Modélisation Et Simulation Part 5

Modélisation et simulation
Dr. JGOUTA Meriem

1
Plan
Introduction
Avantages et nécessité de la modélisation dans la conception et l'analyse

des systèmes manufacturiers.
Techniques évaluatives de modélisation
Éléments de base de la simulation
Étapes à suivre pour réaliser un projet de simulation
Description des différents logiciels et langages de simulation
2
Introduction Mots clés : modélisation, modèle
■ Qu’est ce qu’un modèle ?

Une représentation d'un objet, d'un système ou d'une idée sous une forme autre que celle de
l'entité elle-même.
■ Types des modèles ?

 Physique (Maquettes, prototypes d'usines,…)
 Mathématique (Modèles de files d'attente analytiques, programmes linéaires, simulation)
3
Introduction Mots clés : modélisation, modèle
■ La modélisation : c’est passer de la réalité au modèle qui est un résultat d’une simulation.
■ Définir l'objectif de la modélisation (lié au cahier des charges) : Pourquoi modélise-t-on ?

Qu'étudie-t-on ? Que veut-on améliorer, ou faire ?
■ Définir les éléments du système (via la réalisation d'une fonction, ou d'un processus) et les limites
du système (les entrées, les sorties).
■ Définir les interactions entre ces éléments (hiérarchie).
■ Définir la dynamique du système (entités qui circulent entre les éléments, comportement du
système au cours du temps).
■ Abstraction (choisir les éléments du système pertinents pour l'étude).
■ Formalisation, conceptualisation : Modèle mathématique (algèbre, chaînes de Markov), modèle
logiciel (Simulink, Siman-Arena), modèle graphique (réseaux de Petri, bond graphs).
4
Introduction Mots clés : simulation
■ Qu’est ce que la simulation?

Une simulation d'un système est le fonctionnement d'un modèle, qui est une représentation de ce
système.
C’est l'imitation du fonctionnement d'un système en mode réel au fil du temps.
La simulation est un processus qui consiste à :
■ Concevoir un modèle du système (réel) étudié,

■ Mener des expérimentations sur ce modèle (et non pas des calculs),
■ Interpréter les observations fournies par le déroulement du modèle et formuler des décisions
relatives au système.
5
Introduction Mots clés : simulation
Quel est le but de la simulation ?
 Reproduire, faute de calculer

 Représenter la réalité
 Diagnostiquer les problèmes
 Prendre en compte les grandeurs aléatoires
 Raisonner d'après les flux , relations de cause à effet
 Observer instant par instant
 Tenir compte des conflits de ressources
 Approche dynamique
 Prendre en compte les règles de pilotage d'un système
 Etre accessible aux décideurs opérationnels
 Aide à la décision
6
Un modèle de simulation permet de représenter
Introduction fidèlement un système complexe ... MAIS ...
Quel sont les inconvénients de la simulation ?
Il ne permet pas, contrairement aux méthodes analytiques de résoudre directement le problème. Il
s’agit d’un modèle comportemental (What if)
Gammes
Nomenclatures
Ressources Changements d’état
Processus Indicateurs de
Marché performance
Règles de gestion
Interprétation 7
Introduction Mots clés : système
■ Qu’est ce qu’un système?

 Un ensemble organisé ( défini par une loi)
 Un complexe d’éléments respectant une loi.
 Ensemble d’éléments en interaction dynamique organisés en fonction d’un but.
8
Domaine d’application
Introduction
Simulateur de vol Système de flux de production Flux logistique et systèmes de transport
Production des services Système informatique et Domaine militaire , météo, …

télécommunication
9
Avantage et nécessité de la modélisation dans la conception et
l’analyse des systèmes manufacturiers
Mots clés : systèmes manufacturiers
■ Qu’est ce qu’un système manufacturier ?
10

Problèmes de
Problèmes de FONCTIONNEMENT
DIMENSIONNEMENT
Problèmes de
MAINTENANCE
Un système
industriel
de production
Problèmes de
PANNES ET ALEAS
Problèmes de
Problèmes d' PRODUCTIVITE
ORDONNANCEMENT 11
■ Quel est l’avantage et la nécessité de modéliser et analyser un système manufacturier ?
 Complexité croissante
 Interaction très forte entre les différents éléments
Nécessité d’une approche globale
12
Méthodologie générale :
13
■ Quelles sont les méthodes et outils de modélisation ?

