s) = 1/s. Comme
P est
srie convergente, ncessairement A(s) doit tre nul. La condition
pn (s) =
1/s donne :
1
B(s) = (1 (s)) ,
s
do lexpression de pn (s) :
pn (s) =
1
(1 (s))((s))n .
s
Le retour de pn (s) pn (t) est plus dicile. Il existe des mthodes numriques
de calcul des transformes de Laplace inverses, ainsi que des tables formelles.
On peut tudier le comportement asymptotique de pn (t) laide du point 3
de la proposition 2.3.
lim pn (t) = lim spn (s) = (1 ) n ,
s0
87
Files dattente
o
= lim (s) =
s0
1
( + | |) .
2
X
z n pn (t) .
G(z, t) =
n=0
G(z, t)
= G(z, t)(z 2 ( + )z + ) + p0 (t)(z 1) .
t
Dans ce cas lquation obtenue dpend de p0 (t) = G(0, t), et elle na pas de
solution explicite. On peut, en utilisant nouveau la transforme de Laplace,
en dduire aussi le comportement asymptotique de la le. Nous verrons dans
la suite plusieurs exemples dapplication de cette technique.
2.3
File M/M/s
88
0}
est
un
processus
de naissance et de mort, de
t
+s
taux de naissance constants n = n 0, et de taux de mort n tels que :
n n = 1, . . . , s
n =
s n s .
Daprs le thorme 1.7, la condition dquilibre du systme est la convergence
n1
de la srie de terme gnral n = 0 ...
, avec :
1 ...n
n
n = 0, . . . , s
n!n
n =
n
ns n n s .
s!s
P
La srie
n converge si et seulement si < s, comme on pouvait le
prvoir. Si chacun des s serveurs fonctionnait en continu, ils traiteraient s
clients par unit de temps, donc s est la capacit maximale du service, qui
doit tre suprieure au nombre de clients arrivant par unit de temps. Si la
condition dquilibre est ralise,
alors la mesure stationnaire (n ) est donne
P
par (1.4), savoir n = ( n )1 n , avec :
n=0
n =
s1
X
n
n!n
n=0
s
1
.
s
s! 1 s
s s
+
.
(s )2
(2.10)
Nous allons maintenant tudier la loi du temps dattente dun client arrivant
dans le systme en rgime stationnaire. Nous supposons donc que < s et
que la loi de Zt est , pour tout t.
Proposition 2.4 La loi du temps dattente dun client en rgime stationnaire est un mlange
1. de la masse de Dirac en 0, avec probabilit 1
1 s
1 s
89
Files dattente
Dmonstration : Tout dabord, un client nattend que si tous les serveurs sont
occups, donc si au moins s clients sont dj prsents quand il arrive. Ceci
se produit avec probabilit :
s + s+1 + = s
X
k
s
.
=
k
s k
1
s
k=0
n=s
(s)ns+1 tns st
e
11IR+ (t) .
(n s)!
Aprs simplications, on vrie que cette densit est bien celle de la loi exponentielle de paramtre s .
Lesprance du temps dattente est donc :
1
s s
s
=
.
s
(s
)2
1 s
Pour obtenir le temps moyen de sjour dun client arrivant en rgime stationnaire, il faut ajouter le temps de service au temps dattente :
IE[T ] =
1
s s
+
.
(s )2
(2.11)
90
innit de serveurs nest pas vraiment raliste en pratique, cela peut constituer une bonne approximation de la le M/M/s dans le cas o le coecient
doccupation s
est faible. Une le M/M/ est un processus de naissance et
de mort de taux de naissance constants n = n 0, et de taux de mort
linaires n = n n 1. Il ne peut pas y avoir de saturation dans une telle
le. Elle est toujours rcurrente positive, avec pour mesure stationnaire la loi
de Poisson P( ).
n
()
n = e
.
n!
Le systme de Chapman-Kolmogorov est le suivant.
p0 (t) = p0 (t) + p1 (t)
(2.12)
pn (t) = pn1 (t) ( + n) pn (t) + (n + 1) pn+1 (t) , n 1 .
P n
Posons G(z, t) =
z pn (t), multiplions la n-ime quation par z n et sommons. En remarquant que :
G(z, t) X n
z pn (t)
=
t
n=0
et
G(z, t) X n1
nz
pn (t) ,
=
z
n=1
(2.13)
t
e
.
