MasterAD2018 GHORABChahrazed

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/330076333
Réduction automatisée des réseaux de ﬁles d’attente fermés
Thesis · June 2018

DOI: 10.13140/RG.2.2.18812.59525
CITATIONS READS
0 1,443
2 authors:
Chahrazed Ghorab Abdelhabib Bourouis
1 PUBLICATION 0 CITATIONS
Université Larbi Ben Mhidi
32 PUBLICATIONS 72 CITATIONS
SEE PROFILE
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Reduction of large queueing networks using model driven engineering techniques View project
A Java framework for process interaction discrete event simulation View project
All content following this page was uploaded by Abdelhabib Bourouis on 01 January 2019.
The user has requested enhancement of the downloaded file.

R ÉPUBLIQUE A LGÉRIENNE D ÉMOCRATIQUE ET P OPULAIRE
M INISTÈRE DE L’E NSEIGNEMENT S UPÉRIEUR ET DE LA R ECHERCHE S CIENTIFIQUE
U NIVERSITÉ L ARBI B EN M’H IDI -O UM E L B OUAGHI

FACULTÉ DES S CIENCES E XACTES ET DES S CIENCES DE LA NATURE ET DE LA V IE
Département de Mathématiques et Informatique
Laboratoire de recherche sur les systèmes informatiques complexes ReLa(CS)2
M ÉMOIRE DE M ASTER
POUR L’ OBTENTION DU DIPLÔME DE M ASTER EN I NFORMATIQUE
O PTION : A RCHITECTURES D ISTRIBUÉES
T HÈME :
Réduction automatisée des réseaux

de files d’attente fermés
Présenté par :
GHORAB C HAHRAZED
Soutenue publiquement le : 13 Juin 2018
E NCADRÉ PAR :
D R . B OUROUIS A BDELHABIB .
M AITRE DE C ONFÉRENCES "A".
U NIVERSITÉ D ’O UM E L B OUAGHI .
Devant le jury composé de :

D R . DERDOURI L AKHDAR MCA U NIVERSITÉ D ’O UM E L B OUAGHI P RÉSIDENT
D R . SEDAIRIA A BDELLAH MAA U NIVERSITÉ D ’O UM E L B OUAGHI E XAMINATEUR
Table des matières
Table des matières III
Table des figures V
Remerciements VII
Résumé VIII
Abstract IX
Introduction générale 1
1 Les files d’attente 3

1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Représentation de Files d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Chaîne de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Modèles Markoviens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Modèles non Markoviens . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Identification d’une file d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Le processus d’arrivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.2 Le processus de service . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.3 La discipline de la file . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.4 Nombre des serveurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.5 Capacité de la file d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.6 Notion de classes de clients . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Caractéristiques d’un système de files d’attente . . . . . . . . . . . . . . . . . . . . 6
1.6 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.8 Mesures de performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.9 Processus de naissance et de mort . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.10 File d’attente M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.10.1 Mesures de performance de la file M/M/1 . . . . . . . . . . . . . . . . . . . 9
1.10.2 Diagramme de transition d’état M/M/1 . . . . . . . . . . . . . . . . . . . . 10
1.11 File d’attente M/M/c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.11.1 Mesures de performance de la file M/M/c . . . . . . . . . . . . . . . . . . . 11
1.11.2 Diagramme de transition d’état M/M/c . . . . . . . . . . . . . . . . . . . . 12
I
TABLE DES MATIÈRES
1.12 File d’attente M/G/ ∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.12.1 Mesures de performance de la file M/G/∞ . . . . . . . . . . . . . . . . . . 12
1.12.2 Diagramme de transition d’état M/G/∞ . . . . . . . . . . . . . . . . . . . . 13
1.13 File d’attente M/G/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.13.1 Mesures de performance de la file M/G/1 . . . . . . . . . . . . . . . . . . . 13
1.14 File d’attente G/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.15 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2 Les réseaux de files d’attente 16

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Définitions et notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Réseau multi-classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Réseaux de files d’attente ouverts . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2 Réseaux d’anticipation (Feedforward Networks) . . . . . . . . . . . . . . . 19
2.4.3 Réseaux de Jackson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.4 Le théorème de Jackson pour les réseaux de files d’attente ouverts . . . . . . 20
2.4.5 Mesures de performance pour les réseaux de Jackson . . . . . . . . . . . . . 21
2.5 Réseaux de files d’attente fermés . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.2 Mesures de performance pour les réseaux de files d’attente fermés . . . . . . 23
2.5.3 Le réseau de Gordon-Newell . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Algorithmes pour les réseaux de files d’attente fermés 26

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 L’algorithme de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Calcul de la constante de normalisation . . . . . . . . . . . . . . . . . . . . 27
3.2.2 Paramètres de performances d’algorithme de convolution . . . . . . . . . . 28
3.2.3 Calcul des constantes de normalisation du réseau complémentaire . . . . . . 29
3.2.4 Calcul des paramètres de performances en fonction des constantes de norma-
lisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3 Algorithme MVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.1 Théorème d’arrivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 La méthode de service Équivalent de flux(FES) . . . . . . . . . . . . . . . . . . . . 34
3.4.1 Méthode FES pour un seul nœud . . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.2 Méthode FES pour plusieurs nœuds . . . . . . . . . . . . . . . . . . . . . . 36
3.5 Comparaison des trois méthodes de résolution . . . . . . . . . . . . . . . . . . . . 37
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4 Règles de Transformation des réseaux de files d’attente 38

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Règles de réduction des réseaux de files d’attente fermés . . . . . . . . . . . . . . . 39
4.2.1 Une file d’attente avec un feed-back à elle-même . . . . . . . . . . . . . . . 39
4.2.2 Une série de files d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.3 Une série de files d’attente avec un feed-back . . . . . . . . . . . . . . . . . 41
4.2.4 Ensemble de files d’attente M/G/∞ en parallèle . . . . . . . . . . . . . . . 42
4.2.5 Ensemble de files d’attente M/G/∞ en parallèle avec des feed-back 1 . . . 44
4.2.6 Ensemble de files d’attente M/G/∞ en parallèle avec feed-back . . . . . . 46
II TABLE DES MATIÈRES

TABLE DES MATIÈRES
4.2.7 Ensemble de files d’attente M/G/∞ en parallèle avec des feed-back 2 . . . 47

4.3 Règles de résolution rapide des réseaux de files d’attente fermés . . . . . . . . . . . 49
4.3.1 File d’attente M/M/C avec feed-back . . . . . . . . . . . . . . . . . . . . . 49
4.3.2 File d’attente M/G/∞ avec feed-back . . . . . . . . . . . . . . . . . . . . . 49
4.3.3 Série de filles d’attente M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3.4 Série de filles d’attente M/G/∞ . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.5 Ensemble de files d’attente M/G/∞ en parallèle . . . . . . . . . . . . . . . 51
4.3.6 Ensemble de files d’attente M/G/∞ en parallèle avec des taux différents . . 52
4.3.7 Ensemble de files d’attente M/G/∞ en parallèle avec feed-back . . . . . . . 53
4.3.8 Réseau de files d’attente M/G/∞ . . . . . . . . . . . . . . . . . . . . . . . 54
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
5 Implémentation des règles de transformation des réseaux de files d’attente 56

5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2 Implémentation des règles de réduction . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.1 Files d’attente avec feed-back . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.2 Série de files d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.2.3 Sous réseaux de files d’attente parallèles . . . . . . . . . . . . . . . . . . . . 60
5.3 Fonctionnement de l’application développée . . . . . . . . . . . . . . . . . . . . . 63
5.4 Étude comparative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4.1 Comparaison entre la technique de résolution rapide et MVA . . . . . . . . . 66
5.4.2 Comparaison entre la technique de réduction et MVA . . . . . . . . . . . . . 67
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
Conclusion générale et perspectives : 71
Bibliographie 72
TABLE DES MATIÈRES III

Table des figures
1.1 Représentation d’une File d’attente. . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 File d’attente avec plusieurs serveurs. . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.3 File d’attente à capacité limitée. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Ensemble d’états et transitions dans une chaine de Markov. . . . . . . . . . . . . . . 9
1.5 Diagramme de transition d’état M/M/1. . . . . . . . . . . . . . . . . . . . . . . . . 10
1.6 La file d’attente M/M/c. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.7 Diagramme de transition d’état M/M/c. . . . . . . . . . . . . . . . . . . . . . . . . 12
1.8 Diagramme de transition d’état M/G/∞. . . . . . . . . . . . . . . . . . . . . . . . . 13
1.9 La file d’attente M/G/1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.1 Réseau de files d’attente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2 Réseau de files d’attente multi-classe . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.3 Réseau de files d’attente mono-classe ouvert . . . . . . . . . . . . . . . . . . . . . . 19
2.4 Réseau de files d’attente d’anticipation . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.5 Une file d’attente avec rétroaction . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.6 Réseaux de Jackson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.7 Réseau fermé de files d’attente mono-classe . . . . . . . . . . . . . . . . . . . . . . 23
3.1 Un modèle de file d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

3.2 Modèle réduit du réseau de files d’attente . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Le modèle court-circuité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.1 Une file d’attente M/G/∞ avec un feed-back à elle-même . . . . . . . . . . . . . . 39

4.2 Exemple des files d’attente M/G/∞ avec un feed-back. . . . . . . . . . . . . . . . 39
4.3 Résultat de transformation des files d’attente avec feed-back. . . . . . . . . . . . . . 40
4.4 Série de files d’attente M/G/∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.5 Exemple sous réseau de série de files d’attente. . . . . . . . . . . . . . . . . . . . . 41
4.6 Résultat de transformation de série de files d’attente. . . . . . . . . . . . . . . . . . 41
4.7 Série de files d’attente M/G/∞ avec feed-back. . . . . . . . . . . . . . . . . . . . . 42
4.8 Exemple de sous réseau de série de files d’attente avec feed-back. . . . . . . . . . . 42
4.9 Résultat de transformation de série de files d’attente avec feed-back. . . . . . . . . . 42
4.10 Ensemble de files d’attente M/G/∞ en parallèle. . . . . . . . . . . . . . . . . . . . 43
4.11 Exemple de sous réseau de files d’attente M/G/∞ en parallèle. . . . . . . . . . . . 43
4.12 Résultat de transformation de sous réseau de files d’attente M/G/∞ en parallèle. . . 44
4.13 Plusieurs files d’attente M/G/∞ en parallèle , avec un feed-back . . . . . . . . . . 44
IV
TABLE DES FIGURES

4.16 plusieurs files d’attente M/G/∞ en parallèle avec un feed-back . . . . . . . . . . . 46
4.19 Plusieurs files d’attente M/G/∞ en parallèle avec feed-back. . . . . . . . . . . . . 48
4.20 Exemple sous réseau de files d’attente M/G/∞ en parallèle. . . . . . . . . . . . . . 48
4.22 Un réseau fermé avec une file M/M/C ayant k clients. . . . . . . . . . . . . . . . . . 49
4.23 Un réseau fermé avec une file M/G/∞ . . . . . . . . . . . . . . . . . . . . . . . . 50
4.24 Un réseau fermé avec n files d’attente M/M/1 en tandem . . . . . . . . . . . . . . 50
4.25 Exemple d’une série de 50 filles d’attente M/M/1 . . . . . . . . . . . . . . . . . . 50
4.26 Un réseau fermé avec n files d’attente M/G/∞ en tandem. . . . . . . . . . . . . . 51
4.27 Exemple d’une série de 5 filles d’attente M/G/∞ . . . . . . . . . . . . . . . . . . 51
4.28 Un réseau fermé de n files M/G/∞ en parallèle . . . . . . . . . . . . . . . . . . . . 52
4.29 Réseau fermé de 4 files M/G/∞ en parallèle . . . . . . . . . . . . . . . . . . . . . 52
4.30 Un réseau fermé de n file en parallèle M/G/∞ avec des taux différent . . . . . . . 52
4.31 Réseau de 4 files M/G/∞ en parallèle avec feed-back. . . . . . . . . . . . . . . . . 53
4.32 Un réseau fermé de n file en parallèle M/G/∞ avec feed-back de la station 1 à elle
même . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.33 Réseau de 4 files M/G/∞ en parallèle avec feed-back. . . . . . . . . . . . . . . . . 54
4.34 Réseau de n files M/G/∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.1 Réseau de 7 files M/G/∞ avec 3 feed-back à elle même. . . . . . . . . . . . . . . . 58

5.2 Résultat de transformation des 3 files avec feed back à elle-même . . . . . . . . . . 58
5.3 Exemple d’un réseau de sept files d’attente avec deux série . . . . . . . . . . . . . . 58
5.4 résultat transformation de 2 série de files d’attente. . . . . . . . . . . . . . . . . . . 59
5.5 résultat de transformation de 3 files d’attente en tandem. . . . . . . . . . . . . . . . 60
5.6 Exemple d’un sous réseaux de trois files d’attente en parallèles. . . . . . . . . . . . . 61
5.7 Résultat transformation du sous réseaux de trois files d’attente en parallèle. . . . . . 62
5.8 Résultat de transformation du sous réseaux de deux files d’attente en parallèle. . . . . 62
5.9 Résultat de transformation du série de deux files d’attente. . . . . . . . . . . . . . . 62
5.10 La fenêtre principale. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.11 Les paramètres du réseau de files d’attente fermé. . . . . . . . . . . . . . . . . . . . 64
5.12 importer un modèle qui à été déjà sauvegardé. . . . . . . . . . . . . . . . . . . . . . 64
5.13 La résolution d’un réseau de files d’attente fermé avec l’algorithme MVA. . . . . . . 65
5.14 Résolution rapide avec des formules mathématique . . . . . . . . . . . . . . . . . . . 65
5.15 Résolution avec transformation du réseau de files d’attente fermé . . . . . . . . . . . 66
5.16 Comparaison entre les règles de résolution et MVA . . . . . . . . . . . . . . . . . . . 67
5.17 Exemple d’un réseau composé de 18 stations . . . . . . . . . . . . . . . . . . . . . . 67
5.18 Niveau 2 de transformation du réseau 12 stations . . . . . . . . . . . . . . . . . . . . 68
5.23 Niveau 7 de transformation du réseau 1 seul station . . . . . . . . . . . . . . . . . . 70
TABLE DES FIGURES V

Remerciements
Je remercie ALLAH de m’avoir donné le courage, la santé et la motivation afin de finir ce mé-
moire de fin d’études dans la meilleure conditions.
Je remercie très chaleureusement mon encadreur Dr.BOUROUIS Abdelhabib, de m’avoir proposé

ce projet, et de m’avoir guidé jusqu’à l’aboutissement à ce travail grâce à ces orientations et précieux
conseils.
Je suis entièrement reconnaissante à monsieur le Dr. Lakhdar DERDOURI, pour l’honneur qu’il
m’a fait en acceptant d’être président de jury de mon projet. Je remercie également l’examinateur Dr.
SEDAIRIA Abdellahe.
Mes sincères remerciements vont également à tous mes enseignants du département Informatique
de l’université Larbi Ben M’hidi - Oum El Bouaghi.
Merci à ma famille et à mes amis pour leurs soutiens morales et leurs encouragements et à tous
ceux qui, de prés ou de loin, m’ont aidé à l’aboutissement de ce projet.
VII
Résumé
La modélisation, la simulation et la résolution analytique des modèles de réseaux de files d’attente

