Université de BBA Département de RO

M2 RO Matière : Modélisation et Simulation

Applications de la simulation de MC

2. Gestion de stocks
L’utilisation de la simulation rencontre de nombreuses
applications dans le domaine du management, de la gestion ou Le stock au début de l’exercice es t de 10 objets. Le
du marketing. La vente d’un article e s t suivie de la mise à jour gestionnaire effectue une simulation pour T = 4 (on passe
du stock et, s’il y a lieu, du déclenchement d’une commande commande dès que le nombre d’objets en fin de journée
auprès du fournisseur. Aujourd’hui il est courant de mettre à jour est égal ou inférieur à 4) et Q = 12 (on commande 12
en temps réel un inventaire, et cela de manière automatique, par objets à la fois).
exemple par lecture optique des codes à barres des articles qui
a bandonnent un stock.
Nous allons illustrer ici, par un exemple simple, la solution d’un
problème d’inventaire.

Les statistiques d’un concessionnaire d’une grande marque de

voitures sur la demande journalière d’un certain modèle présentent
la distribution suivante :

De même, le délai de livraison peut varier entre 2 et 5 jours

avec les probabilités suivantes :

L’objectif du gestionnaire du stock sera d’avoir

constamment l’objet en stock, tout en respectant certaines
contraintes élémentaires de coût, à savoir éviter d’avoir un
stock trop important et des commandes en trop faibles
quantités (économies d’échelle).
Deux éléments sont à déterminer, à savoir : la quantité en
stock T critique qui déclenche une nouvelle commande et la
quantité à commander Q. En supposant que les valeurs Q et
T soient fixées par le gestionnaire, il s’agit de simuler le
processus sur une période donnée et de répondre aux
questions suivantes : quel a été le nombre moyen d’objets
en stock par jour ? Quel a été le nombre de jours durant
lesquels l’objet manquait en stock ? Quel a été le nombre (a) nombre moyen d’objets en stock : 187/40 = 4,67 ;
de clients n’ayant pas pu être servis ? (b) nombre de jours durant lesquels l’objet manque en
stock : 10 jours ;
On génère deux séries de nombres aléatoires compris par (c) nombre de clients n’ayant pas pu être servis : 22.
exemple entre 0 et 99 afin de simuler les variables aléatoires
représentant les quantités demandées et les délais de Compte tenu du délai de livraison et de la demande
livraison. Les nombres aléatoires s ont répartis selon la journalière, on s’aperçoit que le gestionnaire passe
procédure suivante : commande beaucoup trop tard. En prenant par exemple
T=6 et en utilisant les mêmes nombres aléatoires, le
Quantité Probabilité Nombre nombre moyen d’objets par jour serait de 5,45, le nombre
demandée aléatoire de jours durant lesquels l’objet manque en stock 7, et le
nombre de clients n’ayant pas pu être servis 11.
0 1/10 0 - 09
1 1/10 10 - 19 Il s’agit dès lors pour le gestionnaire de refaire la
2 1/5 20 - 39 simulation en modifiant les valeurs T et Q jusqu’à ce qu’il
3 3/10 40 - 69 obtienne des résultats compatibles avec ses attentes.
4 1/5 70 - 89
5 1/10 90 - 99

1/2
 Pour simuler l’arrivée (ou plutôt l’inter-arrivée) des clients, en sachant
que les clients arrivent avec une moyenne de 15 clients par heure (1
3. Systèmes de files d’attente client toutes les 4 minutes), nous utiliserons des nombres aléatoires ui
Un phénomène de file d’attente se caractérise par le fait que plusieurs distribués uniformément sur [0, 1], et la transformation ti = −4 ln(ui).
clients en même temps demandent à être servis. Les clients arrivent de
manière aléatoire et nous supposons que les arrivées sont indépendantes
les unes des autres.
Le temps qui sépare deux arrivées consécutives sera appelé inter- Ensuite, il faut calculer la fonction de répartition des temps de service :
arrivée.
Pour étudier un phénomène d’attente, on peut donc décomposer la
période concernée en plusieurs périodes élémentaires, telles que dans
chacune d’entre elles la loi des inter-arrivées soit considérée comme À l’aide d’un autre ensemble, indépendant du premier, de nombres
constante. aléatoires distribués uniformément sur [0, 1], vi, cette fonction permet
Le temps nécessaire pour fournir au client le service qu’il demande, la de simuler les temps de service ts,i.
durée ou temps de service, doit être pris en compte dans une La formule
simulation. D’autres éléments essentiels dans un problème de file
d’attente est le nombre de guichets et la distribution des temps de Donne
service pour chaque opérateur de guichet.
Dans la plupart des cas, on peut considérer que la loi des inter-arrivées
est une loi exponentielle. C’est en effet la loi qui correspond à une Voici le résultat d’une simulation :
fréquence uniforme, et à des arrivées non corrélées entre elles. La
densité de probabilité qu’un temps t sépare l’arrivée de deux clients est
alors égale à :
f(t) = λe−λt
Où λ représente le nombre moyen d’arrivées de clients par unité de
temps. Cela revient à dire que la probabilité pn d’observer n arrivées
pendant l’unité de temps suit la loi de Poisson :
pn =e−λ λn / n!
.
Des hypothèses peuvent être faites pour modéliser le phénomène en
question.
(a) la durée de service suit la même loi de probabilité pour tous les
clients, c’est-à-dire qu’il n’existe pas plusieurs catégories de clients ;
(b) la durée de service suit la même loi à chaque guichet, c’est-à-dire
qu’il n’y a pas de serveur plus rapide que d’autres ;
(c) les durées de service sont indépendantes les unes des autres.

Par conséquent, le problème est de trouver le nombre optimal de

guichets à ouvrir de sorte que les clients attendent le moins possible.

Exemple Le gérant d’une agence de voyages a observé que le temps de

service des employés qui reçoivent les clients est distribué selon la
fonction de densité Travail à faire : Programmer ce système de file d’attente !

Le nombre moyen de clients est de 15. Trois guichets sont ouverts et

organisés pour que les clients (qui font une queue unique) soient servis
au premier guichet qui se libère.
Le gérant désirerait savoir si l’attente des clients au guichet est
acceptable ou non (le critère étant le suivant : l’attente des clients est
acceptable si la somme des attentes de tous les clients ne dépasse pas le
temps durant lequel ces mêmes clients ont été servis).

Si les temps d’inter-arrivée sont régis par une loi exponentielle, Aider
le gérant à prendre sa décision en simulant le phénomène depuis
l’heure d’ouverture à l’heure de fermeture, une heure après.

2/2