+ (0)
Cela signie que si la loi du nombre de clients dans la le linstant 0 est une
loi de Poisson, alors il en sera de mme chaque instant : seul le paramtre
(t) dpend du temps. Quand t tend vers linni, (t) converge vers , qui est
le paramtre de la mesure stationnaire . On retrouve donc la convergence en
loi vers la mesure stationnaire. De plus ici, cette convergence a lieu vitesse
exponentielle (en et ), ce qui signie en pratique que lquilibre sera atteint
rapidement.
2.4
91
Files dattente
n = 1, . . . , N , n = 0
.
PN
On calcule 0 par la condition n=0 n = 1.
1
N +1 si 6= 1
0 = 1( )
1
si = 1 .
N +1
On peut en dduire le nombre moyen de clients dans le systme en rgime
stationnaire.
N +1
)
N
(N +1)(
X
si 6= 1
N +1
)
1
1(
n n =
IE[Z] =
N
n=0
si = 1 .
2
n
,
n!n
avec
0 =
s
X
n
n!n
n=0
!1
92
(1 s ) .
2.5
93
Files dattente
g(z) =
z k qk .
k=1
IE[X] =
k qk = g (1) .
k=1
94
qn
qn1
q1
0
q1
1
n1
q1
n
n+1
n
X
n 1 .
(2.14)
j=1
0 = 0 + 1
n
X
qj nj ( + ) n (t) + n+1 , n 1 .
0
=
j=1
X
z n n .
f (z) =
n=0
(f (z) 0 ) ,
z
soit,
f (z) = 0
(1 z)
.
(1 z) z(1 g(z))
Pour dterminer 0 , il reste crire que la somme des n vaut 1, soit f (1) =
1. Un dveloppement limit lordre 1 du dnominateur permet de lever
lindtermination : g(z) = 1 (1 z)g (1) + o(1). On trouve :
0 = 1
g (1)
.
Evidemment cette solution nest acceptable que si g (1) < , comme nous
lavions prvu. La le M(X) /M/1 nadmet de mesure stationnaire que si le
95
Files dattente
nombre moyen de clients entrant par unit de temps est infrieur la capacit
de service.
Comme cas particulier, si un seul client arrive chaque instant, alors
g(z) = z, et on retrouve bien sr la mesure stationnaire de la le M/M/1 :
f (z) =
1
1
X
n=0
n
zn .
96
0,0
0,1
1,0
0,a1
1,1
1,a1
1,a
1,b
1,nb
1,n
p (t) = p
n = 1, . . . , a1
0,n1 (t) p0,n (t) + p1,n (t) ,
0,n
Pb
(2.15)
1,0
p1,n (t) = p1,n1 (t) ( + ) p1,n (t) + p1,n+b (t) , n 1 .
(b) 0 =
n = 1, . . . , a1
0,n1 0,n + 1,n ,
Pb
(2.16)
(c)
0
=
(
+
)
0,a1
1,0
n=a 1,n
(2.17)
Le lemme suivant se dmontre par des techniques danalyse complexe (thorme de Rouch).
Lemme 2.5
1. Si b, lquation (2.17) nadmet aucune racine de module strictement infrieur 1.
2. Si < b, lquation (2.17) admet une unique racine de module strictement infrieur 1. Cette racine est relle et strictement comprise entre
0 et 1.
Il est facile de vrier, en tudiant le graphe du polynme (+)z+z b+1 ,
que (2.17) admet une racine relle comprise entre 0 et 1 si < b. Nous
la noterons r. Remarquons que r peut se calculer numriquement avec une
excellente prcision (par exemple avec la mthode de Newton).
97
Files dattente
Rappelons quune mesure stationnaire est une loi de probabilit. La solution de lquation (d) que nous cherchons doit tre une srie convergente. Or
toute solution de (d) est une combinaison linaire des puissances de racines de
lquation caractristique associe (2.17). Dans le cas b, les puissances
de racines ne peuvent pas tre les termes gnraux de sries convergentes. Le
processus nadmet pas de mesure stationnaire, le systme sature. Dans le cas
< b en revanche, la solution que nous cherchons vrie ncessairement,
pour tout n 0 :
1,n = 1,0 rn .
Reste calculer les autres probabilits. Nous les exprimons toutes en fonction
de 0,0 et r. En combinant les quations (a), (b) et (c) de (2.16), on trouve :
0,n = 0,0
1 rn+1
,
1r
1,n = 0,0
(1 rb )rn+1
,
1r
n = 1, . . . , a1 ,
n0.