fermés devient de nos jours un défi pour les concepteurs de systèmes de résolution. La complexité et
la taille de ces modèles rendent la compréhension de ces modèles plus difficile. Dans ce projet, nous
proposons une technique composée de plusieurs règles de transformation en appliquant le principe
de la "réduction" qui consiste à remplacer de façon successive le modèle initial par un autre qui soit
équivalent et moins volumineux. L’objectif principal est de réduire le temps d’analyse, de simulation
et faciliter la compréhension du modèle réduit. Le processus de réduction est répété jusqu’à l’obten-
tion d’un modèle très réduit qui devient élémentaire et soit équivalent au modèle de départ. Ainsi, la
simulation et la résolution du modèle réduit donne pratiquement soit les mêmes résultats que celles
du modèle initial, soit des résultats approchées.
Mots clés : Réseaux de files d’attente fermés, MVA, FES, transformations des modèles, modèle com-
plexe.
VIII
Abstract
Modeling, simulation and analytic resolution of closed queuing network models is becoming a
challenge for resolution system designers today. The complexity and size of these models makes
understanding of these models more difficult. In this project, we propose a technique composed of
several transformation rules by applying the principle of "reduction" which consists in successively
replacing the initial model with another that is equivalent and reduced. The main objective is to reduce
the time of analysis, simulation and facilitate the understanding of the reduced model. The reduction
process is repeated until a very small model becomes elementary and is equivalent to the original
model. Thus, the simulation and the resolution of the reduced model give practically either the same
results as those of the initial model, or approximate results.
Key words : Closed queuing networks, MVA, FES, model transformations, complex model.
IX
Introduction générale
Le sujet s’inscrit dans le domaine de la modélisation et la simulation des systèmes complexes. Les
modèles manipulés sont des réseaux de files d’attente fermés volumineux et/ou contenant un grand
nombre de clients.
Les systèmes complexes sont caractérisés par au moins l’une des propriétés suivantes :
— Un grand nombre de composants ou sous-systèmes.
— Un flux considérable d’interactions entre les composants. (ou l’environnement).
— L’hétérogénéité des composants (sous-systèmes).
— Comportement global imprévisible même en connaissant les détails du système (notion d’émer-
gence, stigmergie et intelligence collective, . . . ).
— Aspect aléatoire dans le comportement des composants et les évènements qui se produisent.
Certains systèmes complexes sont modélisés par des réseaux de files d’attente fermés avec un
très grand nombre de files d’attente élémentaires dedans et souvent un nombre élevé de clients qui
circulent dans ces réseaux. La manipulation et l’étude de ce type de modèles est problématique sur
plusieurs plans comme la compréhension, la visualisation, la résolution analytique et la simulation.
Nous nous intéressons dans ce projet à la modélisation, la simulation et la résolution analytique des
modèles volumineux de réseaux de files d’attente fermés en appliquant le principe de la "réduction"
qui consiste à remplacer de façon successive le modèle initial par un autre qui soit équivalent (dans
les points visés par l’étude) et qui soit moins volumineux. Le processus est répété jusqu’à l’obtention
d’un modèle très réduit qui devient élémentaire ou atomique et soit équivalent au modèle de départ.
Ainsi, la simulation et/ou la résolution du modèle réduit donne pratiquement soit les mêmes résultats
que celles du modèle initial, soit des résultats approchées (suffisantes pour atteindre les objectifs de
l’étude). Le temps de résolution/simulation du modèle initial (volumineux) est théoriquement large-
ment supérieur à celle qu’on devrait trouver avec le modèle réduit (gain en temps de calcul). Nous
visons également l’automatisation du processus de réduction afin d’éviter les éventuelles erreurs hu-
maines (processus exécuté manuellement). Il est possible d’envisager un processus guidé ou supervisé
par l’utilisateur s’il le désire.
Ce mémoire s’articule en cinq chapitres :
— Le premier chapitre fait une description générale d’une file d’attente simple ainsi que ses élé-
ments principaux.
— Le deuxième chapitre défini qu’est ce qu’un réseau de files d’attente, et étudie les différents
types de ces réseaux à savoir, les réseaux ouverts de files d’attente et les réseaux fermés de files
d’attente, sur lesquels notre travail est basé.
— Le troisième chapitre traite trois solutions existantes pour calculer les mesures de performance
d’un réseau fermé de file d’attente, à savoir : la convolution, MVA et FES.
1
— Le quatrième chapitre définit les quinze (15) règles de transformation des réseaux de files d’at-
tente fermés, divisées en deux groupes. Le premier groupe qui contient sept (07) règles de
réduction utilisées pour transformer un sous réseau de files d’attente (files en série, files en
parallèle ...) en une seule file d’attente. Le deuxième groupe qui contient huit (08) règles de
résolution rapide constituées de formules mathématiques qui calculent directement les mesures
de performance du réseau complet.
— Enfin le cinquième chapitre détaille l’implémentation des règles de transformation des réseaux
de files d’attente fermés, et fait une étude comparative entre notre technique et la technique
MVA. .
Chapitre 1
Les files d’attente
Sommaire
1.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Représentation de Files d’attente . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 Chaîne de Markov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.1 Modèles Markoviens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3.2 Modèles non Markoviens . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Identification d’une file d’attente . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.1 Le processus d’arrivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.2 Le processus de service . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.3 La discipline de la file . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.4 Nombre des serveurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4.5 Capacité de la file d’attente . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.6 Notion de classes de clients . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.5 Caractéristiques d’un système de files d’attente . . . . . . . . . . . . . . . . . 6
1.6 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.7 Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.8 Mesures de performance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.9 Processus de naissance et de mort . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.10 File d’attente M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.10.1 Mesures de performance de la file M/M/1 . . . . . . . . . . . . . . . . . . 9
1.10.2 Diagramme de transition d’état M/M/1 . . . . . . . . . . . . . . . . . . . 10
1.11 File d’attente M/M/c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.11.1 Mesures de performance de la file M/M/c . . . . . . . . . . . . . . . . . . 11
1.11.2 Diagramme de transition d’état M/M/c . . . . . . . . . . . . . . . . . . . 12
1.12 File d’attente M/G/ ∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.12.1 Mesures de performance de la file M/G/∞ . . . . . . . . . . . . . . . . . 12
1.12.2 Diagramme de transition d’état M/G/∞ . . . . . . . . . . . . . . . . . . . 13
1.13 File d’attente M/G/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.13.1 Mesures de performance de la file M/G/1 . . . . . . . . . . . . . . . . . . 13
1.14 File d’attente G/M/1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.15 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
3
1.1. INTRODUCTION
1.1 Introduction
Les origines de la théorie des files d’attente remontent à 1909, à l’époque où Agner Krarup
Erlang a posé les bases dans ses recherches sur le trafic téléphonique. Par la suite, ses travaux ont été
intégrés dans la recherche opérationnelle [1].
En considérant un phénomène d’attente, la théorie des files d’attente permet de modéliser un
système, de calculer ses performances et de déterminer ses caractéristiques, chose qui facilite la prise
de décision pour les gestionnaires [2].
1.2 Représentation de Files d’attente

Les files d’attente sont composées d’une salle d’attente et de serveurs comme illustré par
la figure 1.1. Lorsque plusieurs clients tentent simultanément d’obtenir un service, certains doivent
patienter et attendre leur tour dans la salle [3].
F IGURE 1.1 – Représentation d’une File d’attente.
1.3 Chaîne de Markov

Dans la plupart des situations qui mettent en jeu l’analyse d’une durée dans un état donné
(vivant, au chômage, en incapacité, en fonctionnement, . . . etc.), les chaînes de Markov fournissent un
cadre d’analyse naturel de ces phénomènes et des transitions d’un état vers un autre [4].
1.3.1 Modèles Markoviens

Les files d’attente du modèle markovien, sont des systèmes où les deux quantités hasardeuses
les durées de service et les temps inter-arrivées sont des variables aléatoires et indépendantes, expo-
nentiellement distribuées. La propriété "sans mémoire" de la loi exponentielle facilite l’analyse de ce
modèle.
1.3.2 Modèles non Markoviens

En éliminant l’hypothèse d’exponentialité de l’une des deux quantités hasardeuses les temps
des inter-arrivées et les durées de service ou en introduisant des paramètres supplémentaires spéci-
fiques au modèle étudié, on n’aura jamais de processus Markovien. Ce qui rend l’opération d’analyse
du modèle très difficile, voire impossible. C’est pourquoi, parfois on se ramène à un processus Mar-
kovien.
4 CHAPITRE 1. LES FILES D’ATTENTE

1.4. IDENTIFICATION D’UNE FILE D’ATTENTE
1.4 Identification d’une file d’attente

Un système de files d’attente s’identifie avec les éléments principaux suivants :
1.4.1 Le processus d’arrivée

Le processus d’arrivée spécifie les instants auxquels les clients arrivent dans le système.Il
existe plusieurs lois de probabilités à savoir : la distribution exponentielle ou de poisson (M), la loi
dégénérée (D), la distribution d’Erlang d’ordre K(Ek ) et la distribution générale G.
1.4.2 Le processus de service

Le processus de service spécifie le temps de service, c’est la durée nécessaire au traitement
d’un client, ou on peut dire que c’est le temps écoulé depuis l’arrivée du client dans le serveur jusqu’à
le point de son départ.
1.4.3 La discipline de la file

C’est la manière avec laquelle, les clients seront servis, soit un par un ou par lots, et dans un
ordre donné. On peut citer des variantes [5] :
— FCFS (First-Come-First-Served), ou FIFO : premier arrivé, premier servi,
— LCFS (Last-Come-First-Served), ou LIFO : le dernier arrivé, premier servi (comme dans une
pile de l’ordinateur) ,
— FIRO(First-In-Random-Out) : ordre dont lequel les clients seront servi en aléatoire,
— Par priorités : (par exemple, les commandes urgentes en premier, ou par temps de traitement le
plus court en premier),
— IS (Infinite Server) : il y’a un nombre infini de serveurs de sorte qu’il n’ya pas d’attente.
1.4.4 Nombre des serveurs

Il détermine le nombre maximal de clients pouvant être traités simultanément. Dans le cas
d’un multiserveur, dès qu’un serveur se libère, un des clients en attente entre en service (s’il existe
des clients dans la file d’attente) [6].
F IGURE 1.2 – File d’attente avec plusieurs serveurs.
CHAPITRE 1. LES FILES D’ATTENTE 5

1.5. CARACTÉRISTIQUES D’UN SYSTÈME DE FILES D’ATTENTE
1.4.5 Capacité de la file d’attente

C’est le nombre maximal de clients pouvant être présents dans le système à un instant donné
avant d’être servi. On distingue deux types de files d’attente, la file d’attente limitée, où le nombre
de clients présents dans le système est limité, dans ce cas, si un client se présente alors que la file
d’attente est pleine, il sera "perdu" ; et la file d’attente illimitée, où le nombre de clients présents dans
le système est illimité [6][2].
F IGURE 1.3 – File d’attente à capacité limitée.
1.4.6 Notion de classes de clients

Une file d’attente peut être parcourue par différentes classes de clients qui se distingueront
par :
— Des processus d’arrivée différents,
— Des temps de service différents,
— Un ordonnancement dans la file d’attente en fonction de leur classe ,
Pour la file d’attente multi-classe, on définit pour chaque classe de clients le processus d’ar-
rivée et la distribution du temps de service associé. Il faut aussi préciser la manière avec laquelle les
clients des différentes classes s’ordonnent dans la file d’attente [7] .
1.5 Caractéristiques d’un système de files d’attente

David George Kendall a développé une notation qui a été largement adaptée pour spécifier le
modèle des arrivées, la distribution du temps de service, et le nombre de canaux dans un modèle de
file d’attente.
La notation Kendall [29] a trois symboles de base et se présente sous la forme suivante : "dis-
tribution d’arrivée / distribution du temps de service / nombre de canaux de service". Où des lettres
spécifiques sont utilisées pour représenter les distributions de probabilité. Une version abrégée de
cette convention est basée sur le format "A/B/C/D/E/F". Ces lettres représentent les caractéristiques
du système comme suit :
A : représente le processus d’arrivée,
B : représente le processus de service,
C : représente le nombre de serveurs parallèles,
D : représente la discipline de la file d’attente,
E : représente la capacité du système,
F : représente la taille de la population.

1.6. PROCESSUS DE POISSON
Les symboles communs pour A et B comprennent M (exponentiel), D (constant ou détermi-

niste), Ek (Erlang d’ordre k), et G (arbitraire ou général).
Les trois derniers paramètres ne sont pas explicités si leur valeurs sont D = F IF O, E =
∞, F = ∞ [8].
1.6 Processus de Poisson

Le processus de poisson est un des plus importants modèles utilisés en théorie des files d’at-
tente, c’est un processus à états discrets continus. On l’utilise largement pour indiquer le nombre
d’arrivées dans un système de files d’attente dans l’intervalle ]0, t]. Soit λ le débit moyen auquel les
clients arrivent à un service [8].
Le processus de poisson est un processus purement de naissance. Le nombre d’événements
qui se produisent dans l’intervalle ]0, t] est noté N (t) où :
(λt)n −λt
P (N (t) = n) = e (1.1)
n!
Avec : [9]
λ : désigne le taux d’arrivée moyen par unité de temps,
n : désigne le nombre d’arrivées par unité de temps,
P(N(t)) : est la probabilité d’obtenir n arrivées,
e : 2,7183.
Les temps des inters-arrivées sont indépendants et obéissent à une loi exponentielle de para-
mètre λ [2].
P (temps inters_arrivées > t) = e−λt (1.2)
1.7 Loi exponentielle

La distribution exponentielle est la distribution la plus importante et la plus facile à utiliser
dans la théorie des files d’attente. Les temps inters-arrivée et les temps de service peuvent souvent
être représentés exactement ou approximativement en utilisant la distribution exponentielle [5].
−λt
λe si λ ≥ 0, t ≥ 0
fT (t) = (1.3)
0 sinon
1.8 Mesures de performance

L’analyse d’un modèle de file d’attente a pour objectif de déterminer quantitativement et qua-
litativement le fonctionnement du système en question. Pour cela, il faut définir les critères et les
mesures afin d’atteindre cet objectif [6].
Utilisation ρ : Si le système de file d’attente est constitué d’un seul serveur, alors l’utilisation ρ
est la fraction du temps pendant lequel le serveur est occupé.
taux d0 arrivée λ
ρ= = (1.4)
taux de service µ

1.8. MESURES DE PERFORMANCE
L’utilisation d’une file d’attente avec plusieurs serveurs (m) est la fraction moyenne des ser-
veurs actifs. Puisque mµ est le taux de service global, on a :
λ
ρ= (1.5)
mµ
Avec :
λ : est le nombre moyen d’arrivées de clients dans le système par unité de temps.
µ : est le nombre moyen de clients servis par unité de temps.
m : est le nombre de serveurs.
On dit que la file d’attente est stable si et seulement si ρ < 1 [5].
Temps de réponse T : Également appelé temps de séjour, correspond au temps total passé dans le
système de file d’attente. Est la différence entre sa date de départ et sa date d’arrivée [5].
Le temps de réponse Tn d’un client :
Tn = dn − an (1.6)
Avec : dn l’instant de départ et an est l’instant d’arrivée [2].
Temps d’attente W : Correspond au temps passé dans une file d’attente en attendant d’être servi [5].
Temps de service : Correspond au temps durant lequel, le client est servi.
T emps de réponse = temps d0 attente + temps de service (1.7)
Longueur de file d’attente Q : c’est le nombre de clients en attente dans la file.
Nombre de clients dans le système N : c’est le nombre de clients présent dans le système de file
d’attente [5] .
On a :
∞
X
N= kπk , k = 1, 2, . . . (1.8)
k=1
πk : est la probabilité d’existence de k clients dans le système de file d’attente.
N = λT (1.9)
et de même pour
Q = λW (1.10)
Avec :
λ : Taux d’arrivée des clients dans le système,
N : Nombre moyen de clients dans le système,
T : Temps moyen de séjour des clients dans le système,
Q : Nombre moyen de clients en attente,
W : Temps moyen d’attente.

1.9. PROCESSUS DE NAISSANCE ET DE MORT
1.9 Processus de naissance et de mort

Dans de nombreuses applications de la vie réelle, l’état du système augmente parfois de un,
et à d’autres moments diminue d’un, et aucune autre transition n’est possible. Une telle chaîne de
Markov en temps discret Xn est appelée processus de naissance et de mort [9].
Dans ce cas :
Pij = 0 si |i − j| > 1 et Pij > 0 si |i − j| = 1.
F IGURE 1.4 – Ensemble d’états et transitions dans une chaine de Markov.
1.10 File d’attente M/M/1

La file M/M/1 est la file d’attente markovienne la plus simple ; on n’a qu’un seul serveur, où le
processus d’arrivée suit un processus de Poisson avec le paramètre λ > 0, et le temps de service pour
chaque client qui suit une loi exponentielle de paramètre µ > 0 [9].
La file d’attente M/M/1 est un cas particulier du processus de naissance et de mort, où chaque
arrivée d’un client est considérée comme une naissance (taux de naissance est égal à λ), et chaque
départ est assimilé à une mort (taux de mort est égal à µ) [2].
En résumé, le processus aléatoire introduit est un processus de naissance-décès avec des taux

λk = λ (k ≥ 0)
(1.11)
µk = µ (k ≥ 1)
1.10.1 Mesures de performance de la file M/M/1

Nous allons présenter maintenant quelques mesures de performance relatives à une file d’attente
M/M/1, par exemple le nombre moyen de clients (N ), le temps de séjour moyen (T ), le temps d’attente
moyen dans le système (W ) ainsi que la longueur moyenne de la file d’attente (Q). Ces mesures sont
obtenues en appliquant les équations mathématiques suivantes :
ρ
N= (1.12)
1−ρ
Le temps moyen de réponse (selon la formule de Little [28]) est :
N ρ 1
T = = = (1.13)
λ λ(1 − ρ) µ(1 − ρ)
Nous obtenons la longueur moyenne des files d’attente comme suit :
∞
X ∞
X
Q= (k − 1)πk = (k − 1)(1 − ρ)ρk
k=1 k=1

1.11. FILE D’ATTENTE M/M/C
∞
X
Q = (1 − ρ)ρ2 (k − 1)ρk−2
k=1
1
Q = (1 − ρ)ρ2
(1 − ρ)2
ρ2
Q= (1.14)
1−ρ
En appliquant la formule de Little, nous obtenons le temps de séjour moyen dans la file :
Q = λW
Q ρ2
W = =
λ (1 − ρ)λ
ρ
W = (1.15)
µ(1 − ρ)
1.10.2 Diagramme de transition d’état M/M/1

En général, les diagrammes de transition d’état sont utilisés pour représenter un système comme
une collection d’états et d’activités associés à diverses relations entre ces états. Ces diagrammes
montrent comment le système se déplace d’un état à l’autre, et les taux de mouvements entre les
états.
Les systèmes de files d’attente qui sont modélisés par des chaînes de Markov à temps continu sont
souvent décrits par leur diagramme de transition d’état qui fournit l’information complète de leurs
équations d’équilibre détaillées. En particulier, le diagramme de transition d’état de M/M/1 est [9] :
F IGURE 1.5 – Diagramme de transition d’état M/M/1.
Les états sont représentés par les nombres dans les cercles : 0, 1, 2, 3,. . ., et les taux en bas et en
haut (µ et λ).
1.11 File d’attente M/M/c

La file d’attente M/M/c. Ceci est parfois aussi appelé une file d’attente avec des canaux parallèles.
La figure suivante illustre cette situation.