Parmi les modèles utilisés pour l'étude de ces systèmes, il y a :
 Les modèles mathématiques

- Les réseaux de files d'attente : évaluation analytique de performances,
- Les réseaux de Petri : analyse des propriétés, évaluation de performances, simulation,
- Les modèles (et programmes) de simulation.
14
 Les modèles physiques composés de :

- variables,
- objets (centres de services, clients, ressources) caractérisés par des attributs : Fixes (i.e.,
dont la valeur ne change pas au cours du temps, exemple : Type de pièce), ou variables
(i.e., dont la valeur change au cours du temps, exemple : Occupation d’une machine),
- relations entre ces objets (services effectués au cours du temps).
15
Les indicateurs de performances et aide à la décision

 Volume de production :
- Nombre et type de pièces produites,
- Nombre et type de pièces défectueuses, ...
 Engagement des ressources :
- Taux d'utilisations : Machines, outils, personnel, stock, ...,
- Temps passé par un élément dans un état : Ressources, machines (en
fonctionnement, inoccupées, en panne), cycle de pièce, ...
16
A quel niveau ?
■ La simulation : une aide à la conduite
17
■ La simulation : une aide à la traçabilité
18
■ La simulation : pour définir un futur système
19
Techniques évaluatives de modélisation
Mots clés : techniques évaluatives
■ Parmi les modèles utilisés pour l’étude des systèmes :
1. Les réseaux de pétri : analyse des propriétés, évaluation de performance, simulation

2. Les réseaux de files d’attentes : évaluation analytique de performances
3. Les modèles et programmes de simulation
20
Techniques évaluatives de modélisation : Réseau de pétri
■ Objectif: Modéliser le comportement dynamique d’un système discret.
Modèle opérationnel exprimant à la fois le flot de contrôle et le flot de données.
■ Avantages:
 Permet de considérer la structure du système et l’évolution du flot de données.
 Permet de représenter les changements d’états et la causalité des événements que
provoquent ces changements.
 Modèle solidement assis sur des bases formelles.
21
■ Un réseau de Pétri est un graphe orienté comportant:

 Un ensemble fini de places P= {P1, P2,…. Pn} : conditions ou statuts (machine libre,
stock vide …)
 Un ensemble fini de transitions T= {T1, T2,…, Tn} : événements ou actions (arrivée

d’une pièce, …)
 Un ensemble fini d’arcs orientés et unidirectionnels
 La satisfaction d'une condition est modélisée à l'aide d'un jeton

22
■ Exemple :
Pour le RdP ci-dessus, le poids de l'arc reliant P1 à T1 est égal à 1, alors que celui reliant T1
à P2 est égal à 5.
23
■ Les situations suivantes sont interdites :
24
■ Notations :
25
■ Marquage:
Chaque place contient un nombre entier (positif ou nul) de marques ou jetons.
 Le nombre de marque contenu dans une place Pi sera noté soit M(Pi) soit mi.
 Le marquage du réseau à l'instant i, Mi est défini par le vecteur de ces marquages mi
c’est -à-dire Mi= (m1, m2, …,mn).
 Le marquage dit initial décrit l'état initial du système modélisé (M0).
26
■ Exemple:
 Ce RdP possède 4 places, 4 transitions et 8 arcs orientés. Soit donc : P = {P1, P2, P3, P4} et
T= {T1, T2, T3, T4} ;
 Le marquage initial est M0 = (2, 1, 1,0) ;
 La place P1 est en amont (une entrée) de la transition T2 et elle est en aval (une sortie) de la
transition T1 ;
 T1 est une transition sans place d'entrée: transition source ; T2 est une transition sans place de
sortie: transition puit.
27
■ Franchissement d’une transition:
Pour qu'une transition soit franchissable, il faut et il suffit que l'on trouve dans toutes les
places immédiatement amont à cette transition, le nombre de marques est supérieur ou égale
au poids des arcs reliant respectivement chacune de ces places à cette transition.
28
■ Exemple 1 :
Pour le premier marquage,

T1 n'est pas validée car T1 est validé
le nombre de jetons dans
P1 (1) est inférieur au poids
de l'arc reliant P1 à T1 (2).
29
■ Exemple 2 :
T1 n’est pas validée car P1

ne contient pas
suffisamment de jetons. T1 est validé
30
■ Toute transition franchissable est immédiatement franchie