Files quasi-markoviennes
3.1
File M/GI/1
Nous commenons par une description dun modle moins prcis que celui
de la le M/M/1. Considrons une le dattente un seul serveur. Les clients
sont servis un par un, et le temps de service de chaque client est alatoire, mais
de loi inconnue. Le nombre de clients arrivant dans la le pendant le n-ime
service est aussi une variable alatoire, que nous noterons An . Lhypothse
essentielle est que les An sont indpendantes et de mme loi sur IN. Nous
98
(3.18)
ce qui montre que (Xn ) est une chane de Markov, valeurs dans IN.
Nous noterons q = (qk )kIN la loi commune des nombres de clients arrivant pendant un service, g sa fonction gnratrice et son esprance.
g(z) =
z k qk ; =
k=0
k qk = g (1) .
k=0
(1 )(1 z)g(z)
.
g(z) z
(3.19)
99
Files dattente
(1 z)g(z)
.
g(z) z
Pour dterminer la valeur de 0 , il faut utiliser le fait que doit tre une
mesure de probabilit et que donc f (1) doit valoir 1. Or z = 1 annule le
numrateur et le dnominateur de lexpression ci-dessus. Pour lever lindtermination, on crit :
g(z) = 1 + (z 1) + o(z 1) .
On en dduit facilement que 0 = 1. Donc la mesure stationnaire ne peut
tre une loi de probabilit que si < 1.
De manire plus spcique, supposons que les temps dinterarrive soient exponentiels de paramtre . Les temps de service ont une loi commune note
G sur IR+ . Les temps dinterarrive et de service sont indpendants dans leur
ensemble. La notation de Kendall correspondant ce modle est M/GI/1.
Nous allons voir que les quantits intressantes relatives au rgime stationnaire (loi du nombre de clients mais aussi du temps de sjour) sexpriment
de manire explicite laide de la transforme de Laplace de la loi du temps
de service, note G , et dnie pour s > 0 par :
Z
est dG(t) .
G (s) =
0
.
paramtre , la transforme de Laplace de cette loi est G (s) = +s
Nous utiliserons les deux premiers moments de la loi G, qui sexpriment
laide des drives de G en 0. Lesprance dun temps de service est :
Z
t dG(t) = G (0) .
0
100
1
v+ 2 .
(3.22)
IE[W ] = +
2(1 )
z k qk
k=0
Z
Z
t (t)
k=0
k!
et+zt dG(t)
0
= G ( z) .
k k
dG(t)
101
Files dattente
z n n = W ( z) ,
n=0
en notant W la transforme de Laplace de la loi W . En revenant lexpression de f (z) (formule (3.20)), on obtient lexpression suivante :
W ( z) =
(1 )(1 z)G ( z)
.
G ( z) z
k qk = g (1) = G (0) .
k=0
= .
Le nombre moyen de clients prsents la n dun service en rgime stationnaire est lesprance de la loi , savoir f (1). De mme le temps moyen
de sjour dun client arrivant en rgime stationnaire est lesprance de la loi
W , soit W (0). Comme f (z) = W ( z), on a f (1) = W (0). On
retouve donc la formule de Little : le nombre moyen de clients dans le systme est le produit du nombre moyen de clients arrivant par unit de temps
par le temps moyen de sjour. Lexpression du temps moyen de sjour (3.22)
sobtient en drivant (3.21).
On constate que le temps moyen de sjour est minimal lorsque la variance
des temps de service est nulle, savoir lorsque ceux-ci sont constants : pour
optimiser une le dattente, on a donc intrt standardiser les temps de
service.
102
f (z) =
.
z
La transforme de Laplace du temps de sjour est :
W (s) =
.
+s
Ce sont bien les rsultats que nous avions trouv pour la le M/M/1.
3.2
File GI/M/1
(3.23)
k=1
k qk = g (1) =
1
.
103
Files dattente
(3.24)
est k=i+1 qk . Si la mesure stationnaire existe, elle vrie pour tout n > 0
lquation suivante.
X
qk n+k1 .
n =
k=0
104
loi G :
qk =
et
0
(t)k
dG(t) .
k!
z k qk
k=0
Z
Z
et
k=0
(t)k z k
dG(t)
k!
et+zt dG(t)
0
= G ( z) ,
en notant G la transforme de Laplace de la loi G. Remarquons que g (1) =
G (0). Si lesprance dun temps dinterarrive est G (0) = 1 , alors la
taille moyenne dun quota de clients est 1 = .