1.11. FILE D’ATTENTE M/M/C
F IGURE 1.6 – La file d’attente M/M/c.
Les clients arrivent selon un processus de Poisson avec un taux λk = λ pour tout k et sont ser-
vis dans l’ordre du premier arrivé premier servi par n’importe quel serveur disponible. Chacun des
serveurs c fournit un service exponentiel indépendant et identiquement distribué au débit µ.
1.11.1 Mesures de performance de la file M/M/c

Nous allons présenter maintenant quelques mesures de performance relatives à une file d’attente
M/M/c.
Lorsque le nombre de clients est supérieur ou égal à c, c’est-à-dire k > c, alors tous les serveurs
sont occupés.
Si le nombre de clients est inférieur à c, alors seulement k des serveurs c sont occupés. Le taux de
service dépendant de la charge, écrit µ(k), est µ(k) = min(k, c)µ .
Les mesures de performance de la file M/M/c sont obtenues en appliquant les équations mathé-
matiques suivantes :
La longueur moyenne de la file d’attente (Q) est :
ζρ
Q= (1.16)
1−ρ
avec
(cρ)c
ζ = P [nombre de clients présents > c] = P0
c!(1 − ρ)
et
" c−1
#−1
c
(cρ) X (cρ)k
P0 = +
c!(1 − ρ) k=0 k!
Le nombre moyen de clients (N ) est :
ζρ
N= + cρ (1.17)
1−ρ
Le temps de séjour moyen (T ) est :
N
T = (1.18)
λ
Le temps d’attente moyen dans le système (W )est :

1.12. FILE D’ATTENTE M/G/ ∞
Q
W = (1.19)
λ
1.11.2 Diagramme de transition d’état M/M/c

Le diagramme de transition d’état est représenté sur la figure suivante [8] :
F IGURE 1.7 – Diagramme de transition d’état M/M/c.
Il s’ensuit que les taux de naissance et de mort appropriés pour définir la file M/M/c sont
donnés par[10][11] :
λn = λ, pour tout n (1.20)

nµ, 1 6 n 6 c,
µn = (1.21)
cµ, n > c.
1.12 File d’attente M/G/ ∞

Le prochain système de files d’attente qu’on considère, est le système de file d’attente M/G/∞,
où le nombre de serveurs est l’infini. Puisque le nombre de serveurs est l’infini, la capacité du tampon
est illimitée et les arrivées ne sont jamais bloquées. On suppose que le processus d’arrivée est du à un
processus de Poisson avec le paramètre λ, et que chaque serveur rend un service exponentiellement
distribué avec les paramètres µ.
Comme dans le cas M/G/1, on suppose que les temps de service sont indépendants entre eux,
et aussi indépendants du processus d’arrivée.
1.12.1 Mesures de performance de la file M/G/∞

Quand un nombre infini de serveurs est toujours disponible, alors tous les clients dans le
système sont simultanément servis. Le nombre moyen de clients (N ), le temps de séjour moyen (T ),
le temps d’attente moyen dans le système (W ) ainsi que la longueur moyenne de la file d’attente (Q)
sont obtenues en appliquant les équations mathématiques suivantes :
λ 1
N= , T = , et Q = W = 0 (1.22)
µ µ

1.13. FILE D’ATTENTE M/G/1
1.12.2 Diagramme de transition d’état M/G/∞

Le diagramme de transition d’état de M/G/∞ est similaire à celui de M/G/1 sauf que le taux
descendant de l’état n (n = 1, 2, 3, ...) est nµ plutôt que µ reflétant le fait qu’à l’état n qu’il y a n
serveurs desservant les n clients. Le diagramme de transition d’état M/G/∞ est comme suit [9] :
F IGURE 1.8 – Diagramme de transition d’état M/G/∞.
1.13 File d’attente M/G/1

La file d’attente M/G/1 est une file d’attente à serveur unique, illustrée graphiquement à la
Figure suivante :
F IGURE 1.9 – La file d’attente M/G/1.
Le processus d’arrivée est Poisson avec le taux λ > 0 , le temps entre deux arrivées successives
suit une loi exponentielle de moyenne 1/µ . Le service est assuré par un seul serveur, le temps de
service suit une loi non négative quelconque d’espérance S et de variance σ 2 finies.
A l’arrivée d’un client, si le serveur est libre, le client sera pris en charge immédiatement.
Dans le cas contraire, il rejoint la file d’attente (de capacité illimitée et de discipline FIFO) les durées
de service sont des variables aléatoires indépendantes et sont identiquement distribuées de loi général
[11].
1.13.1 Mesures de performance de la file M/G/1

Tous les paramètres de performance sont calculés dans le cas où la file est stable λ < µ et pour
le régime stationnaire de la file.
La longueur moyenne de la file d’attente (Q)[12] :
Si Q est le nombre moyen de clients dans la file d’attente seule :
∞
X ∞
X
Q= k P roba([k clients dans la f ile]) = (k − 1)πk .
k=0 k=1

1.14. FILE D’ATTENTE G/M/1
Lorsqu’un client arrive dans le système :

— Soit il trouve 0 client et son temps d’attente dans la file est nul,
— Soit il trouve k clients et son temps d’attente dans la file est : le temps moyen résiduel du client
en service S + le temps de service des k − 1 clients en attente devant lui dans la file.
σ2
!
1+ 2 ρ2
S
Q= (1.23)
2 1−ρ
2 !
1 + σ2
S
QM/G/1 = QM/M/1 (1.24)
2
Le temps d’attente moyen dans le système (W )est :

σ2
!
1+ 2
S
W M/G/1 = W M/M/1 (1.25)
2
1.14 File d’attente G/M/1

Ce système est formé d’une file FIFO à capacité illimitée et d’un seul serveur. Cette fois-ci le
processus d’arrivée des clients dans la file est distribué selon un processus stochastique général qui
n’est plus supposé poissonnien. En revanche, le service d’un client est supposé exponentiel de taux µ.
Ce système est connu sous le nom de file G/M/1 [13].
Les paramètres de performance sont toujours calculés lorsque la file est stable (λ < µ) et pour le
régime stationnaire.
Taux d’utilisation du serveur :
Il suffit d’appliquer la loi de Little au serveur de la file :
λ
ρ= . (1.26)
µ
On calcule le temps moyen d’attente de la file. Lorsqu’un client arrive, il trouve avec une proba-
bilité P(k), k clients dans la file, donc k-1 clients en attente et un client en service.
Il devra donc attendre que le client en service termine son service, puis que les k-1 clients en
attente effectuant un service complet.
La propriété sans mémoire de la loi exponentielle nous dit que le temps moyen résiduel de service
est égal au temps moyen de service, soit 1/µ. W s’exprime donc [13] :
σ
W = . (1.27)
µ(1 − σ)
Finalement, le temps moyen de réponse R est égal à
σ 1
R= + . (1.28)
µ(1 − σ) µ
Le nombre moyen de clients Q :
On applique de nouveau la formule de Little :
λ λσ
Q= + . (1.29)
µ µ(1 − σ)

1.15. CONCLUSION
1.15 Conclusion
Dans ce chapitre on a fait une description générale d’une file d’attente simple ainsi que ses élé-
ments principaux (processus d’arrivée, processus de service, discipline de la file, etc . . . ) ; puis on a
étudié seulement quelques types de files d’attente (M/M/1, M/M/C, M/G/∞, etc) parmi plusieurs
types existant . Ce type de file d’attente simple est insuffisant pour représenter des systèmes plus
complexes, c’est pour cela qu’on va étudier dans le chapitre suivant les réseaux de files d’attente.

Chapitre 2
Les réseaux de files d’attente
Sommaire
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Définitions et notation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.3 Réseau multi-classe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4 Réseaux de files d’attente ouverts . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.4.2 Réseaux d’anticipation (Feedforward Networks) . . . . . . . . . . . . . . 19
2.4.3 Réseaux de Jackson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.4.4 Le théorème de Jackson pour les réseaux de files d’attente ouverts . . . . . 20
2.4.5 Mesures de performance pour les réseaux de Jackson . . . . . . . . . . . . 21
2.5 Réseaux de files d’attente fermés . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.5.2 Mesures de performance pour les réseaux de files d’attente fermés . . . . . 23
2.5.3 Le réseau de Gordon-Newell . . . . . . . . . . . . . . . . . . . . . . . . 24
2.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
16
2.1. INTRODUCTION
2.1 Introduction
Pour arriver à modéliser des systèmes plus complexes, un système de file d’attente simple n’est
pas suffisant, il faut faire appel à des réseaux de files d’attente.
Les modèles de réseau en files d’attente peuvent être classés en deux groupes : réseaux de files
d’attente fermés et réseaux de files d’attente ouverts.
Dans les réseaux de files d’attente fermés, les mêmes clients restent dans le réseau tout le temps.
Aucun nouveau client ne s’y joint et aucun client ne quitte le réseau. Les clients qui terminent leur
service dans un système de file d’attente vont à un autre, puis à un autre et ainsi de suite, et ne
quitteront jamais le réseau.
Dans les réseaux de files d’attente ouverts, les nouveaux clients de l’extérieur du réseau peuvent
rejoindre n’importe quel système de file d’attente, et lorsqu’ils terminent leur service ils peuvent
quitter le réseau [9] .
2.2 Définitions et notation

Un réseau de files d’attente peut se représenter par un schéma comme celui de la figure sui-
vante, dans laquelle sont représentés :
— M serveurs,
— Une politique d’arrivées externes caractérisées par une loi λ et une politique de routage P0,j
(arrivée vers la file j),
— Une politique de routage définie par les paramètres Pi,j .
La valeur 0 pour l’indice j indique le routage d’un client vers la sortie du système [13].
F IGURE 2.1 – Réseau de files d’attente.
Nous considérerons à la fois les réseaux de files d’attente mono-classe et multi-classe.
CHAPITRE 2. LES RÉSEAUX DE FILES D’ATTENTE 17

2.3. RÉSEAU MULTI-CLASSE
2.3 Réseau multi-classe

Les réseaux de files d’attente peuvent être parcourus par différentes classes de clients. Soit r
le nombre de classes de clients. Ces différentes classes se distingueront par :
— Des processus d’arrivée différents (si le réseau est ouvert),
— Des comportements différents à chaque station (service et discipline de service),
— Des routages différents dans le réseau.
F IGURE 2.2 – Réseau de files d’attente multi-classe
On est alors amené à caractériser pour chaque classe r :

— Pour un réseau ouvert,les clients de classe r arrivent de l’extérieur dans la file i suivant un
processus de Poisson de paramètre λi r.
— Pour un réseau fermé, le nombre total Nr des clients de classe r,
— Le routage des clients. Si on se limite au routage probabiliste, on définit Prij la probabilité pour
qu’un client de classe r qui quitte la station i, se rende à la station j. (Si i ou j est égale à 0, cela
fait référence à « l’extérieur » d’un réseau ouvert)[13][31].
2.4 Réseaux de files d’attente ouverts

2.4.1 Définition
Un réseau de files d’attente est un ensemble de files d’attente inter-connectées. Dans un réseau
de files d’attente ouvert, les clients arrivent de l’extérieur, circulent dans le réseau à travers les diffé-
rentes stations, puis quittent le réseau. Le nombre de clients pouvant se trouver à un instant donné dans
un réseau ouvert n’est donc pas limité. La figure ci-dessous illustre un exemple de réseau mono-classe
ouvert [21] :
18 CHAPITRE 2. LES RÉSEAUX DE FILES D’ATTENTE

2.4. RÉSEAUX DE FILES D’ATTENTE OUVERTS
F IGURE 2.3 – Réseau de files d’attente mono-classe ouvert
2.4.2 Réseaux d’anticipation (Feedforward Networks)

Il est évident que le théorème de Burke nous permet d’enchaîner, l’un après l’autre, deux nœuds
à plusieurs serveurs, chaque serveur fournissant un service exponentiellement distribué.
Chaque nœud peut être analysé isolément et la distribution conjointe obtenue comme le produit
de ces solutions individuelles.
L’entrée de chaque nœud dans le réseau sera Poisson si le réseau est un réseau à action directe tel
que celui illustré à la figure 2.4. En effet, puisque l’agrégation des processus de Poisson mutuellement
indépendants est un processus de Poisson, l’entrée aux nœuds qui sont alimentés par la sortie com-
binée des autres nœuds est Poisson. De même, puisque la décomposition d’un processus de Poisson
produit plusieurs processus de Poisson, un seul nœud peut fournir une entrée de Poisson à plusieurs
nœuds en aval [7][15].
F IGURE 2.4 – Réseau de files d’attente d’anticipation
Les réseaux d’anticipation (feedforward), n’autorisent pas les chemins de retour car cela peut
détruire la nature de Poisson du flux de retour. Pour le voir, considérons la file d’attente simple à
serveur unique avec rétroaction illustrée à la figure 2.5.
Si µ est beaucoup plus grand que λ, alors, relativement parlant, les arrivées de clients de
l’extérieur se produisent plutôt rarement. Ces arrivées externes sont servies plutôt rapidement, mais
ensuite, avec une probabilité plutôt élevée, le client est redirigé vers la file d’attente. L’effet global du

point de vue du serveur est qu’une rafale d’arrivées est déclenchée chaque fois qu’un client externe
entre dans le nœud. Tels que le processus d’arrivée n’est clairement pas Poisson [7].
F IGURE 2.5 – Une file d’attente avec rétroaction
2.4.3 Réseaux de Jackson

Le réseau de Jackson est introduit par James R. Jackson dans [14]. Il s’agit du premier dévelop-
pement significatif dans la théorie des réseaux de files d’attente à forme produit [3].
Le théorème de Burke nous permet d’analyser tout réseau de files d’attente d’anticipation (feed-
forward) dans lequel tous les serveurs sont exponentiels. Le travail de Jackson montre que, même en
présence de boucles de rétroaction, les nœuds individuels se comportent comme s’ils étaient alimentés
par des arrivées de Poisson, alors qu’en réalité ils ne le sont pas [7].
Un réseau de Jackson est un ensemble de i files d’attente qui délivre un service exponentiel de pa-
ramètre µi et les clients arrivent dans le réseau à la file i suivant un processus de Poisson de paramètre
λi . Une fois servi par la file i, le client passe à la file j avec probabilité Pij (avec Pii = 0) ou quitte
définitivement le réseau avec la probabilité résiduelle [15] .
La matrice R = (rij ; i, j = 0, . . . , N ) est définie par, si i 6= 0 etj 6= 0, de telle sorte que R est
une matrice markovienne. On suppose que toutes les variables aléatoires utilisées sont indépendantes
[16].
Un réseau de Jackson est équivalent à un ensemble de files M/M/1 et la probabilité stationnaire
P (n) du réseau est égale au produit des probabilités marginales Pi (ni ) de chacune des files étudiées
en isolation.
2.4.4 Le théorème de Jackson pour les réseaux de files d’attente ouverts

Par réseau de Jackson, nous entendons un ensemble de files d’attentes reliées entre elles de façon
quelconque, la distribution des temps de service étant exponentiellement distribuée et le processus
des arrivées de l’extérieur étant poissonnier.
Les files sont de capacité illimitée de telle sorte qu’il n’y ait pas de blocage, la discipline de service
est premier-entré premier-sortie.
Ce type de réseau a été étudié par Jackson dans le cas ouvert et par Gordon et Newell dans le cas
fermé [17].
Pour un réseau de Jackson avec un taux d’arrivée effectif λi au nœud i, et en supposant que
λi < ci µi pour tout i, les conditions suivantes sont vraies en régime permanent :
(1) Les processus d’arrivée pour les K files d’attente sont Poisson au taux λ1 , λ2 , ..., λk ,
(2) Le nombre de clients sur un nœud est indépendant du nombre de clients sur les autres
nœuds.