■ Le franchissement (tir) de Tj consiste à retirer Pré (Pi , Tj ) jetons dans chacune des
places directement en amont de Tj et à ajouter Post (Pk , Tj ) jetons dans chacune des
places Pk directement en aval de Tj
31
■ Selon les poids attribués aux arcs liés à une transition donnée, les transitions sont :
"Consommatrice", "Génératrice" ou "Conservatrice" de marques.
T est génératrice
T est consommatrice
T est conservatrice
32
■ Exemple :
Transition génératrice
33
■ Récapitulatif :
Un Rdp peut être interprété en termes de processus, d’actions et de ressources.
1. Les transitions servent à modéliser les actions des processus.
2. Les jetons représentent des ressources consommables.
3. Le franchissement d’une transition représente l’exécution d’une action
(consommation & production de ressources).
4. Les flèches entrantes indiquent les conditions à satisfaire avant l’action (ressources
nécessaires). Les flèches sortantes représentent les conditions à satisfaire après l’action
(ressources à produire).
5. La présence d’un jeton marque la satisfaction, partielle ou totale, d’une condition (i.e.
présence d’une ressource).
34
■ Exemple simple 1 : Producteur consommateur
Objectif : Modéliser la coordination entre deux processus dont un est le producteur et

l’autre le consommateur d’une ressource.
• Le producteur produit un objet (item) et le dépose dans un tampon (bac),
• Le consommateur prend l’objet dans le bac et le « consomme ».
Contrainte: avant que le consommateur ne puisse exécuter l’action « consommer », le
producteur doit avoir fini l’action « produire ».
Utilité: simulation de processus industriels (à de fins d’automatisation), modélisation de
traitement de données asynchrone.
35
Producteur: Consommateur:
• produire • prendre
• déposer • consommer
Prêt-à-produire Prêt-à-prendre
bac
produit dépose prend consomme
Prêt-à-déposer Prêt-à-consommer
36
■ Exemple simple 2 :
Soit une machine dont l'état est soit en marche soit en arrêt (son état initial). Proposez un
RdP qui compte le nombre de passage de cet état dans la valeur marche.
37
■ Matrice d’incidence:
 Matrice post-incidence
C'est une matrice à n lignes et m colonnes avec n le nombre de places et m le nombre de
transitions dans le Rdp.
Chaque élément de cette matrice Post (Pi, Tj) correspond au nombre de jetons à rajouter
dans Pi en franchissant Tj.
38
 Matrice post-incidence : Exemple
39
 Matrice pré-incidence
C'est une matrice à n lignes et m colonnes avec n le nombre de places et m le nombre de
transitions dans le Rdp.
Chaque élément de cette matrice Pré (Pi, Tj) correspond au nombre de jetons à enlever dans
Pi en franchissant Tj.
40
 Matrice pré-incidence : Exemple
41
C'est une matrice à n ligne et m colonnes avec n le nombre de places et m le nombre de
transitions dans le RdP.
Chaque élément de cette matrice C (Pi, Tj) correspond au nombre de jetons à rajouter moins
celui à enlever dans Pi en franchissant Tj.
42
■ Matrice d’incidence: Exemple
43
■ Rdp : Occurrences externes ( travail à faire)
44
■ Rdp : temporisation ( travail à faire)
45
■ Propriétés des Réseaux de pétri
1. Conflits structurels
2. Graphes Rdp
3. Rdp pur & Impur
4. Rdp propre
5. Vivacité, Quasi vivacité et pseudo vivacité
6. Rdp sauf ( binaire)
7. Rdp sans blocage
46

 Concurrence à la fourniture de jetons dans une place : C'est la convergence d'arcs sur
une place.
 Concurrence à la consommation des jetons d'une place : C'est la divergence d'arcs à

partir d'une place.
47

 Synchronisation dans la consommation de jetons de plusieurs places : C'est la
convergence de plusieurs arcs sur une transition.
 Synchronisation dans la fourniture de jetons à plusieurs places : C'est la divergence

d'arcs à partir d'une transition.
48

2. Graphes Rdp : Graphe d’événements
 Les graphes d'événements sont une sous-classe de RdP pour lesquels toute place a
exactement une transition amont et une transition aval.
 les graphes d'événements peuvent modéliser des phénomènes de synchronisation, mais

pas de concurrence.
49

2. Graphes Rdp : Graphe d’état
 Les graphes d‘états sont une sous-classe de RdP pour lesquels toute transition a
exactement une place d’entrée et une place de sortie.
 les graphes d'états permettent de visualiser des phénomènes de concurrence

(décision), mais pas de synchronisation.
50

3. Rdp pur et impur
Un RdP pur est un réseau dans lequel il n’existe pas de transition ayant une place d’entrée
qui soit à la fois place de sortie de cette transition (boucle élémentaire).
Dans le cas contraire, on parle de RdP impur.
51

4. Rdp propre
Un RdP est propre si pour tout marquage Mi accessible à partir du marquage initial, il existe
une séquence de franchissement qui ramène au marquage initial.
52

5. vivacité, quasi vivacité et pseudo vivacité
Un RdP est vivant pour un marquage initial M0 si toutes ses transitions sont vivantes
( franchissables) pour ce marquage initial.
53