La dtermination de la dure de sjour dun client dans le systme en
rgime stationnaire se fait exactement de la mme faon que pour la le
M/M/1.
Proposition 3.6 Supposons que la chane (Xn ) soit en rgime stationnaire.
Notons T la dure de sjour dun client. La loi de T est la loi exponentielle
de paramtre (1 r), o r est la racine de z = g(z) strictement comprise
entre 0 et 1.
Dmonstration : elle est identique celle de la proposition 2.1. La probabilit
que le client qui arrive trouve n clients arrivs avant lui dans le systme
est n = (1 r)rn . Si cest le cas, son temps de sjour sera la somme de
n + 1 temps de service indpendants, exponentiels de paramtre . La loi
conditionnelle de T sachant quil y a n clients dans le systme est donc la loi
dErlang ou loi gamma G(n + 1, ). La densit de T peut donc scrire :
fT (t) =
n=0
n=0
n+1 tn t
e
11IR+ (t)
n!
(1 r) (r)
n+1 tn t
e
11IR+ (t)
n!
105
Files dattente
1
, alors que le
Remarquons que lesprance du temps de sjour est (1r)
P
r
nombre moyen de clients dans le systme est
nn = 1r : la formule de
Little ne sapplique pas dans ce cas. Ceci est d au fait que lon nobserve la
le qu certains instants particuliers, juste avant une arrive.
Pour donner une petite ide de la complexit des problmes dattente lis
linformatique, examinons le trajet dune tche dans une unit centrale. Son
traitement peut tre interrompu soit par un dfaut de pagination, auquel cas
elle sera envoye dans le tambour de pagination, soit par une entre-sortie,
auquel cas elle se placera dans une mmoire tampon. Elle reviendra plus
tard dans lunit centrale pour poursuivre son traitement. Si on voit cette
tche comme un client qui doit recevoir un certain service, ce sont trois les
dattente (lunit centrale, le tambour de pagination et la mmoire tampon)
quelle visite peut-tre un grand nombre de fois chacune avant de terminer
son excution. Les rseaux de le dattente sont des modles dcrivant le
parcours dun client dans un systme o il doit visiter successivement plusieurs les avant de sortir. Nous traiterons dabord les modles markoviens
les plus simples qui sont les rseaux de Jackson, avant de prsenter le cadre
plus gnral des rseaux de Petri.
4.1
p0,i = 1 .
i=1
3. Les clients sont servis un par un dans chaque le. Le i-ime serveur
fonctionne de manire markovienne, avec un taux de service i (ni ) qui
dpend du nombre ni de clients prsents dans la le. Autrement dit,
lorsque ni clients sont prsents dans la le, le temps de service dun
client est exponentiel de paramtre i (ni ). Ceci permet en particulier de
prendre en compte des serveurs multiples du type M/M/s ou M/M/.
106
1,K+1
0,1
i (ni)
p
0,i
i,K+1
i,j
j (nj)
p
j,K+1
0,j
K,K+1
0,K
5. Les temps dinterarrive, les temps de service et les choix alatoires des
clients en entre et en sortie de chaque le, sont des variables alatoires
indpendantes dans leur ensemble.
Les les tant numrotes de 1 K, un client arrive de lextrieur, not comme
une 0-ime le, parcourt un certain nombre de les de manire alatoire, puis
se dirige vers lextrieur, not comme une (K + 1)-ime le. La suite des
les parcourues par un client est une chane de Markov sur {0, . . . , K + 1},
partant de 0 et telle que K + 1 est un tat absorbant. Nous supposons que
cette le na pas dautres composantes irrductibles rcurrentes, cest--dire
quun client qui rentre dans le systme ne peut pas y rester bloqu : il en
sortira forcment.
Ltat du systme sera cod par un vecteur dentiers n = (n1 , . . . , nk ),
dont la i-ime coordonne reprsente le nombre de clients prsents dans la
le numro i. Les hypothses du modle pemettent de dcrire lvolution de
107
Files dattente
K
X
i=1
K
X
i=1
K
X
(4.25)
j (nj + 1)pj,i pc(n,i,j) (t)
i6=j=1
K
X
i=1
pn (t) .
Cette quation est valable pour tout tat n, condition de poser i (0) = 0,
et pn (t) = 0 ds que n a une coordonne ngative.
Il nest videmment pas question de chercher une solution gnrale
lquation (4.25). Il est dj assez tonnant que lon puisse dterminer explicitement la mesure stationnaire. Elle est donne par le thorme de Jackson.