Dans le cas d’un réseau ouvert, mono-classe, de routage probabiliste et dont tous les nœuds sont
des files M/M/1, la probabilité stationnaire possède la forme produit suivante [21] :
M
Y
P (n) = Pi (ni ) (2.1)
i=1
Où Pi (ni ) est donné comme solution à la file d’attente classique de type M/M/1.
Dans le cas particulier où tous les centres de services contiennent un seul serveur exponentiel
(ci = 1 pour tout i) , l’expression ci-dessus devient :
M
Y λi
P (n) = (1 − ρi )ρni i , ρi = . (2.2)
i=1
µi
La condition de stabilité évidente pour un réseau Jackson est que
λi
ρi = ( ) < 1, i = 1, 2, ..., M. (2.3)
ci µ i
Pour résoudre un réseau Jackson, il faut tout d’abord résoudre les équations de trafic pour
obtenir le taux d’arrivée effectif à chaque nœud. Chaque nœud est ensuite résolu isolément et la
solution globale est formée à partir du produit des solutions individuelles [7].
F IGURE 2.6 – Réseaux de Jackson
La solution stationnaire d’un réseau à forme produit est indépendante du type du routage. Elle ne
dépend que des taux de visite au niveau de chaque station . Par conséquent, le calcul des paramètres
de performances moyens se base uniquement sur les taux de service et le taux de visite de chaque
station. En se basant sur le théorème de Jackson, plusieurs travaux [27] [26] [25] [24] [23] [22] ont
proposé des algorithmes itératifs exacts ou approximatifs permettant de déterminer les paramètres de
performance moyens au régime stationnaire [21].
2.4.5 Mesures de performance pour les réseaux de Jackson

En calculant les mesures de performance pour les réseaux Jackson, nous supposerons que tous
les nœuds du réseau sont des files d’attente M/M/1, que le débit du nœud i est fixe et égal à µi et que

2.5. RÉSEAUX DE FILES D’ATTENTE FERMÉS
le facteur d’utilisation est ρi = λi /µi < 1 . Les résultats dans le cas plus général des nœuds multi
serveurs sont facilement obtenus par extension.
Nombre moyen de clients :

Le nombre moyen de clients dans le nœud i, Ni , est celui d’une file d’attente M/M/1 isolée
avec un taux d’arrivée λi . Il est donné par
ρi
ni = , i = 1, 2, ..., M. (2.4)
1 − ρi
Il s’en suit que le nombre moyen total de clients dans le réseau est donné par
M
X ρi
N = N1 + N2 + ... + NM = . (2.5)
i=1
1 − ρi
Temps moyen passé dans le réseau :

Le temps moyen qu’un client passe dans le réseau peut être trouvé à partir de la loi de Little.
Il est donné par
N
T = . (2.6)
γ
Où γ = m
P
i=1 γi est le taux d’arrivée moyen total. Le temps moyen qu’un client passe au nœud i,
lors de chaque visite au nœud i, est donné par
Ni 1
Ti = = . (2.7)
λi µi (1 − ρi )
Remarquez que T 6= T1 + T2 + ...Tm .
Débit (Throughput) :
Le débit d’un seul nœud est le débit auquel les clients quittent ce nœud. Le débit du nœud i est
noté Xi et est donné par
∞
X
Xi = Pi (k)µi (k). (2.8)
k=1
2.5 Réseaux de files d’attente fermés

2.5.1 Définition
Lorsque nous visualisons un système de files d’attente et de serveurs, nous pensons généralement
aux clients qui arrivent de l’extérieur, passent un certain temps à se déplacer entre les différents centres
de service et finissent par disparaître complètement.
Cependant, dans un réseau fermé de files d’attente, un nombre fixe de clients circule en perma-
nence entre les centres de service, pour ne jamais partir. Il a des applications importantes.Par exemple,
il a été utilisé pour modéliser un système informatique multiprogrammation dans lequel seul, un
nombre fixe de processus peut être traité à la fois [7].

F IGURE 2.7 – Réseau fermé de files d’attente mono-classe
2.5.2 Mesures de performance pour les réseaux de files d’attente fermés

Considérons un réseau fermé de files d’attente à classe unique composé de m nœuds. Soit ni
le nombre de clients au nœud i. Ensuite, la population totale de clients est donnée par :
N = n1 + n2 + ... + nm . (2.9)
Un état du réseau est défini comme suit :
m
X
N= ni . (2.10)
i=1
Soit Pji la fraction des départs du nœud i qui va à côté du nœud j et soit λi le taux d’arrivée
global au nœud i lorsque le réseau est en régime permanent, nous pouvons écrire
m
X
λi = λj Pji , i = 1, 2, ..., m. (2.11)
j=1
Les équations linéaires définies par cette formule sont appelées équations de trafic. Contraire-
ment à l’équation qui se rapporte à la situation dans les réseaux de files d’attente ouverts, ce système
d’équations n’a pas de solution unique.
Nous présentons maintenant vi , le taux de visite au nœud i. Cela donne le nombre moyen de visites
au nœud i par rapport à un nœud spécifié, qui dans notre cas sera toujours le nœud 1. Ainsi, v1 = 1 et
vi est le nombre moyen de visites au nœud i entre deux visites consécutives au nœud 1.
m
X
vi = vj Pji , i = 1, 2, ..., m et v1 = 1. (2.12)
j=1
D’autre manière, les taux de visite sont juste les taux d’arrivée normalisés de sorte que λ1 = 1. Le
résultat majeur pour ce réseau fermé de files d’attente est que la distribution d’équilibre est donnée
par la forme du produit :
m
1 Y
P (n) = P (n1 , n2 , ..., nm ) = fi (ni ). (2.13)
G(N ) i=1

La constante G(N ) est appelée la constante de normalisation. Elle s’assure que la somme des
probabilités est égale à un.
Il ressort de l’équation précédent qu’une fois que G(N ) est connu, la distribution stationnaire de
n’importe quel état peut facilement être calculée en utilisant seulement G(N ) et des paramètres de
réseau facilement calculables.
Pour caractériser la constante de normalisation, nous procédons comme suit : Soit l’ensemble de
tous les états possibles noté S(N, M ). Alors
PM
S(N, M ) = (n1 , n2 , ..., nM )| i=1 ni = N, ni ≥ 0, i = 1, 2, ..., M . (2.14)
Et nous devons avoir
M
X 1 X Y
1= P (n) = fi (ni ). (2.15)
G(N ) i=1
S(N,M ) S(N,M )
Ce qui implique que :
X YM
G(N ) = [ fi (ni )]. (2.16)
S(N,M ) i=1
2.5.3 Le réseau de Gordon-Newell

Le réseau de Gordon-Newell est l’analogue fermé du réseau de Jackson.
Considérons un réseau de m files dans lequel circulent k clients. A la file i, les clients demandent
un service de taux µi . Après le service à la file i, le client passe à la file j avec probabilité Pij . Dans
de tels réseaux, γi = 0 et ri0 = 0 quel que soit i, l’état x(t) du système au temps t vérifie :
n
X
K= xi (t) (2.17)
i=1
quel que soit t > 0. Le nombre d’états possibles du processus x(t); t > 0 est donc fini et égal au
coefficient binomial

n+K −1
K
décrivant le nombre de manières à répartir K clients dans n files.
Le résultat montré par Gordon et Newell est : un réseau de Jackson fermé est possède une distribution
stationnaire à forme produit donnée par
n
1 Y
π(x) = π(x1 , x2 , ..., xn ) = fi (xi ) (2.18)
G(K) i=1
G(K) est une constante de normalisation telle que la somme des probabilités sur tous les états du
réseau soit égale à 1. Le système possède une infinité de solution. La solution à ce problème consiste
simplement à fixer arbitrairement un des valeurs λi à 1.
Les principales difficultés lors de l’étude d’un réseau de Jackson fermé ne se situent pas au niveau
théorique mais apparaissent lors du calcul de la constante de normalisation G(K)[3][30] .

2.6. CONCLUSION
2.6 Conclusion
Pour conclure, dans ce chapitre on a défini qu’est ce qu’un réseau de files d’attente, puis on a
étudié les différents types de ces réseaux à savoir, les réseaux ouverts de files d’attente où un nouveau
client peut rejoindre n’importe quel système de file d’attente du réseau en question, comme il peut le
quitter après avoir été servi, ainsi que les réseaux fermés de files d’attente où le nombre des clients
est toujours fixe, aucun client ne peut sortir du réseau et aucun client ne peut en arriver de l’extérieur.
On a fait un passage rapide sur les réseaux ouverts de files d’attente, et pour plus de détails sur
ce type de réseaux voir . Puis on s’est concentré sur les réseaux fermés de files d’attente et dont les
solutions existantes de ce type de réseau seront étudiées dans le chapitre suivant.

Chapitre 3
Algorithmes pour les réseaux de files d’attente
fermés
Sommaire
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2 L’algorithme de convolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3.2.1 Calcul de la constante de normalisation . . . . . . . . . . . . . . . . . . . 27
3.2.2 Paramètres de performances d’algorithme de convolution . . . . . . . . . 28
3.2.3 Calcul des constantes de normalisation du réseau complémentaire . . . . . 29
3.2.4 Calcul des paramètres de performances en fonction des constantes de nor-
malisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3 Algorithme MVA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3.3.1 Théorème d’arrivée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.4 La méthode de service Équivalent de flux(FES) . . . . . . . . . . . . . . . . . . 34
3.4.1 Méthode FES pour un seul nœud . . . . . . . . . . . . . . . . . . . . . . . 34
3.4.2 Méthode FES pour plusieurs nœuds . . . . . . . . . . . . . . . . . . . . . 36
3.5 Comparaison des trois méthodes de résolution . . . . . . . . . . . . . . . . . . 37
3.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
26
3.1. INTRODUCTION
3.1 Introduction
Bien que les solutions à forme produit puissent être exprimées très facilement sous forme de
formules, on doit développer des algorithmes efficaces pour réduire le temps de calcul.
De nombreux algorithmes efficaces pour calculer les mesures de performance des réseaux de
files d’attente fermée ont été développés. Les plus importants sont l’algorithme de convolution et
l’analyse de la valeur moyenne (MVA).
L’algorithme de convolution est une technique itérative efficace pour calculer la constante
de normalisation, ce qui est nécessaire lorsque toutes les mesures de performance sont calculées en
utilisant un ensemble d’équations simples.
L’analyse de la valeur moyenne (Mean Value Analysis MVA) est une technique itérative où
les valeurs moyennes des mesures de performance peuvent être calculées directement sans calculer la
constante de normalisation.
La dernière méthode d’analyse des réseaux de forme de produit est la méthode de serveur
dite service équivalent de flux(FES). Cette méthode est bien adaptée lorsque nous sommes particu-
lièrement intéressés par le calcul de la performance d’une station unique ou d’une partie du réseau
[4].
3.2 L’algorithme de convolution

L’algorithme de convolution a été l’un des premiers algorithmes efficaces pour analyser les
réseaux de files d’attentes fermés, et reste utilisé de nos jours.
Le nom de cette technique reflète la méthode de détermination de la constante de normalisation
G(K) à partir des fonctions fi (ki ), qui est similaire à la convolution de deux fonctions de masse de
probabilité. Une fois que la constante de normalisation est calculée, les mesures de performance du
système en question, peuvent être facilement déduites [18].
3.2.1 Calcul de la constante de normalisation

G(N, K) est la constante de normalisation du réseau contenant N stations (files d’attente) et
dans lequel circulent K clients. Cette constante est telle que [12] :
X
P (~k) = 1. (3.1)
~k∈E(K,N )
On en déduit l’expression de G (N, K) :
N N
X Y X Y ei
G(N, K) = fi (ki ) = ( )ki . (3.2)
µi
~k∈E(N,K) i=1 ~k∈E(K,N ) i=1
ei : taux de visite avec λi = ei λ

Buzen a été le premier à développer un algorithme efficace de calcul de la constante de nor-
malisation .
Cet algorithme est connu sous le nom d’algorithme de Buzen ou algorithme de convolution
[18]. En décomposant l’ensemble des états E(N, K) ayant leur dernière composante nulle, c’est-à-
dire de toutes les configurations du réseau de files d’attente dans lesquels la dernière station (file) est
vide (ne comporte aucun client) :
CHAPITRE 3. ALGORITHMES POUR LES RÉSEAUX DE FILES D’ATTENTE FERMÉS 27

3.2. L’ALGORITHME DE CONVOLUTION
n o
E0 = ~k = (k1 , k2 , ..., kN ); kN = 0 et PN −1 ki = K . (3.3)
i=1
et E1 est l’ensemble de tous les états de E(N, K) ayant leur dernière composante non nulle,
c’est-à-dire de toutes les configurations du réseau dans lesquelles la dernière station comporte au
moins un client :
n o
E1 = ~k = (k1 , k2 , ..., kN ); kN > 0 et
PN
k
i=1 i = K . (3.4)
L’expression de G(N, K) se développe de la façon suivante :
−1
" −1 #
X NY ei ki X NY ei ki eN kN
G(N, K) = ( ) + ( ) ( ) .
i=1
µi i=1
µi µN
~k∈E0 ~k∈E1
X NY−1 N −1
ei ki eN X Y ei ki eN kN −1
G(N, K) = ( ) + ( ) [ ( ) ]( ) .
i=1
µi µN i=1
µi µN
~k∈E0 ~k∈E1
N −1 N
X Y ei eN X Y ei
G(N, K) = ( )ki + ( ) ( )ki .
i=1
µi µN i=1
µi
~k∈E(N −1,K) ~k∈E(N,K−1)
et s’exprime donc simplement sous la forme
G(N, K) = G(N − 1, K) + ρN G(N, K − 1). (3.5)

Où
eN
ρN = .
µN
Cette relation de récurrence extrêmement simple permet de calculer toutes les constantes de
normalisation G(n,k) pour n = 1, . . . , N et k = 0, . . . , K en partant des conditions initiales.
G(1, k) = ρk1 pour k = 0, ..., K.
G(n, 0) = 1 pour n = 1, ..., N.
3.2.2 Paramètres de performances d’algorithme de convolution

Il s’agit d’obtenir les paramètres de performances par station ou pour l’ensemble du réseau.
Mais, contrairement au cas ouvert, les paramètres de performances de chaque station ne peuvent
plus se déduire de l’analyse d’une file simple en isolation. Il faut donc manipuler l’expression des
probabilités stationnaires.
La première idée consiste à calculer les probabilités marginales de chaque station par somma-
tion sur les probabilités stationnaires :[12]
X
πi (K) = π(~k) pour i = 1, ..., N et k = 0, ..., K. (3.6)
~k∈E(N,K);ki =K
Les paramètres de performances de chaque station se déduisent alors immédiatement :

K K
X X Ni
ρi = 1 − πi (0); xi = µi = (1 − πi (0))µi ; Ni = Kπi (K); Ti = . (3.7)
k=1 k=1
xi
28 CHAPITRE 3. ALGORITHMES POUR LES RÉSEAUX DE FILES D’ATTENTE FERMÉS

3.2. L’ALGORITHME DE CONVOLUTION
ρi : Le taux d’utilisation du serveur,

Ti : Temps moyen de séjour,
Ni : Nombre moyen de clients,
xi : Le débit.
Le problème est que le calcul des probabilités marginales par la relation ( 3.6 ) nécessite
d’effectuer des sommations multiples très complexes. Heureusement, comme pour le calcul de la
constante de normalisation, on peut éviter ces sommations multiples, et ce en remplaçant dans la
relation (3.6 ) l’expression des probabilités stationnaires, on obtient en effet :
N
1 X Y ej
πi (K) = ( )kj
G(N, K) j=1
µj
~k∈E(N,K);ki =K
1 ei X Y ej
πi (K) = ( )K ( )kj (3.8)
G(N, K) µi j6=i
µj
~k∈E(N,K);ki =K
On note alors Ei (N, k) l’ensemble de tous les Pvecteurs ~n de E(N, K) et dont la somme des
clients dans toutes les stations autres que la station i, j6=i kj soit égale à k (et donc tels que le nombre
ki de clients dans la station i est égal à (N, k) ) :
n o
Ei (N, k) = ~k = (k1 , ..., kN ) ∈ E(N, K); P kj = K . (3.9)
j6=i
On note enfin Gi (N − 1, k) la constante de normalisation du réseau complémentaire, c’est-

à-dire la constante de normalisation du réseau constitué des N stations du réseau initial privé de la
station i, et dans lequel on place k clients :
X Y ej
Gi (N − 1, k) = ( )kj (3.10)
j6=i
µj
k∈Ei (N,k)
Les probabilités marginales πi (K) s’expriment alors simplement en fonction de ces constantes :
ei K Gi (N − 1, N − K)
πi (K) = ( ) (3.11)
µi G(M, N )
3.2.3 Calcul des constantes de normalisation du réseau complémentaire

On constate d’abord que G(M − 1, n) = GM (M − 1, n). La relation (3.5) peut alors s’écrire :
G(M, N ) = GM (M − 1, N ) + ρM G(M, N − 1).

Et comme il n’y a aucune particularité de la station M, cette relation peut s’obtenir pour toute
station i de façon rigoureusement identique, en posant ρi = ei /µi :
G(M, N ) = Gi (M − 1, N ) + ρi G(M, N − 1) pour i = 1, ..., M. (3.12)

Cette relation nous permet d’obtenir les constantes de normalisation complémentaires :
Gi (M − 1, n) = G(M, n) − ρi G(M, n − 1) pour i = 1, ..., M. (3.13)

3.3. ALGORITHME MVA
3.2.4 Calcul des paramètres de performances en fonction des constantes de

normalisation
On peut alors exprimer tous les paramètres de performances de la station i en fonction des
constantes de normalisation qui, comme on vient de le voir, sont extrêmement simples à calculer :
ei G(M, N − 1) di G(M, N − 1)
Ui = 1 − πi (0) = = , di = ei ;
µi G(M, N ) µi G(M, N )
N
1 X ej
Li = K( )K Gi (M − 1, N − k) et
G(M, N ) K=1 µj
N
Li 1 X ej
Wi = = K( )K Gi (M − 1, N − K). (3.14)
di ei G(M, N − 1) K=1 µj
On aboutit finalement à l’algorithme de convolution
Initialisation.
1: G(1, n) = ρn1 pour n = 0, ..., N

2: G(m, 0) = 1 pour m = 1, ..., M
3: Gi (M − 1, 0) = 1 pour m = 1, ..., M.
4: for m ← 2 to M do
5: for n ← 1 to N do
6: G(m, n) = G(m − 1, n) + ρm G(m, n − 1)
7: end for
8: end for
9: for i ← 1 to M do
10: for n ← 1 to N do
11: Gi (M − 1, n) = G(M, n) − ρm G(m, n − 1)
12: end for
13: end for
Calculer les paramètres de performances moyens à l’aide des relations (3.14)[13].
3.3 Algorithme MVA

L’algorithme de convolution fournit un moyen de calculer l’ensemble complet des probabilités
marginales de chaque nœud dans un réseau de files d’attente.
L’inconvénient de cette méthode est qu’elle nécessite la formation d’une constante de normalisa-
tion qui peut être numériquement instable et peu prendre beaucoup de temps. De plus, dans certaines
circonstances, l’ensemble complet des probabilités marginales n’est pas nécessaire.
L’approche de l’analyse de la valeur moyenne (MVA) nous permet de calculer des valeurs moyennes
sans la nécessité de calculer au préalable une constante de normalisation [7].
Le MVA a été développé par Reiser et Lavenberg pour l’analyse de réseaux de files d’attente
fermés avec une solution sous forme de produit. L’avantage de cette méthode est que les mesures de
performance peuvent être calculées sans calculer explicitement la constante de normalisation [4] .
Cette approche est basée sur le théorème d’arrivée qui a été prouvé indépendamment par Laven-
berg et Reiser [19] et par Sevcik et Mitrani [20].

3.3. ALGORITHME MVA
3.3.1 Théorème d’arrivée

Dans un réseau de files d’attente fermé, la distribution stationnaire observée par un client arrivant
sur un nœud du réseau (ayant quitté un nœud et étant sur le point d’entrer dans un autre) est égale à
la distribution stationnaire des clients du même réseau. Ce théorème suggère une récursion basée sur
le nombre de clients dans le réseau. Commençant par une analyse du réseau avec un seul client, nous
chercherons à ajouter successivement les clients un par un jusqu’à ce que nous ayons les résultats
pour le réseau avec le nombre de clients requis, K.
Nous devons également utiliser la loi de Little, appliquée au réseau global ainsi qu’aux nœuds
individuels du réseau [7].
Nous commençons par considérer un réseau fermé de files d’attente dans lequel chacun des N
nœuds de service contient un seul serveur exponentiel FCFS. Le taux de service au nœud i est donné
par µi . Nous rappelons la notation suivante pour le réseau à l’état stable et contenant k clients :
– Ni (K) est le nombre moyen de clients au nœud i, pour i = 1, 2, ..., N .
– Ri (K) est le temps de réponse au nœud i, pour i = 1, 2, ..., N . Il est égal au temps total passé
dans le système de files d’attente.
– Xi (K) est le débit au nœud i, pour i = 1, 2, ..., K.
– ei (K) est le rapport de visite pour le nœud i, pour i = 1, 2, ..., N . Il donne le nombre de fois
que le nœud i est visité entre deux visites successives au nœud 1.
Considérons maintenant ce que le théorème d’arrivée nous dit à l’instant où un client, partant
d’un nœud du réseau, arrive au nœud i. Ce client observe un certain nombre d’autres clients déjà
présents. Le nombre moyen de clients déjà présents au moment de l’arrivée d’un nouveau client est
égal au nombre moyen à ce nœud lorsque seulement K −1 clients circulent dans le réseau. Ce nombre
moyen est donné par Ni (K − 1).
Le client arrivant attendra dans la file d’attente jusqu’à ce que tous soient servis, (c’est-à-dire
Ni (K − 1)/µi ) et passera alors une période de temps égale à 1/µi durant laquelle lui-même sera
servi. Le temps de réponse moyen pour le client qui arrive est égal à la somme de ceux-ci.
1
Ri (K) = (Ni (K − 1) + 1), i = 1, 2, ..., M. (3.15)
µi
Nous appliquons maintenant la loi de Little à l’ensemble du réseau. Le nombre moyen de clients
dans le réseau est simplement le nombre fixe de clients qui circulent dans le réseau, c’est-à-dire k.
Selon la loi de Little, cela doit être égal au produit du taux d’arrivée et du temps de réponse moyen.
Puisque le réseau est en régime permanent, le débit d’arrivée est égal au débit global duPréseau, c’est-
à-dire le débit du nœud 1 qui est X1 = X(K). Le temps de réponse moyen est égal à M i=1 ei Ri (K).
Exprimant le débit en termes de deux autres quantités, nous avons
K
X(K) = PN . (3.16)
i=1 vi Ri (K)
Observez que le débit des nœuds individuels peut être calculé à partir de ce débit global.
Xi (K) = ei X(K). K = 1, 2, ..., M. (3.17)

Enfin, nous devons appliquer la loi de Little aux nœuds individuels du réseau.
Ni (K) = Xi (K)Ri (K) = X(K)ei Ri (K), . i = 1, 2, ..., M. (3.18)

3.3. ALGORITHME MVA
Avec ces nouvelles valeurs de Ni (K), on peut revenir à l’équation (3.15) et recommencer, k
étant incrémenté de 1. Ainsi, l’algorithme MVA est obtenu en appliquant récursivement les équations
(3.15), (3.16) et (3.18) en commençant par les conditions aux limites Ni (0) = 0, i = 1, 2, ..., M .
De cette manière, on peut calculer le temps de réponse moyen, le nombre moyen de clients, ainsi
que le débit et l’utilisation à chaque nœud du réseau. Ce qu’on ne peut pas calculer, ce sont les dis-
tributions marginales à chaque nœud. Pour cela, nous avons besoin de la constante de normalisation
G(N ). Cependant, en utilisant les résultats obtenus précédemment lors de la discussion de l’algo-
rithme de convolution, on a vu que le débit pouvait être écrit comme suit
G(K − 1)
G(K) = . (3.19)
X(K)
La constante de normalisation calculée récursivement en utilisant la condition initiale G(0) = 1
[7]

3.3. ALGORITHME MVA
Algorithm 1 L’analyse de la valeur moyenne pour les réseaux fermés de files d’attente .
Require: K : le nombre de clients dans le réseau, N : le nombre de stations dans le réseau, mi : le
nombre de serveurs dans la station i, ei : le taux de visite de la station i.
Ensure: les performances de chaque station et de l’ensemble du réseau.
Niveau 1 : Initialisation lorsque le réseau est vide (K = 0).
1: G(0) = 1
2: for i ← 1 to N do
3: N i (0) ← 0
4: πi (0|0) ← 1
5: for j ← 1 to (mi − 1) do
6: πi (j|0) ← 0
7: end for
8: end for
Niveau 2 : Itération sur le nombre de clients k = 1, . . . , K.
9: for k ← 1 to K do
Niveau 2.1 : Calculer le temps de réponse moyen d’un client dans la ième station .
10: for i ← 1 to N do .
11: if mi = 1 then
T i (k) ← µ1i 1 + N i (k − 1)

12:
13: else if mi > 1 thenh i
P i −2
14: T i (k) ← µi1mi 1 + N i (k − 1) + m
j=0 (mi − j − 1)π(j|k − 1)
15: else if mi = ∞ then
16: T i (k) ← µ1i
17: end if
18: end for
19: end for
Niveau 2.2 : Calculer le débit global et le débit de chaque nœud.
k
20: λ(k) ← PN
i=0 ei T i (k)
G(k−1)
21: G(k) ← λ(k)
. Calcule la constante de normalisation.
22: λi (k) ← ei λ(k)
Niveau 2.3 : Calculer le nombre moyen de clients sur le ième nœud .
23: for i ← 1 to N do .
24: N i (k) ← ei λ(k)T i (k)
25: end for
Les autres mesures de performance, par exemple, le temps d’attente moyen, la longueur moyenne
de la file d’attente, etc., peuvent être calculées en utilisant des équations bien connues.

3.4. LA MÉTHODE DE SERVICE ÉQUIVALENT DE FLUX(FES)
Algorithm 2 Probabilities algorithm

1: function πi (j, k)
2: if j = 0 and k = 0 then
3: return 1
4: else if j = 0 andPk 6= 0 then
5: return 1 − kj=1 πi (j, k)
6: else if j 6= 0 and k 6= 0 then
7: return µλi αi (k)
i (j)
πi (j − 1, k − 1)
8: end if
9: end function
Algorithm 3 Alpha algorithm

1: function αi (j)
2: if j ≤ mi then
3: return j
4: else
5: return mi
6: end if
7: end function
3.4 La méthode de service Équivalent de flux(FES)
Cette méthode est basée sur le théorème de Norton de la théorie des circuits électriques et s’est
avérée applicable aux réseaux de files d’attente. Dans sa forme la plus simple, un nœud du réseau est
sélectionné pour l’analyse et le reste du réseau est remplacé par un serveur unique dont le flux est
«équivalent» à celui de la partie du réseau qu’il remplace. Cela donne lieu à un système réduit consti-
tué du nœud sélectionné et du serveur équivalent au flux. Le théorème de Norton peut maintenant être
appliqué pour montrer que le comportement du nœud sélectionné est identique à la fois dans le réseau
réduit et dans le réseau d’origine [7].
3.4.1 Méthode FES pour un seul nœud
Pour décrire la méthode FES, on considère le modèle de serveur central donné dans la figure
3.1 où nous supposons qu’il existe une solution de forme de produit. Pour ce réseau, nous pouvons
construire un réseau équivalent en choisissant un nœud (par exemple, le nœud 1) et en combinant tous
les autres nœuds à un nœud FES . En conséquence, nous obtenons un réseau réduit composé de deux
nœuds seulement. Ce réseau (montré à la figure 3.2) est beaucoup plus facile à analyser que le réseau
original, et toutes les mesures de performance calculées sont les mêmes que dans le réseau d’origine
[4].

F IGURE 3.1 – Un modèle de file d’attente
F IGURE 3.2 – Modèle réduit du réseau de files d’attente
Pour déterminer les taux de service µ(i) du noeud FES, le noeud 1 choisi dans le réseau
d’origine est court-circuité, comme le montre la figure 3.3. Le débit dans le chemin de court-circuit
avec i = 1, 2, . . . , K clients dans le réseau est alors égal au taux de service dépendant µ(i) i =
1, 2, . . . , N du nœud FES dans le réseau de files d’attente réduit.
F IGURE 3.3 – Le modèle court-circuité
L’algorithme FES peut maintenant être résumé en trois étapes suivantes :[4]
Etape 1 :
Dans le réseau donné, choisissez un nœud i et court-circuitez-le en réglant le temps de service
moyen sur ce nœud à zéro. Calculer les débits tout au long du court circuit, en fonction du nombre
de clients k = 1, 2, . . . , N dans le réseau. Pour ce calcul, n’importe quels algorithmes des solutions
antérieures pour les réseaux de files d’attente de forme produit peuvent être utilisés.
Etape 2 :
A partir du réseau donné, construire un réseau réduit équivalent consiste uniquement du nœud
choisi i et du nœud FES c.
Etape 3 :
Calculer les mesures de performance dans le réseau réduit avec tout algorithme approprié pour
les réseaux de forme de produit (par exemple, convolution ou MVA).

Le rapport de visite des deux nœuds dans le réseau réduit est considéré comme égal au rapport de
visite du nœud sélectionné dans le réseau d’origine. La constante de normalisation G(N ) du réseau
réduit est également la constante de normalisation du réseau d’origine, donc l’équation (3.13) peut
être utilisée pour trouver la probabilité stationnaire de tout état du réseau de files d’attente [7].
Cependant la méthode d’équivalence de flux a une application beaucoup plus large, elle peut être
utilisée lorsqu’un sous-ensemble de nœuds est choisi pour l’analyse. Dans ce cas, tous les nœuds de
l’ensemble sélectionné sont court-circuités et le débit dans le reste du réseau est calculé pour tout
k = 1, 2, ..., N . Ces débits constituent les débits de service pour un serveur équivalent de flux qui
remplace les nœuds non sélectionnés dans le réseau. Une analyse de ce réseau réduit, qui ne doit
plus être un réseau tandem, fournit toutes les mesures requises de performance concernant les nœuds
sélectionnés.
La méthode d’équivalence de flux ne présente aucun avantage ni en temps de calcul ni en mémoire
sur l’algorithme de convolution ou MVA lorsqu’il est utilisé pour analyser un réseau de files d’attente
fermé avec un ensemble fixe de paramètres [7].
3.4.2 Méthode FES pour plusieurs nœuds

L’utilisation de la méthode FES, lorsqu’un seul nœud est court-circuité, n’a pratiquement
aucune influence pour réduire le temps de calcul. Par conséquent, Reiser [22] suggère une extension
du concept de [23]. Pour cette extension, le réseau fermé de forme de produit est partitionné en un
nombre de sous-réseaux. Chacun de ces sous-réseaux est analysé indépendamment des autres,c’est-à-
dire le réseau entier est analysé en court-circuitant les nœuds qui n’appartiennent pas au sous-réseau
considéré (qui doit être examiné). Les débits calculés du réseau court-circuité fournissent les taux de
services dépendants du nœud FES j , qui représente le j ème sous-réseau dans le réseau réduit. En
analysant ce réseau réduit, on obtient la constante de normalisation du réseau entier. Cette constante
de normalisation peut être par la suite employée pour calculer les mesures de performance du réseau
considéré. La méthode de FES dans ce cas peut être décrite en cinq étapes suivantes :[4]
Etape 1 :
Partitionner le réseau d’origine en M sous-réseaux détachés.
Etape 2 :
Analyser chacun de ces sous-réseaux j = 1, ..., M . en court-circuitant tous les nœuds qui
n’appartiennent pas au sous-réseaux considéré. Les rapports de visite des nœuds dans les sous-réseaux
sont pris du réseau original. Pour analyser les sous-réseaux, n’importe quel algorithme de forme de
produit peut être utilisé. Déterminer les débits de clients et les constantes de normalisation G(k), pour
k = 1, ..., N .
Etape 3 :
Combiner les nœuds de chaque sous-réseau en un seul nœud FES et construire un réseau réduit
équivalent à partir du réseau d’origine en mettant l’ensemble des nœuds FES dans une connexion
tandem. Les taux de service dépendants du nœud FES j sont identiques aux débits dans le j ème sous-
réseau correspondant :
Etape 4 :
La constante de normalisation du réseau réduit peut être calculée en combinant les M vecteurs
de normalisation des sous-réseaux.
Etape 5 :
Calculer les mesures de performance du réseau d’origine et les mesures de performance des
sous-réseaux, en se basant sur les constantes de normalisations et les formules décrites dans la section
2 (algorithme de convolution).