108
ei = p0,i +
K
X
ej pj,i .
(4.26)
j=1
avec :
0 =
K
X Y
nIN K
i=1
i,ni
K
X
ej pj,i .
j=1
109
Files dattente
Etant donne la forme produit de la mesure stationnaire propose, les rapports de probabilits se simplient notablement. A partir des expressions
(4.27) et (4.28), on trouve :
a(n,i)
ei
=
,
n
i (ni + 1)
Donc :
+
K
X
b(n,i)
i (ni )
=
,
n
ei
i=1
c(n,i,j)
i (ni )
ej
=
.
n
j (nj + 1) ei
K
X
ei pi,K+1
i=1
K
X
i (ni )
p0,i
ei
i=1
K
X
ej
i (ni ) pj,i .
+
ei
+
i6=j=1
K
K
K
K
X
X
X
X
i (ni )
ei pi,K+1 +
i (ni ) =
+
pj,i ej .
p0,i +
ei
i=1
i=1
i=1
j=1
K
X
i=1
ei pi,K+1 .
(4.30)
110
K
K
K
X
X
X
ei
ej pj,i ,
p0,i =
i=1
i=1
j=1
K
K
K
X
X
X
ei 1
1=
pi,j =
ei pi,K+1 .
i=1
4.2
j=1
i=1
On simplie le modle prcdent en supprimant les changes avec lextrieur : aucun client ne rentre dans le rseau ( = 0) ni nen sort (pi,K+1 = 0).
Le nombre total de clients reste donc xe, et nous le notons N . Nous justierons intuitivement plus loin par un exemple quun rseau ouvert capacit
limite peut tre remplac par un rseau ferm, ce qui lgitime le modle des
rseaux de Jackson ferms. Par rapport au paragraphe prcdent, on dnit
maintenant un processus markovien de saut sur un ensemble fini dtats.
)
(
K
X
K
ni = N .
E = n = (ni ) IN ;
i=1
Mme sil est ni, le nombre dtats peut tre trs grand. Le cardinal de E
vaut en eet :
N +K 1
|E| =
,
K 1
ei =
K
X
j=1
ej pj,i .
(4.31)
111
Files dattente
n
Y
ei
.
(m)
m=1 i
(4.32)
i,ni ,
(4.33)
K
X Y
i,ni .
(4.34)
n = (N, K)1
i=1
avec :
(N, K) =
nE i=1
p1,2 = 1 ,
p2,1 = 1 ,
p2,2 = 0 .
Nous supposons que les taux de service des deux les sont constants, pour
la premire, et pour la seconde. Les tats du systme sont les couples
112
.
n = (N, 2)1 n nN =
N +1
1 ()
Cest exactement la mesure stationnaire dune le M/M/1/N (voir paragraphe 2.4). On peut gnraliser cet exemple de la faon suivante. Considrons un rseau de Jackson ouvert, de capacit limite N clients au total.
Ajoutons-lui une (K + 1)-ime le, de taux de service constant. Les clients
sortant de cette (K + 1)-ime le se dirigent vers la i-ime avec probabilit p0,i . A un tat
P n = (n1 , . . . , nK ) du systme initial, correspond ltat
(n1 , . . . , nK , N ni ) du nouveau systme. Les probabilits stationnaires
de ces tats pour leurs systmes respectifs sont les mmes. Dans les applications, les capacits innies nexistent pas. Ceci justie donc ltude des
rseaux ferms, comme alternative aux rseaux ouverts capacit limite.
Nous revenons maintenant sur le calcul algorithmique de la constante de
normalisation (N, K). Calculer directement les |E| termes et les sommer est
impensable, pour peu que N et K soient un peu grands. Une astuce base de
fonctions gnratrices conduit un algorithme dont le nombre doprations
est dordre N 2 , au lieu de N K1 pour une application nave de la formule
(4.34). Lide consiste introduire une fonction gnratrice gi , pour la mesure
stationnaire de la i-ime le.
gi (z) =
N
X
z n i,n .
n=0
n
X
(m, j 1)j,nm .
(4.35)
m=0
et (0, j) = 1 .