3.5. COMPARAISON DES TROIS MÉTHODES DE RÉSOLUTION
La méthode FES est très bien adaptée si un système qui a différents paramètres d’entrée,
doit être examiné, car dans ce cas, une seule nouvelle constante de normalisation du sous-réseau
correspondant doit être recalculée. Les constantes de normalisation des autres sous-réseaux restent
les mêmes.
3.5 Comparaison des trois méthodes de résolution

MVA :
Avantage :
— Les valeurs moyennes sont calculées directement sans être obligé de calculer la constante de
normalisation.
— En cas de nécessité, il est toujours possible (mise à jour mineure) de calculer la constante
de normalisation et par conséquent les probabilités d’état peuvent être également calculées
facilement.
Inconvénient :
— Besoin élevé d’espace mémoire pour le stockage (en particulier pour les réseaux à plusieurs
classes et stations à plusieurs serveurs).
— Possibilité de débordement de la pile et de sous-passement de capacité lors du calcul des pro-
babilités marginales.
CONVOLUTION :
Avantage :
— Besoin mois élevé d’espace mémoire de stockage par rapport à MVA.
Inconvénient :
— La constante de normalisation doit être calculée.
— Risque élevé de problèmes de débordement de la pile ou de sous-passement de capacité lors du
calcul de la constante de normalisation.
F.E.S :
Avantage :
— Le temps et la capacité de stockage requis sont considérablement réduits lorsqu’on examine
l’influence de changement de paramètres d’un nœud ou de quelques nœuds alors que le reste
des paramètres du système reste inchangé.
— Base pour les techniques de résolution pour les réseaux non-produits.
Inconvénient :
— Application multiple des algorithmes de résolution : convolution ou MVA.
— Le réseau doit être transformé.
3.6 Conclusion
En conclusion, nous avons abordé trois solutions existantes pour calculer les indices de perfor-
mance d’un réseau fermé de files d’attente, à savoir CONVOLUTION, MVA et FES. Ensuite, nous
avons fait une comparaison entre ces trois solutions et nous avons conclu que le temps de résolution
reste conséquent quelque soit la technique utilisée.
En se basant sur le facteur temps de résolution, nous avons développé des règles de transformation
des réseaux de files d’attente fermés qui servent à réduire le temps précité et qui seront détaillées dans
le chapitre suivant.

Chapitre 4
Règles de Transformation des réseaux de files
d’attente
Sommaire
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Règles de réduction des réseaux de files d’attente fermés . . . . . . . . . . . . . 39
4.2.1 Une file d’attente avec un feed-back à elle-même . . . . . . . . . . . . . . 39
4.2.2 Une série de files d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4.2.3 Une série de files d’attente avec un feed-back . . . . . . . . . . . . . . . . 41
4.2.4 Ensemble de files d’attente M/G/∞ en parallèle . . . . . . . . . . . . . 42
4.2.5 Ensemble de files d’attente M/G/∞ en parallèle avec des feed-back 1 . . 44
4.2.6 Ensemble de files d’attente M/G/∞ en parallèle avec feed-back . . . . . 46
4.2.7 Ensemble de files d’attente M/G/∞ en parallèle avec des feed-back 2 . . 47
4.3 Règles de résolution rapide des réseaux de files d’attente fermés . . . . . . . . 49
4.3.1 File d’attente M/M/C avec feed-back . . . . . . . . . . . . . . . . . . . . 49
4.3.2 File d’attente M/G/∞ avec feed-back . . . . . . . . . . . . . . . . . . . . 49
4.3.3 Série de filles d’attente M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . 50
4.3.4 Série de filles d’attente M/G/∞ . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.5 Ensemble de files d’attente M/G/∞ en parallèle . . . . . . . . . . . . . . 51
4.3.6 Ensemble de files d’attente M/G/∞ en parallèle avec des taux différents . 52
4.3.7 Ensemble de files d’attente M/G/∞ en parallèle avec feed-back . . . . . . 53
4.3.8 Réseau de files d’attente M/G/∞ . . . . . . . . . . . . . . . . . . . . . . 54
4.4 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
38
4.1. INTRODUCTION
4.1 Introduction
En analysant les réseaux de files d’attente fermés, on trouve que plusieurs formes de sous réseaux
peuvent être réduits en formes plus simples.
Ceci étant, on a travaillé sur ce point et on a fait ressortir quelques modèles qui peuvent être
trouvés dans les réseaux de files d’attente fermés, qu’on peut les citer ci après dans différentes règles
, qui peuvent être utilisées par la suite dans le code source.
4.2 Règles de réduction des réseaux de files d’attente fermés

4.2.1 Une file d’attente avec un feed-back à elle-même
Règle 01
Dans le réseau de files d’attente fermé contenant une file d’attente M/G/∞ avec un feed-back
à elle-même.
Cette file d’attente sera transformée en file d’attente sans feed-back avec un taux de service
µeq et une probabilité de sortie égale à 1. Cela constitue une élimination du feed-back.
F IGURE 4.1 – Une file d’attente M/G/∞ avec un feed-back à elle-même
Le taux de service de la file d’attente résultante est déduit comme suit :
µeq = µ1 ∗ p12 . (4.1)

Exemple 01 :
Soit le réseau de files d’attente suivant :
avec µ1 = 1, µ2 = 0.5, µ3 = 1, µ4 = 2, µ5 = 1.5
F IGURE 4.2 – Exemple des files d’attente M/G/∞ avec un feed-back.
CHAPITRE 4. RÈGLES DE TRANSFORMATION DES RÉSEAUX DE FILES D’ATTENTE 39

4.2. RÈGLES DE RÉDUCTION DES RÉSEAUX DE FILES D’ATTENTE FERMÉS
Le réseau devient comme suit :

µ`1 = µ1 ∗ p12 = 1 ∗ 0, 6 = 0, 6
µ`3 = 1 ∗ 0, 3 = 0, 3
µ`5 = 1, 5 ∗ 0, 8 = 1, 2
F IGURE 4.3 – Résultat de transformation des files d’attente avec feed-back.
4.2.2 Une série de files d’attente

Règle 02
Dans le réseau de files d’attente fermé, on a un sous réseau composé d’une série de files d’attente
M/G/∞, dont les taux de services ne sont pas obligatoirement égaux µ1 , µ2 , ..., µm .
Cette série de files d’attente sera transformée en une seule file d’attente d’un taux de service µeq .
F IGURE 4.4 – Série de files d’attente M/G/∞
Le taux de service de la file d’attente résultante est déduit comme suit :

−1
1 1 1
µeq = + + ... + . (4.2)
µ1 µ2 µm
40 CHAPITRE 4. RÈGLES DE TRANSFORMATION DES RÉSEAUX DE FILES D’ATTENTE

Exemple 02 :
F IGURE 4.5 – Exemple sous réseau de série de files d’attente.
avec µ1 = 1 µ2 = 0, 5 µ3 = 1 µ4 = 2 µ5 = 1, 5

−1 −1
µeq = µ11 + µ12 + µ13 = 11 + 1
0,5
+ 1
1
= 0, 25
F IGURE 4.6 – Résultat de transformation de série de files d’attente.
4.2.3 Une série de files d’attente avec un feed-back

Règle 03
Dans le réseau de files d’attente fermé, on a un sous réseau de files d’attente M/G/∞ en série
avec un feed-back allant de la dernière file d’attente du sous réseau à la première.
Ici, on va transformer ces files d’attente, en une seule file d’attente avec feed-back à elle-même,
d’un taux de service µeq , et de probabilité de retour Pn1 qui reste la même.
Le taux de service de la file d’attente résultante sera comme suit :
−1
1 1 1
µeq = + + ... + (4.3)
µ1 µ2 µn

F IGURE 4.7 – Série de files d’attente M/G/∞ avec feed-back.
Exemple 03 :

avec µ1 = 1 µ2 = 0, 5 µ3 = 1 µ4 = 2 µ5 = 1, 5
F IGURE 4.8 – Exemple de sous réseau de série de files d’attente avec feed-back.

−1 −1
1 1 1 1
µeq = µ2 + µ3 = 0,5 + 1 = 0, 333333
F IGURE 4.9 – Résultat de transformation de série de files d’attente avec feed-back.
4.2.4 Ensemble de files d’attente M/G/∞ en parallèle

Règle 04

Dans le réseau de files d’attente fermé, on a un sous réseau de files d’attente M/G/∞, composé
d’un ensemble de files d’attente décrites comme suit :
À la sortie de la file d’attente 1, on a plusieurs files d’attente en parallèle 2, 3, . . . , n et dont :
pij :Probabilité qu’un client sort de la file d’attente i, et entre dans la file d’attente j.
Ici, on va transformer les files d’attente 1, 2, 3, 4. . . ., n du sous réseau indiqué dans le schéma ci-
dessous, vers une seule file d’attente d’un taux de service µeq .
F IGURE 4.10 – Ensemble de files d’attente M/G/∞ en parallèle.
n
!−1 −1
1 X 1 1 1 1 1
µeq = + P1i = + P12 + P13 + ... + P1n . (4.4)
µ1 i=2 µi µ1 µ2 µ3 µn
Exemple 04 :

avec µ1 = 1 µ2 = 0, 5 µ3 = 1 µ4 = 2
F IGURE 4.11 – Exemple de sous réseau de files d’attente M/G/∞ en parallèle.

−1
1 1 1
µeq = µ2 + µ3 ∗ 0, 6 + µ4 ∗ 0, 4 = 0, 357142

F IGURE 4.12 – Résultat de transformation de sous réseau de files d’attente M/G/∞ en parallèle.
4.2.5 Ensemble de files d’attente M/G/∞ en parallèle avec des feed-back 1

Règle 05
Dans le réseau de files d’attente fermé, on a un sous réseau de files d’attente M/G/∞ , composé
d’un ensemble de files d’attente décrites comme suit :
À la sortie de la file d’attente 1, on a plusieurs files d’attente en parallèle 2, 3, . . . , n avec un feed-
back d’une file d’attente d’entre elles (exemple la file 2) vers la file d’attente de départ (la file 1), et
dont :
Ici, on va transformer les files d’attente 1, 2, 3, 4. . . ., n du sous réseau indiqué dans le schéma
ci-dessous, en une seule file d’attente avec feed-back à elle-même, d’un taux de service µeq , et de
probabilité de retour P11 .
F IGURE 4.13 – Plusieurs files d’attente M/G/∞ en parallèle , avec un feed-back
n
!−1 −1
1 X 1 1 1 1 1
µeq = + ∗ P1i = + ∗ P12 + ∗ P13 + ... + ∗ P1n . (4.5)
Exemple 05 :

avec µ1 = 1 µ2 = 0, 5 µ3 = 1 µ4 = 2 µ5 = 1 µ6 = 2


−1
µeq = µ11 + µ12 ∗ 0, 2 + µ13 ∗ 0, 3 + µ14 ∗ 0, 5
−1
1
µeq = 1 + 0,5 ∗ 0, 2 + 1 ∗ 0, 3 + 12 ∗ 0, 5
µeq = 0, 512820
Sortie vers la file N˚5 :

P15 = P25 ∗ P12 + P35 ∗ P13
P15 = 0, 68 ∗ 0, 2 + 0, 3 ∗ 0, 3
P15 = 0, 226

P16 = P36 ∗ P13 + P46 ∗ P14
P16 = 0.7 ∗ 0, 3 + 0, 4 ∗ 0, 5
P16 = 0, 41
Calcul feed-back :
P11 = P21 ∗ P12 + P41 ∗ P14
P11 = 0, 32 ∗ 0, 2 + 0, 6 ∗ 0, 5
P11 = 0, 364

4.2.6 Ensemble de files d’attente M/G/∞ en parallèle avec feed-back

Règle 06
Dans le réseau de files d’attente fermé, on a un sous réseau de files d’attente, composé d’un
ensemble de files d’attente décrites comme suit :
À la sortie de la file d’attente 1, on a plusieurs files d’attente M/G/∞ en parallèle , avec un
feed-back de la file d’attente 1 à elle-même, et dont :
ci-dessous, en une seule file d’attente avec feed-back, d’un taux de service µeq .
F IGURE 4.16 – plusieurs files d’attente M/G/∞ en parallèle avec un feed-back

n
!−1 −1
1 X 1 1 1 1 1
µeq = + P1i = + ∗ P12 + ∗ P13 + ... + P1n . (4.6)
Exemple 06 :

avec µ1 = 1 µ2 = 0, 5 µ3 = 1 µ4 = 2 µ5 = 1 µ6 = 2

−1
1 1 1 1
µeq = µ1
+ µ2
∗ 0, 2 + µ3
∗ 0, 3 +
∗ 0, 4 µ4
−1
1
µeq = 1 + 0,5 ∗ 0, 2 + 1 ∗ 0, 3 + 12 ∗ 0, 4
µeq = 0, 526315

P15 = P25 ∗ P12 + P35 ∗ P13
P15 = 1 ∗ 0, 2 + 0, 3 ∗ 0, 3
P15 = 0, 29

P16 = P36 ∗ P13 + P46 ∗ P14
P16 = 0.7 ∗ 0, 3 + 1 ∗ 0, 4
P16 = 0, 61
4.2.7 Ensemble de files d’attente M/G/∞ en parallèle avec des feed-back 2
Règle 07
Dans le réseau de files d’attente fermé, on a un sous réseau de files d’attente, composé d’un
ensemble de files d’attente M/G/∞ décrites comme suit :
À la sortie de la file d’attente 1, on a plusieurs files d’attente en parallèle 2, 3, . . . , n avec un feed-
back d’une file d’attente d’entre elles (exemple la file 2) vers la file d’attente de départ (la file 1), et
un feed-back de la file d’attente 1 à elle-même.
ci-dessous, en une seule file d’attente avec un feed-back à elle-même, d’un taux de service µeq .

F IGURE 4.19 – Plusieurs files d’attente M/G/∞ en parallèle avec feed-back.

−1
1 1 1 1 1
µeq = + ∗ P12 + ∗ P13 + ∗ P14 + ... + P1n . (4.7)
µ1 µ2 µ3 µ4 µn
Exemple 07 :

avec µ1 = 1 µ2 = 0, 5 µ3 = 1 µ4 = 2 µ5 = 1 µ6 = 2
F IGURE 4.20 – Exemple sous réseau de files d’attente M/G/∞ en parallèle.

−1
µeq = µ11 + µ12 ∗ 0, 2 + µ13 ∗ 0, 3 + µ14 ∗ 0, 4
−1
1
µeq = 1 + 0,5 ∗ 0, 2 + 1 ∗ 0, 3 + 12 ∗ 0, 4
µeq = 0, 526315

P15 = P25 ∗ P12 + P35 ∗ P13
P15 = 0, 68 ∗ 0, 2 + 0, 3 ∗ 0, 3
P15 = 0, 226

4.3. RÈGLES DE RÉSOLUTION RAPIDE DES RÉSEAUX DE FILES D’ATTENTE FERMÉS

P16 = P36 ∗ P13 + P46 ∗ P14
P16 = 0.7 ∗ 0, 3 + 0, 4 ∗ 0, 4
P16 = 0, 37
Calcul feed-back :
P11 = P11 + P21 ∗ P12 + P41 ∗ P14
P11 = 0, 1 + 0, 32 ∗ 0, 2 + 0, 6 ∗ 0, 4
P11 = 0, 404
4.3 Règles de résolution rapide des réseaux de files d’attente fer-

més
4.3.1 File d’attente M/M/C avec feed-back
Règle 08
Un réseau fermé avec une file M/M/C ayant k clients :
F IGURE 4.22 – Un réseau fermé avec une file M/M/C ayant k clients.
Les mesures de performances de ce réseau sont calculées comme suit :

( ( (
1
, si k ≤ c 0, si k ≤ c 0, si k ≤ c min(k,c)
N = k , T = µk , Q= , W = k−2 , ρ= c
,
c×µ
, si k > c k − c, si k > c µ
, si k > c
λ = µ × min(k, c) .
4.3.2 File d’attente M/G/∞ avec feed-back

Règle 09
Un réseau fermé avec une file M/G/∞ ayant k clients :

F IGURE 4.23 – Un réseau fermé avec une file M/G/∞

1
N =k, T = µ
, Q=0, W =0, ρ=0, λ=µ×k .
4.3.3 Série de filles d’attente M/M/1

Règle 10
Un réseau fermé avec n files d’attente M/M/1 en tandem avec k clients :
F IGURE 4.24 – Un réseau fermé avec n files d’attente M/M/1 en tandem
k+n−1 k(k−1) k−1 k kµ

N (k) = k , T (k) = µ
, Q(k) = k+n−1
, W (k) = µ
, ρ(k) = k+n−1
, λ(k) = k+n−1
.
Exemple 08 :
Soit un réseau fermé constitué de n stations. On suppose que k le nombre de clients dans ce réseau.
avec : n = 50 k = 90 µ=2
F IGURE 4.25 – Exemple d’une série de 50 filles d’attente M/M/1
Les mesures de performances de ce réseau sont :

k+n−1 90+50−1 k(k−1) 90(90−1)
N (k) = k = 90 , T (k) = µ
= 2
= 69, 5 , Q(k) = k+n−1
= 90+50−1
= 58, 043478 ,
k−1 90−1 k 90 kµ
W (k) = µ
= 2
= 44, 5 , ρ(k) = k+n−1
= 90+50−1
= 0, 647482 , λ(k) = k+n−1
= 1, 294964 .

4.3.4 Série de filles d’attente M/G/∞

Règle 11
Un réseau fermé avec n files d’attente M/G/∞ en tandem avec k clients :
F IGURE 4.26 – Un réseau fermé avec n files d’attente M/G/∞ en tandem.
Pn P −1
1 n 1
N (k) = k , T (k) = i=1 µi , W (k) = 0 , Q(k) = 0 , ρ = 0 , λ = k i=1 µi .
Exemple 09 :
Soit un réseau fermé constitué de 5 stations. On suppose que k le nombre de clients dans ce réseau.
avec : k = 80 µ1 = 2 µ2 = 1 µ3 = 1, 5 µ4 = 0, 5 µ5 = 1
F IGURE 4.27 – Exemple d’une série de 5 filles d’attente M/G/∞

P5 1 1 1 1
N (k) = k = 80 , T (k) = i=1 µi = 2
+1+ 1,5
+ 0,5
+ 1 = 5, 166666 , W (k) = 0 , Q(k) = 0 ,
ρ=0, λ= Pn k 1 = P580 1 = 15, 483870 .
i=1 µi i=1 µi
4.3.5 Ensemble de files d’attente M/G/∞ en parallèle

Règle 12
Dans le réseau de files d’attente fermé, on a n files d’attente M/G/∞.
À la sortie de la file d’attente 1, on a (n − 1) files d’attente en parallèle.
(n−1) kµ
N (k) = N (1)k = k , T (K) = T (1) = µ
, W (k) = 0 , Q(k) = 0 , ρ = 0 , λ = (n−1)
.
Exemple 10 :
avec : k = 95 µ=2

F IGURE 4.28 – Un réseau fermé de n files M/G/∞ en parallèle
F IGURE 4.29 – Réseau fermé de 4 files M/G/∞ en parallèle
(n−1) (4−1)
N (k) = k = 95 , T (K) = µ
= 2
= 1, 5 , W (k) = 0 , Q(k) = 0 , ρ = 0 ,
kµ 95∗2
λ= (n−1)
= 3
= 63, 333333 .
4.3.6 Ensemble de files d’attente M/G/∞ en parallèle avec des taux différents
Règle 13
Dans le réseau de files d’attente fermé, on a n files d’attente M/G/∞. À la sortie de la file
d’attente 1, on a n − 1 files d’attente en parallèle.
F IGURE 4.30 – Un réseau fermé de n file en parallèle M/G/∞ avec des taux différent

1
Pn 1
N (k) = N (1)k = k , T (k) = µ1
+ i=2 µi P1i , W (k) = 0 , Q(k) = 0 , ρ = 0 ,
−1
λ = k µ11 + ni=2 µ1i P1i
P
.
Exemple 11 :
avec : k = 80 µ1 = 2 µ2 = 1 µ3 = 1, 5 µ4 = 0, 5
F IGURE 4.31 – Réseau de 4 files M/G/∞ en parallèle avec feed-back.
1
P4 1 1 1 1
N (k) = k = 80 , T (k) = µ1
+ i=2 µi P1i = + 1 ∗ 0, 3 + 1,5
2
∗ 0, 3 + 0,5 ∗ 0, 4 = 1, 8 ,
P4 1 −1
1
W (k) = 0 , Q(k) = 0 , ρ = 0 , λ = k µ1
+ i=2 µi P1i = 44, 444444 .
4.3.7 Ensemble de files d’attente M/G/∞ en parallèle avec feed-back

Règle 14
Dans le réseau de files d’attente fermé, on a n files d’attente M/G/∞. À la sortie de la file
d’attente 1, on a n − 1 files d’attente en parallèle , avec un feed-back de la file d’attente 1 à elle-
même.
F IGURE 4.32 – Un réseau fermé de n file en parallèle M/G/∞ avec feed-back de la station 1 à elle même
1
Pn 1
N (k) = N (1)k = k , T (k) = µ1
+ i=2 µi P1i , W (k) = 0 , Q(k) = 0 , ρ = 0 ,
−1
λ = k µ11 + ni=2 µ1i P1i
P
.

Exemple 12 :
avec : k = 80 µ1 = 2 µ2 = 1 µ3 = 1, 5 µ4 = 0, 5
F IGURE 4.33 – Réseau de 4 files M/G/∞ en parallèle avec feed-back.
1
P4 1 1 1 1
N (k) = k = 80 , T (k) = µ1
+ i=2 µi P1i = + 1 ∗ 0, 2 + 1,5
2
∗ 0, 3 + 0,5 ∗ 0, 4 = 1, 7 ,
−1
1
+ 4i=2 µ1i P1i
P
W (k) = 0 , Q(k) = 0 , ρ = 0 , λ = k µ1
= 47, 058823 .
4.3.8 Réseau de files d’attente M/G/∞

Règle 15
Dans le réseau de files d’attente fermé, on a n files d’attente M/G/∞.
F IGURE 4.34 – Réseau de n files M/G/∞
Quelle que soit le réseau de files d’attente les mesures de performances de ce réseau sont calculées
comme suit :
N (k) = N (1)k = k , T (k) = T (1) , W (k) = 0 , Q(k) = 0 , ρ = 0 , λ(k) = kλ(1) .

4.4. CONCLUSION
4.4 Conclusion
Dans ce chapitre on a traité quinze (15) règles de transformation des réseaux de files d’attente fer-
més, divisées en deux groupes. Le premier groupe qui contient sept (07) règles de réduction utilisées
pour transformer un sous réseau de files d’attente (files en série, files en parallèle . . . .) en une seule
file d’attente. Le deuxième groupe qui contient huit (08) règles de résolution rapide constituées de
formules mathématiques qui calculent directement les mesures de performance du réseau complet.

Chapitre 5
Implémentation des règles de transformation des
réseaux de files d’attente
Sommaire
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2 Implémentation des règles de réduction . . . . . . . . . . . . . . . . . . . . . . 57
5.2.1 Files d’attente avec feed-back . . . . . . . . . . . . . . . . . . . . . . . . 57
5.2.2 Série de files d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
5.2.3 Sous réseaux de files d’attente parallèles . . . . . . . . . . . . . . . . . . . 60
5.3 Fonctionnement de l’application développée . . . . . . . . . . . . . . . . . . . 63
5.4 Étude comparative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
5.4.1 Comparaison entre la technique de résolution rapide et MVA . . . . . . . . 66
5.4.2 Comparaison entre la technique de réduction et MVA . . . . . . . . . . . . 67
5.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
56
5.1. INTRODUCTION
5.1 Introduction
Après avoir étudié dans le chapitre précédent les différentes règles de réduction des réseaux de files
d’attente fermés, dans ce chapitre, on va décrire les implémentation de ces règles dans une première
partie, puis on passe à une démonstration de l’application, et enfin on va faire une étude comparative
entre cette solution et les solutions connues auparavant, à savoir le MVA.
5.2 Implémentation des règles de réduction

Afin de ne pas encombrer l’application de code, concernant les 7 règles de réduction, déjà vu dans
le chapitre précédent, on a opté pour les regrouper en trois groupes de règles similaires.
5.2.1 Files d’attente avec feed-back

Dans un réseau de files d’attente fermé, on cherche toutes les files qui ont un feed-back à soi
même et une seule autre sortie, et on va les transformer en file d’attente sans feed-back, avec un taux
de service différent et qui est calculé comme suit :
Algorithm 4 Files d’attente avec feed-back

Étape 1 : Déclaration.
1: M at : M atrice de routage du réseau de f iles d0 attente

2: N brOut : nombre de sortie de la f ile d0 attente
3: µi : le taux de service de la f ile d0 attente i
Étape 2 : Initialisation.
4: N brOut = 0
5: j = 0
6: P os = −1
Étape 3 : Traitement.
7: for i ← 1 to M at.length do .
8: if M at[i, i] 6= 0 then
9: while j < M at.length do
10: if M at[i, j] 6= 0 and i 6= j then
11: N brOut ← N brOut + 1
12: P os ← j
13: end if
14: end while
15: end if
16: if N brOut = 1 then
17: µ[i] ← µ[i] ∗ (1 − M at[i, i])
18: M at[i, i] ← 0
19: M at[i, pos] ← 1
20: end if
21: end for
CHAPITRE 5. IMPLÉMENTATION DES RÈGLES DE TRANSFORMATION DES RÉSEAUX DE FILES 57

D’ATTENTE
5.2. IMPLÉMENTATION DES RÈGLES DE RÉDUCTION
Exemple :
F IGURE 5.1 – Réseau de 7 files M/G/∞ avec 3 feed-back à elle même.
avec : µ1 = 2 µ2 = 1 µ3 = 1, 5 µ4 = 0, 5 µ5 = 1, 5 µ6 = 0, 5 µ7 = 1, 5
F IGURE 5.2 – Résultat de transformation des 3 files avec feed back à elle-même
avec : µ1 = 2 ∗ 0, 8 = 1, 6 µ2 = 1 µ3 = 1, 5 µ4 = 0, 5
µ5 = 1, 5 ∗ 0, 8 = 1, 2 µ6 = 0, 5 ∗ 0, 6 = 0, 3 µ7 = 1, 5
5.2.2 Série de files d’attente

Dans le réseau de files d’attente fermé de type M/G/∞, on cherche toutes les séries de files
d’attente composée d’au moins deux files, puis on les transforme en une seule file d’attente avec des
paramètres différents.
On cite un exemple, pour mieux comprendre l’implémentation :
Exemple :
F IGURE 5.3 – Exemple d’un réseau de sept files d’attente avec deux série
avec : µ1 = 2 µ2 = 1 µ3 = 1, 5 µ4 = 0, 5 µ5 = 1, 5 µ6 = 0, 5 µ7 = 1, 5
La première série détectée se compose de deux files d’attente 1 et 2, avec feed-back, on la trans-
forme en une seule file d’attente avec feed-back, puis on applique la règle 1 sur cette file d’attente
pour la réduire en file sans feed-back.
58 CHAPITRE 5. IMPLÉMENTATION DES RÈGLES DE TRANSFORMATION DES RÉSEAUX DE FILES

D’ATTENTE
La deuxième série détectée se compose des 2 files d’attente 6 et 7, on la transforme en une seule
file d’attente.
F IGURE 5.4 – résultat transformation de 2 série de files d’attente.
Algorithm 5 Série de files d’attente

Étape 1 : Déclaration.
1: M at : M atrice de routage du réseau de f iles d0 attente

2: µi : le taux de service de la f ile d0 attente i
3: ReduceV ector : série de f iles d0 attente
Étape 2 : Initialisation.
4: i=0
5: k=0
6: nottrouveserie = f alse
7: ReduceV ector ← null
Étape 3 : Traitement.
8: while j < M at.length and nottrouveserie do

9: for i ← 1 to M at.length do .
10: if M at[i, j] = 1 and Sum(M at, j) and i ∈
/ ReduceV ector then
11: ReduceV ector.add(i)
12: i←j
13: k ←k+1
14: break
15: else
16: if i ∈ ReduceV ector then
17: Reduce(M at, ReduceV ector)
18: break
19: trouveserie = true
20: end if
21: end if
22: end for
23: end while

D’ATTENTE
Algorithm 6 Transformation du série de files d’attente

function reduce(M at, ReduceV ector)
2: for i ← 1 to ReduceV ector.length do
µ[ReduceV ector[0]] ← µ[ReduceV ector[0]] + µ[ReduceV ector[i]]
4: end for
for i ← 1 to ReduceV ector.length do
6: supprligne(ReduceV ector[i])
supprcolum(ReduceV ector[i])
8: supprµ([ReduceV ector[i])
end for
10: end function
Ici, le Système détecte une autre série de trois files d’attente : 6,1 et 3 qui seront transformées en
une seule file d’attente, le réseau devient :
F IGURE 5.5 – résultat de transformation de 3 files d’attente en tandem.
Sur ce réseau on va appliquer la règle des sous réseaux de files d’attente parallèles, qui va trans-
former ce réseau en une seule file d’attente avec feed-back.
5.2.3 Sous réseaux de files d’attente parallèles
Dans le réseau de files d’attente fermé de type M/G/∞, on cherche le sous réseau composé d’une
file d’attente avec plusieurs sorties vers des files d’attente en parallèle, puis on le transforme en une
seule file d’attente avec des paramètres différents.
On cite un exemple, pour mieux comprendre l’implémentation.
Exemple :

D’ATTENTE
F IGURE 5.6 – Exemple d’un sous réseaux de trois files d’attente en parallèles.
Le système détecte que la file d’attente 2 a trois (03) sorties vers les files d’attentes 3, 4 et 5,
puis il vérifie que ces derniers ne comportent qu’une seule arrivée (celle de la file d’attente 2), ici on
distingue 04 cas :
1. La file 2 n’a aucun feed-back.
2. La file 2 possède un feed-back vers elle-même.
3. La file 2 possède seulement des feed-back à partir des autres files d’attentes (03, 04 et 05).
4. La file 2 possède un feed-back vers elle-même et d’autres feed-back à partir des autres files
d’attentes (03, 04 et 05).
Dans notre exemple, le système détecte qu’on est dans le 4ème cas. Le système va transformer ce
sous réseau (composé des files 02, 03, 04 et 05) en une seule file d’attente avec feed-back et deux
sorties vers les files 06 et 07 calculés comme suit :
Feed-back :
P22 = P22 + P52 ∗ P25
P22 = 0, 1 + 0, 2 ∗ 0, 4
P22 = 0, 18
Sortie vers la file 06 :

P26 = P23 ∗ P36 + P24 ∗ P46
P26 = 0, 2 ∗ 1 + 0, 3 ∗ 0, 4
P26 = 0, 32
Sortie vers la file 07 :

P27 = P24 ∗ P47 + P25 ∗ P57
P27 = 0, 3 ∗ 0, 6 + 0, 4 ∗ 0, 8
P27 = 0, 5
Après la transformation, le réseau devient comme suit :

D’ATTENTE
F IGURE 5.7 – Résultat transformation du sous réseaux de trois files d’attente en parallèle.
Sur ce réseau,le système détecte qu’on est dans le 2ème cas. Le système va transformer ce sous
réseau (composé des files 02, 06 et 07) en une seule file d’attente avec feed-back
le réseau devient comme suit :
F IGURE 5.8 – Résultat de transformation du sous réseaux de deux files d’attente en parallèle.
le système détecte la règle 1 dans la file d’attente 2. il va transformer a une file d’attente sans
feed-back est ensuite applique la règle d’une série de files d’attente.
Enfin le réseau devient comme suit :
F IGURE 5.9 – Résultat de transformation du série de deux files d’attente.

D’ATTENTE
5.3. FONCTIONNEMENT DE L’APPLICATION DÉVELOPPÉE
5.3 Fonctionnement de l’application développée
Concernant la plate forme de développement de l’application, on a utilisé le langage java avec

l’IDE Eclipse Oxygen1 et JDK1.8.072.
Fenêtre principale de l’application :
F IGURE 5.10 – La fenêtre principale.
Avant d’actionner la résolution, tout d’abord il faut saisir les paramètres du réseau fermé de files
d’attente.
1. Le nombre de files d’attente dans le réseau,
2. Les nombres de serveurs de chaque file d’attente,
3. Les taux de service de chaque file d’attente,
4. La matrice de routage du réseau de files d’attente fermé.
5. Le nombre de clients dans le système.
Comme illustré ci-après :

D’ATTENTE
F IGURE 5.11 – Les paramètres du réseau de files d’attente fermé.
On peut aussi importer un modèle sauvegardé auparavant, comme illustré ci-dessous :
F IGURE 5.12 – importer un modèle qui à été déjà sauvegardé.
En ce qui concerne l’application, on a deux fonctionnalités principales, la résolution par l’algo-

rithme MVA, ou la résolution en utilisant notre méthode de transformation des réseaux fermés de
files d’attente. Si on choisit la première (MVA) les mesures de performance de chaque station seront
calculées comme nous le montre cette illustration :

D’ATTENTE
F IGURE 5.13 – La résolution d’un réseau de files d’attente fermé avec l’algorithme MVA.
D’autre part, si l’on choisit notre méthode de transformation des réseaux de files d’attente fermé
On à deux techniques de transformation la première constituée de formules mathématiques qui cal-
culent directement les mesures de performance du réseau complet, Comme cette illustration nous le
montre :
F IGURE 5.14 – Résolution rapide avec des formules mathématique .
La deuxième technique cherche tous les sous réseau de files d’attentes qui coïncide avec les 7
règles développées, et les transforme en une seule file d’attente, jusqu’à ce que aucun sous réseau

D’ATTENTE
5.4. ÉTUDE COMPARATIVE
trouvé, et on obtient un réseau réduit (en seule station, dans la plus part des cas), puis on applique la
technique MVA pour déterminer les mesures de performance, comme illustré ci-après :
F IGURE 5.15 – Résolution avec transformation du réseau de files d’attente fermé .
5.4 Étude comparative
5.4.1 Comparaison entre la technique de résolution rapide et MVA
Il y’a une nette différence entre la méthode qui utilise les règles de résolution et la méthode MVA,
puisque la première est une méthode rapide de résolution grâce à des formules mathématiques qui
ont seulement besoin du nombre de clients, nombre de stations et taux de services, ces formules
donne directement les mesures de performance du réseau complet sans tenir compte des mesures de
performance de chaque station.
Exemple : Un réseau fermé composé de 50 stations avec 100 clients, ces stations peuvent être :
— En série de type M/M/1.
— Sortie d’une station vers 49 en parallèle de type M/G/∞.
— En série de type M/G/∞.