113
Files dattente
gi (z) 1
= g1 (z) (gi (z) 1) gK (z) .
gi (z)
On a donc :
N
X
(n, K)i (N n) ,
n=0
i (k)i,mk = 0 .
k=0
4.3
Rseaux de Petri
Les rseaux de Petri peuvent tre vus comme le modle le plus gnral
pour des les dattente synchronises. Le langage tabli scarte quelque peu
de celui des les dattente classiques. Un rseau de Petri se compose dun
nombre ni de K places (ou sites : ce sont les les) et dun ensemble ni de
T transitions. Chaque place i peut contenir un nombre entier ni de marques
(aussi appeles jetons ou charges : ce sont les clients). Le marquage du rseau
est le vecteur composantes entires :
n = (n1 , . . . , nK ) .
Lvolution de ce marquage est dtermine par le dclenchement des transitions. Lorsque la transition dclenche, elle apporte des marques certaines
places et en enlve dautres. Nous notons ci, le nombre (positif, nul ou ngatif) de marques ajoutes (ou retranches) la place i par le dclenchement
de la transition . La matrice C = (ci, ) , i = 1, . . . , K , = 1, . . . , T est
114
T
X
=1
115
Files dattente
Les 4 premires transitions amnent des marques une par une dans les 4
premires places. Les deux premires places ont des sorties synchronises.
Lorsque la transition 1 dclenche, une marque disparat de chacune des
places 1 et 2, et deux marques apparaissent dans la place 5. Les sorties des
places 3 et 4, puis 5 et 6 sont synchronises de faon analogue. La matrice
dincidence du rseau est la suivante.
1
2
3
4
5
6
1 2
1 0
0 1
0 0
0 0
0 0
0 0
3
0
0
1
0
0
0
4 1 2
0 1 0 0
0 1 0 0
0 0 1 0
1 0 1 0
0 2 0 1
0 0 2 1
1
2 s s
3
4
s
s
1
2
6 s s
116
Files dattente
117
Exercices
NB : Les exercices qui suivent proposent surtout des dveloppements mathmatiques base de techniques markoviennes. Lhypothse de temps exponentiels sera donc omniprsente. Il est recommand, paralllement au traitement mathmatique, deffectuer des simulations du modle propos, et dans
la mesure du possible, de vrifier exprimentalement les rsultats thoriques.
Il sera galement intressant de remplacer dans le modle simul, les lois exponentielles par dautres lois de mme esprance, afin de vrifier quels sont
ceux parmi les rsultats thoriques qui restent valides.
Exercice 1 On doit connecter n terminaux une unit centrale. Le temps
de traitement dune tche en unit centrale est exponentiel, de moyenne 500
millisecondes. Lintervalle de temps entre deux requtes provenant dun mme
terminal est exponentiel, de moyenne 20 secondes.
1. Quel est le nombre maximal de terminaux que lon peut connecter sans
quil y ait saturation ?
2. Pour 36 terminaux connects, quel sera le temps de rponse moyen pour
une requte provenant dun terminal donn ?
Exercice 2 Des malades arrivent lhpital selon un processus de Poisson
dintensit 12 par heure. La loi des dures de consultation est exponentielle,
de moyenne 10 minutes.
1. Combien de mdecins au minimum faut-il pour viter lengorgement ?
2. On dcide daecter 3 mdecins aux consultations. Quel sera le temps
dattente moyen dun malade en rgime stationnaire ?
3. Combien y aura-t-il de malades en attente en moyenne ?
4. Combien de mdecins seront inoccups en moyenne ?
Exercice 3
1. Il y a dans une poste deux les dattente identiques et totalement spares : ce sont deux les du type M/M/1. Pour chacune delles les
arrives sont spares par des temps exponentiels de paramtre , les
temps de service sont exponentiels de paramtre (on suppose < ).
Toutes les variables alatoires du systme sont indpendantes.
(a) Combien de clients en moyenne y a-t-il dans la poste en rgime
stationnaire ?
(b) Quel est le temps dattente moyen dun client arrivant en rgime
stationnaire ?
2. On dcide de fusionner les deux les pour nen faire quune seule le
deux serveurs. Les clients continuent arriver la poste au mme
rythme (2 en moyenne par unit de temps). Le temps de service de
chaque client est encore exponentiel de paramtre .
118
Files dattente
119
120
z n n .
n=0
121
Files dattente
122
3. On pose
g0 (z) =
z n 0,n
et g1 (z) =
n=0
z n 1,n .
n=0
123
Files dattente
p0,n (t) la probabilit que le systme soit dans ltat (0, n) linstant
t.
p1,n (t) la probabilit que le systme soit dans ltat (1, n) linstant
t.
Ecrire le systme de Chapman-Kolmogorov dont sont solution les p0,n (t)
et les p1,n (t).