D’ATTENTE
F IGURE 5.16 – Comparaison entre les règles de résolution et MVA .
On conclut que la résolution en utilisant les formules mathématiques est plus efficace que MVA,
surtout dans les cas où le nombre de stations est très grand. Concernant l’inconvénient de notre mé-
thode, on a travaillé sur ce point, finalement on a déduit une nouvelle règle qui utilise la résolution
MVA pour un seul client quelque soit la forme du réseau, ensuite elle déduit directement les mesures
de performances pour K clients. Plus que le nombre de client est grand, plus qu’on gagne de temps.
Par exemple si on 1000 clients dans le système, au lieu de refaire le calcul des mesures de perfor-
mance 999 fois avec MVA, on va calculer ces mesures une seule fois pour déduire directement le
résultat final pour les 1000 clients, avec cette règle.
5.4.2 Comparaison entre la technique de réduction et MVA

La technique de réduction est basée sur la réduction de tout sous réseaux détecté en une seule
station, jusqu’à la réduction du réseau global en un réseau simple qu’on va lui appliquer la méthode
MVA pour un client et en déduire les mesures de performance pour k clients.
On cite un exemple d’un réseau composé de 18 stations et 100 clients comme indiqué dans la
figure ci-dessous :
F IGURE 5.17 – Exemple d’un réseau composé de 18 stations .

D’ATTENTE
En utilisant MVA :
En calcul les mesures de performances de chaque station (18 stations) avec 01 seul client, puis
refaire le calcul avec 02 client, et ainsi de suite jusqu’à refaire le calcul avec 100 clients. Et la forme
du réseau reste inchangée.
En utilisant la technique de réduction :

le système va procéder comme suit
Niveau 1 :
Éliminer les feed-back des stations 02,04,08,13,15 en appliquant la règle 1.
Niveau 2 :
Réduire les sous réseaux des stations en série, ici on la 1ère série 1,2,3 ; la 2ème 13,14,15 et la 3ème
16,17,18, en appliquant consécutivement les règles 3, 2, 3.
F IGURE 5.18 – Niveau 2 de transformation du réseau 12 stations .
Niveau 3 :
Réduire le sous réseau des stations 1,4,5,6,7 en appliquant la règle 6. Le réseau devient comme suit :
Niveau 4 :
Éliminer le feed-back de station 16 en appliquant la règle 1,ensuite réduire le sous réseau des stations

D’ATTENTE
13,16 en série en appliquant la règle 2. Le réseau devient comme suit :
Niveau 5 :
Réduire le sous réseau des stations 1,8,9,10 en appliquant la règle 6. Le réseau devient comme suit :
Niveau 6 :
Réduire le sous réseau des stations 1,11,12 en appliquant la règle 6. Le réseau devient comme suit :
Niveau 7 :
Éliminer le feed-back de station 1 en appliquant la règle 1,ensuite réduire le sous réseau des stations
1,13 en appliquant la règle 6. Le réseau devient comme suit :

D’ATTENTE
5.5. CONCLUSION
F IGURE 5.23 – Niveau 7 de transformation du réseau 1 seul station .
Sur ce réseau final, on va appliquer MVA pour un seul client, et on déduit les mesures de perfor-
mance pour 100 clients en utilisant la règle 15.
On conclut que cette technique facilite la compréhension et l’étude des grands modèles de réseaux
fermé de files d’attente ainsi que Le modèle résultant devient plus facile à comprendre et réduit le
temps consommé dans l’analyse et la simulation.
5.5 Conclusion
En conclusion, dans la première partie on a détaillé l’implémentation des règles de transformation
des réseaux de files d’attentes fermés avec des exemples et des algorithmes. Dans la deuxième par-
tie on a fait une démonstration de l’application avec des captures écrans qui facilitent à l’opérateur
son utilisation. Dans la troisième partie, on a élaboré une étude comparative entre notre technique de
transformation implémentée dans l’application et la technique MVA, et on a conclu que notre tech-
nique est plus efficace en matière de réduction du temps d’analyse et permet de faciliter l’étude et la
compréhension des grands modèles, ainsi que l’automatisation de cette techniques de transformation
permet d’éviter les erreurs.

D’ATTENTE
Conclusion générale et perspectives
Le projet présenté a pour objectif essentiel d’étudier et de traiter les problèmes de complexité
d’analyse des réseaux de files d’attentes fermés, ainsi que la réduction automatisé de ces réseaux. Il
s’agissait des deux techniques efficaces de transformation des modèles de réseaux de files d’attente à
savoir :
La première technique utilisée pour transformer autant que possible le réseau de files d’attente jus-
qu’à l’obtention d’un modèle réduit et simple à exploiter. Notre motivation, dans ce travail, consistait
à minimiser le temps d’analyse des modèles de réseaux de files d’attente fermés de grande taille, cela
réduit considérablement le nombre de composants du modèle et aussi le temps écoulé dans l’analyse.
La deuxième technique de résolution est très rapide. elle nous fournie dans un laps de temps les
mesures de performance du réseau complet, en utilisant des formules mathématiques qui ont seule-
ment besoin du nombre de clients, nombre de stations et taux de services, et ce, sans tenir compte des
mesures de performance de chaque station.
Les avantages spécifiques importants de ces techniques sont les suivants
— Réduire le temps d’analyse des modèles de files d’attentes fermé,
— L’automatisation de la technique de transformation,
— l’élimination de l’intervention de l’utilisateur,
— la transformation d’un modèle de grande taille à un modèle simple, ce qui facilite la compré-
hension à l’exploitant.
Les techniques de réduction et/ou résolution rapide sont une piste prometteuse pour trouver des
solutions analytiques exactes ou au pire des cas approchées dans un temps très réduit, ce qui est très
utile et pratique pour les gros modèles issues de la modélisation de systèmes complexes rencontrés
actuellement.
Comme perspectives et améliorations futures des travaux déjà réalisés dans le cadre de ce projet,
nous pouvons citer :
— L’utilisation de l’ingénierie dirigée par les modèles pour renforcer l’automatisation des trans-
formations et la rendre plus formelle et indépendante du code (Java). Elle deviendra sous une
forme plus abstraite, facilement vérifiable et maintenable.
— on peut appliquer la technique de transformation sur des cas d’études plus complexes et impor-
tants.
— Il faut aussi conclure que les techniques de réduction et/ou résolution rapide sont une piste pro-
metteuse pour trouver des solutions analytiques exactes ou au pire des cas approchées dans un
temps très réduit, ce qui est très utile et pratique pour les gros modèles issues de la modélisation
de systèmes complexes rencontré actuellement.
71
Bibliographie
[1] Filipowicz, B., & Kwiecień, J.

Queueing systems and networks. Models and applications.
Bulletin of the Polish Academy of Sciences. Technical Sciences, 56(4). 2008. 4
[2] Djouhra, Dad.

Modélisation et simulation du flux dans un réseau pour la régulation du trafic.
Magister Dissertation. Université Ahmed Ben Bella d’Oran 1 Es Senia, Algeria. 2011. 4, 6, 7,
8, 9
[3] Dao Thi Thu Ha.

Les files et les réseaux zero-automatiques.Réseaux et télécommunications.
Thèse de doctorat. Université Paris-Diderot - Paris VII, 137 pages. 2007. 4, 20, 24
[4] Gunter Bolch, Stefan Greiner, Hermann de Meer, Kishor S.Trivedi.

Queueing Networks and Markov Chains Modeling and Performance Evaluation with Computer
Science Applications.
John Wiley & Sons Inc. Second Edition. New Jersey. 896 pages. 2006. 4, 27, 30, 34, 35, 36
[5] Ivo Adan and Jacques Resing.

Queueing Systems.
Department of Mathematics and Computing Science Eindhoven University of Technology. 182
pages March 26, 2015. 5, 7, 8
[6] Kebbas Salah.

Contribution à la Correction et l’Amélioration de la Qualité de Service dans une Entreprise
Publique, en utilisant les Réseaux de Files d’Attente.
MÉMOIRE DE MAGISTER, 100 pages. 2013 5, 6, 7
[7] William J.Stewart.

Probability Markov Chains Queues and Simulation
Published by Princeton University Press, United Kingdom : Princeton University Press, 6 Oxford
Street, 777 pages. 2009 6, 19, 20, 21, 22, 30, 31, 32, 34, 36
[8] Houda Mehri, Taoufik Djemel, Hichem Kammoun.

Solving of waiting lines models in the airport using queuing theory model and linear program-
ming. The practice case AIMHB.
2006. 7, 12
72
BIBLIOGRAPHIE
[9] Moshe Zukerman.

Introduction to Queueing Theory and Stochastic Teletraffic Models.
University of Hong Kong, 2017 7, 9, 10, 13, 17
[10] Howard M. Taylor,Samuel Karlin.

An Introduction to Stochastic Modeling.
Third Edition. ACADEMIC PRESS San Diego., 664 pages. ISBN-13 : 978-0-12-684887-8 1998
12
[11] Daoudi Abdelkarim.

Systèmes de files d’attents M/G/1 avec rappels et groupes impatients.
Mémoire présenté en vue de l’obtention du diplôme de Master Académique Université Dr Tahar
Moulay - Saïda.22 Mai 2017. 63 pages. 2017 13
[12] Claudie Chabriac.

Processus stochastiques et modélisation.
UNIVERSITE DE TOULOUSE LE MIRAIL.141 pages. 2013. 13, 27, 28
[13] Mohamed Jarraya.

Cours modélisation des réseaux et évaluation des performances.
2006 14, 17, 18
[14] J.R. Jackson.

Networks of waiting lines.
Operations Res., 5 :518–521, 1957. 20
[15] Bonald Thomas, Feuillet Mathieu .

Performances des réseaux et des systèmes informatiques .
15 avril 2011. 19, 20
[16] Philippe Robert.

Réseaux et files d’attentes : méthodes probabilistes
Springer Science , Business Media, 18 oct. 2000 . 370 pages 20
[17] G. Pujolle.
Réseaux de files d’attente à forme produit.
Rapport de recherche RR-0019, INRIA. 1980. 20
[18] J. Buzen.
Queueing Network Models of Multiprogramming.
PhD thesis, Div. of Engineering and Applied Physics, Harvard University, 1971. 27
[19] S. Lavenberg and M.Resier.

Stationary State Probabilities at Arrival Instants for Closed Queueing Networks with Multiple
Types of Customers.
Journal of Applied Probability, 1980. 30
[20] K.C.Sevcik and I. Mitrani.

The Distribution of Queueing Network States at Input and Output Instants.
Journal of the ACM„ 1981. 30
BIBLIOGRAPHIE 73
BIBLIOGRAPHIE
[21] A.Harbaoui.
Vers une modélisation et un dimensionnement automatiques des applications réparties.
thèse de Doctorat, Université de Grenoble, 2011. 18, 21
[22] M. Reiser.
Mean value analysis of queueing networks, a new look at an old problem.
4th Int. Symp. on Modelling and performance Evaluation of computer Systems, pages 63–67,
1979. 21, 36
[23] M. Reiser and H. Kobayashi.

O On the convolution algorithm for separable queuing networks.
In Proceedings of the 1976 ACM SIGMETRICS conference on Computer performance mode-
ling measurement and evaluation, pages 109–117. ACM New York, NY, USA, 1976. 21, 36
[24] M. Reiser and S.S. La Venberg.

Mean value analysis of closed multichain queueing networks.
J. ACM, pages 313–323, 1980. 21
[25] P. Schweitzer.
Approximate analysis of multiclass closed networks of queues.
In International conference on stochastic control and optimization, pages 25–29, 1979. 21
[26] K.M. Chandy and D. Neuse.

Linearizer : a heuristic algorithm for queueing network models of computing systems.
ACM, 1982. 21
[27] F. Baskett, K.M. Chandy, R.R. Muntz, and F.G. Palacios.

Open, closed, and mixed networks of queues with different classes of customers.
Journal of the ACM (JACM),248–260, 1975. 21
[28] C.Little.
A proof for the queuing formula : L = λw.
Operations Research, pages 383–387, May-June 1961. 9
[29] D. G. Kendall.
Stochastic Processes Occurring in the Theory of Queues and their Analysis by the Method of the
Imbedded Markov Chain.
The Annals of Mathematical Statistics. 24 (3) : 338. doi :10.1214/aoms/1177728975. JSTOR
2236285. 6
[30] Jean-François Hêche, Thomas M. Liebling, Dominique de Werra.

Recherche opérationnelle pour ingénieurs, Volume 2
PPUR presses polytechniques, 2003 - 410 pages. 24
[31] Jean-Michel Fourneau, Nihal Pekergin. Dominique Verchère.

Réseaux généralisés multiclasses avec synchronisation cycliques.
RAIRO.recherche opérationnelle, tome 32, 1998. 18
74 BIBLIOGRAPHIE
View publication stats

MasterAD2018 GHORABChahrazed

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

MasterAD2018 GHORABChahrazed

Transféré par

Droits d'auteur :

Formats disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Réduction automatisée des réseaux de ﬁles d’attente fermés

Thesis · June 2018

Chahrazed Ghorab Abdelhabib Bourouis

The user has requested enhancement of the downloaded file.

U NIVERSITÉ L ARBI B EN M’H IDI -O UM E L B OUAGHI

Réduction automatisée des réseaux

Devant le jury composé de :

Table des matières III

Table des figures V

1 Les files d’attente 3

1.12 File d’attente M/G/ ∞ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

2 Les réseaux de files d’attente 16

3 Algorithmes pour les réseaux de files d’attente fermés 26

4 Règles de Transformation des réseaux de files d’attente 38

II TABLE DES MATIÈRES

4.2.7 Ensemble de files d’attente M/G/∞ en parallèle avec des feed-back 2 . . . 47

5 Implémentation des règles de transformation des réseaux de files d’attente 56

Conclusion générale et perspectives : 71

TABLE DES MATIÈRES III

1.1 Représentation d’une File d’attente. . . . . . . . . . . . . . . . . . . . . . . . . . . 4

2.1 Réseau de files d’attente. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

3.1 Un modèle de file d’attente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4.1 Une file d’attente M/G/∞ avec un feed-back à elle-même . . . . . . . . . . . . . . 39

4.15 Résultat de transformation de sous réseau de files d’attente M/G/∞ en parallèle. . . 45

5.1 Réseau de 7 files M/G/∞ avec 3 feed-back à elle même. . . . . . . . . . . . . . . . 58

TABLE DES FIGURES V

Je remercie très chaleureusement mon encadreur Dr.BOUROUIS Abdelhabib, de m’avoir proposé

La modélisation, la simulation et la résolution analytique des modèles de réseaux de files d’attente

1.2 Représentation de Files d’attente

F IGURE 1.1 – Représentation d’une File d’attente.

1.3 Chaîne de Markov

1.3.1 Modèles Markoviens

1.3.2 Modèles non Markoviens

4 CHAPITRE 1. LES FILES D’ATTENTE

1.4 Identification d’une file d’attente

1.4.1 Le processus d’arrivée

1.4.2 Le processus de service

1.4.3 La discipline de la file

1.4.4 Nombre des serveurs

F IGURE 1.2 – File d’attente avec plusieurs serveurs.

CHAPITRE 1. LES FILES D’ATTENTE 5

1.4.5 Capacité de la file d’attente

F IGURE 1.3 – File d’attente à capacité limitée.

1.4.6 Notion de classes de clients

1.5 Caractéristiques d’un système de files d’attente

6 CHAPITRE 1. LES FILES D’ATTENTE

Les symboles communs pour A et B comprennent M (exponentiel), D (constant ou détermi-

1.6 Processus de Poisson

P (temps inters_arrivées > t) = e−λt (1.2)

1.7 Loi exponentielle

1.8 Mesures de performance

CHAPITRE 1. LES FILES D’ATTENTE 7

T emps de réponse = temps d0 attente + temps de service (1.7)

Longueur de file d’attente Q : c’est le nombre de clients en attente dans la file.

πk : est la probabilité d’existence de k clients dans le système de file d’attente.

8 CHAPITRE 1. LES FILES D’ATTENTE

1.9 Processus de naissance et de mort

F IGURE 1.4 – Ensemble d’états et transitions dans une chaine de Markov.

1.10 File d’attente M/M/1

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

CHAPITRE 1. LES FILES D’ATTENTE 9

1.10.2 Diagramme de transition d’état M/M/1