3. On note {0,n , 1,n , n IN} la mesure stationnaire, si elle existe. Montrer que ncessairement les suites (0,n )nIN et (1,n )nIN sont solution
de la mme quation de rcurrence linaire :
0 = 2 Un ( + )2 Un+1 + 2( + )Un+2 2 Un+3 .
On dsigne par (ECA) lquation caractristique associe.
4. Montrer que (ECA) a trois racines relles, dont une gale 1 , et
une 1. A quelle condition (ECA) a-t-elle une racine dans ]0, 1[ ?
Interprter cette condition. On la suppose dsormais ralise et on note
r lunique racine de (ECA) dans ]0, 1[.
5. Montrer que la mesure stationnaire est :
0,0
1r
r 3 1
=
1
=
2
4 4
0,n = 0,0
1,n = 0,0
1+
4
,
n1
r
, n 1 ,
1r n
r , n 0 .
2
n=0
z n p0,n (t)
et G1 (z, t) =
z n p1,n (t) .
n=0
124
11. On note f0,n (s), f1,n (s), F0 (z, s) et F1 (z, s) les transformes de Laplace
respectives des fonctions p0,n (t), p1,n (t), G0 (z, t) et G1 (z, t). En supposant qu linstant initial le systme est vide et la porte est ouverte,
calculer F0 (z, s) et F1 (z, s) en fonction de f0,0 (s) et f1,0 (s). En dduire
les valeurs de f0,0 (s) et f1,0 (s).
12. Le systme propos volue en fait comme une le E2 /M/1, o E2 (loi
dErlang) dsigne la somme de deux exponentielles indpendantes de
paramtre . Comparer les rsultats des questions prcdentes avec
ceux du paragraphe 3.2.
Exercice 10 Le but de lexercice est dtudier et de comparer deux politiques de gestion dune le dattente ayant deux serveurs dirents.
Modle A.
On considre un systme une seule le et deux serveurs sous les hypothses
suivantes. Les temps dinterarrive sont exponentiels de paramtre > 0. Les
temps de service du premier serveur sont exponentiels de paramtre 1 > 0.
Les temps de service du second serveur sont exponentiels de paramtre 2 >
0. Toutes ces variables alatoires sont indpendantes dans leur ensemble.
Quand le systme est vide, le prochain client qui arrive est dirig vers le
premier serveur. Quand la le dattente est vide et le premier serveur occup,
le prochain client est dirig vers le second serveur. Quand la le dattente nest
pas vide, les deux serveurs sont occups. Ds que lun deux se libre, il prend
le premier client de la le.
On code ltat du systme de la faon suivante.
(0, 0) : le systme est vide.
(1, 0) : un client au premier service, aucun au second.
(0, 1) : un client au second service, aucun au premier.
(n, 1), n > 0 : les deux services sont occups, n1 clients attendent.
1. Reprsenter le diagramme de transition du systme.
2. Les probabilits respectives pour que le systme soit dans les tats
(0, 0), (1, 0), (0, 1), (n, 1) linstant t seront notes p0,0 (t), p1,0 (t),
p0,1 (t), pn,1 (t). Les probabilits stationnaires correspondantes seront
notes 0,0 , 1,0 , 0,1 , n,1 . Ecrire le systme de Chapman-Kolmogorov.
3. Quelle est la condition dquilibre du systme ?
4. Sous cette condition dquilibre, dterminer la mesure stationnaire du
systme.
5. En dduire le nombre moyen de clients dans le systme en rgime stationnaire.
6. Pendant quelle proportion du temps le premier serveur fonctionne-t-il
en rgime stationnaire ?
7. Quel est le temps moyen pass dans le systme par un client arrivant
en rgime stationnaire ?
125
Files dattente
Modle B.
1
1
1
+ y2
,
y1
y2
y1 + y2
o
y1 =
et y2 =
.
2
Application.
Dans un certain rseau local, chacune des 500 stations de travail envoie
en moyenne une tche excuter toutes les 5 minutes. Deux serveurs
sont disponibles. Le premier serveur excute une tche en moyenne en
7.26 millisecondes, le second serveur en 8.64 millisecondes. Le gestionnaire du rseau envisage plusieurs options, correspondant aux modles
A et B tudis ci-dessus.
option 1 : Installer une le dattente commune (modle A). Quand le
systme est vide, la prochaine tche est envoye au premier serveur.
option 2 : Mme chose, mais quand le systme est vide, la prochaine
tche est envoye au second serveur.
option 3 : Chaque serveur conserve sa le dattente et les tches sont
routes au hasard avec probabilit p, selon le modle B.
12. Pour chacune des trois options, calculer le temps moyen de rponse
dune tche. Laquelle des trois options le gestionnaire devra-t-il choisir ?
13. Que devrait-il dcider si les deux serveurs taient identiques ?
14. Que devrait-il dcider si le premier serveur traitait ses tches en moyenne en 0.726 millisecondes ?
126
Exercice 11 On considre le modle de croissance dune population animale dni par les hypothses suivantes. Chaque femelle vivante engendre
un descendant au bout dun temps exponentiel de paramtre . Tout nouvel
individu est soit une femelle avec probabilit p, soit un mle avec probabilit
1p. Les dures de vie des femelles sont exponentielles de paramtre . Les
dures de vie des mles sont exponentielles de paramtre . Toutes ces variables alatoires sont indpendantes dans leur ensemble. Les paramtres ,
, sont strictement positifs, p est strictement compris entre 0 et 1.
On notera :
Xt le nombre de femelles vivant linstant t,
Yt le nombre de mles vivant linstant t,
(qn (t))nIN la loi de probabilit de Xt ,
G(z, t) sa fonction gnratrice,
G(z, t) =
z n qn (t) .
n=0
X
X
z n um pn,m (t) .
n=0 m=0
x
.
x p
127
Files dattente
II. Etude de la population globale.
1. Ecrire le systme de Chapman-Kolmogorov en pn,m (t).
n=0
p0,n (t) z
et G1 (z, t) =
p1,n (t) z n .
n=0
128
et
lim G1 (1, t) .
6. On suppose > 0. Expliquer intuitivement pourquoi le processus considr admet un rgime stationnaire. On note :
g0 (z) = lim G0 (z, t)
t
++
, b = et c = 2 .
a=
g0 (1) =
X
1 c(c + b) . . . (c + b(n 1))
(z 1)n .
n!
(a
1)a
.
.
.
(a
+
n
2)
n=1
.
+
G0
(1, t)
z
et m1 (t) =
G1
(1, t) .
z
129
Files dattente
11. Dans le cas > 0, on note :
m0 = lim m0 (t)
t
et m1 = lim m1 (t) .
t
t +
(e(+)t 1) .
+
+ +
130
Files dattente
131
Index
chane de Markov, 98, 102, 106, 110 notation de Kendall, 82
Chapman-Kolmogorov, 78, 85, 90, 94,
probabilit de perte, 92
96, 107
coecient doccupation, 83, 89, 98, processus
de naissance et de mort, 71, 88,
102, 113
90, 92, 109, 111
condition dquilibre, 77, 80, 88, 93,
de
naissance
pure, 73, 74
95, 98, 102, 108
de Poisson, 73, 100, 105
dclenchement, 113
markovien de saut, 71, 95, 107,
diagramme de transition, 71, 93, 95
114
discipline de service, 82
rcurrent nul, 76, 80
rcurrent positif, 76, 80
quilibre, 76
transient, 76, 80
explosion temps ni, 74
rseau de Jackson ferm, 110
le
rseau de Jackson ouvert, 105
GI/M/1, 102
rseau de Petri, 113
M(X) /M/1, 93
M/GI/1, 97
saturation, 76, 102
M/M(a,b) /1, 95
simulation
M/M/, 90
dun processus de naissance et de
M/M/s, 87
mort, 71
M/M/1, 73, 77, 83, 95, 102
dun rseau de Petri, 114
M/M/1/N , 91, 112
systme de Chapman-Kolmogorov, 78,
M/M/1/s/s, 91
85, 90, 94, 96, 107
fonction gnratrice, 87, 89, 93, 94,
taux
98, 112
darrive, 77
formule
de mort, 71
dErlang, 92
de naissance, 71
de Little, 84, 89, 105
de service, 77, 105
loi
temps
dErlang, 82, 84, 104
dattente, 88
de Poisson, 90
dinterarrive, 81
exponentielle, 72, 81, 83, 89, 99
de sjour, 83, 100, 104
gamma, 84, 89, 104
de service, 81
thorme
marquage, 113
de Jackson, 107, 110
mesure stationnaire, 76, 79, 83, 88,
de Pollaek-Khintchine, 100
94, 96, 98, 103, 108, 111
transforme de Laplace, 85, 99, 104
modle
dattente, 80
de population, 74
132