5. vivacité, quasi vivacité et pseudo vivacité
Une transition Tj est quasi vivante pour un marquage initial M0 s’il existe une séquence de
franchissements à partir de M0 contenant Tj.
Il s’en suit qu’un RdP est quasi vivant pour un marquage initial M0 si toutes ses transitions
sont quasi vivantes pour ce marquage initial.
54

5. vivacité, quasi vivacité et pseudo vivacité ( travail à faire)
55

6. Rdp borné ( travail à faire)
56

7. Rdp sauf (binaire)( travail à faire)
57

8. Rdp sans blocage ( travail à faire)
58

Identifier les propriétés structurelles et dépendantes des deux RdP suivants :
Propriété Rdp 1 Rdp 2
Conflit
structurel
Graphe
d’événement
Graphe d’état
vivant
Quasi-vivant
59
■ Exercice 1
A partir du marquage initial Mo=[2 0 0 0 0] donnez l’ensemble des marquages accessibles à
partir de Mo pour le réseau suivant :
60
■ Exercice 1
A partir du marquage initial Mo=[2 0 0 0 0] donnez l’ensemble des marquages accessibles à
partir de Mo pour le réseau suivant :
Réponse :
Mo=[2 0 0 0 0] (T1 → M1=[0 1 1 0 0] )
M1 (T2→M2=[0 0 1 1 0] (T3→ M3 = [0 0 0 1 1]
ou M1 (T3→M2'=[0 1 0 0 1]' (T2→M3
puis M3 (T4→ M0
D'où, M = {Mo, M1, M2, M2', M3}.
61
■ Exercice 2
 Analysez ce RdP : est-il un graphe d'état ? d'événement ? avec/sans conflit structurel ?
 Donnez l’ensemble des marquages
 Le réseau est il vivant ?
62
Techniques évaluatives de modélisation : Réseau de files d’attente
Les réseaux de file d’attente constituent un outil de modélisation des systèmes à

événements discrets. Ils sont particulièrement adaptés pour modéliser les systèmes de
production.
63
La théorie des files d’attente consiste en l’étude de systèmes où des clients se présentent à un
dispositif de service, appelé serveur.
Puisqu’un client occupe le serveur pendant un certain temps, les autres clients doivent attendre
avant d’être servis, formant ainsi une file d’attente.
En ingénierie, on s’intéresse à des métriques de performance des files d’attente, par exemple :
 Taille moyenne de la file d’attente.
 Taux d’utilisation du serveur.
 Temps moyen d’attente d’un client.
64
Nous sommes souvent en présence d’un phénomène de files d’attente.

CONGESTION :
Lorsque la demande de service dépasse la capacité de service,
il y a formation de files d’attente.
Caractéristiques d’un tel phénomène :
• Arrivées d’unités à des intervalles de temps irréguliers ou non,
à un centre de service.
Exemple : arrivée de camions à un poste de chargement,
entrée de clients dans un magasin,
arrivée de bateaux dans un port,
etc.
• Un ou plusieurs canaux de service ou stations.
Exemple : guichet, vendeur, etc.
• Les unités doivent éventuellement attendre qu’une station soit disponible
pour être servies.
• Les intervalles de temps de service des unités sont irréguliers ou non. 65
Cas non intéressant :
Des intervalles constants des entrées et des temps de service,

avec une durée de service plus élevée que l’intervalle entre 2 entrées,
La file d’attente augmente régulièrement et indéfiniment.
Schéma de file d’attente :

Système d’attente
Source 1 Station 1
File d’attente 1 Processus
Source 2 de service Station 2
Processus File d’attente 2
des unités
d’arrivée
(durée et
d’unités
ordre de
File d’attente F service, …)
Source U Station S
66
■ Les caractéristiques du système de file d’attente :

1. La population
2. Le nombre de serveurs.
3. Les tendances quant à l’arrivée et au service
4. L’ordre de traitement des clients.
5. Capacité du système
67
■ La population:
Dans la théorie des files d’attente, on appelle « population » la source de clients potentiels.
 population infinie: Le nombre de clients qui arrivent est illimité.

 population finie : Le nombre de clients qui arrivent est limité.
Les arrivées peuvent être régulières (déterministes) ou complètement aléatoires,

individuelles ou groupées, provenir de populations différentes ou se répartir en plusieurs
files.
68
■ Le nombre des serveurs :

Le service peut être constitué d'un ou plusieurs serveurs, qui peuvent être disposés de diverses
façons :
1. serveurs en parallèle
Cette disposition concerne des files où le client a le choix du serveur :
 files de personnes en attente dans une administration offrant plusieurs services,
 files de consommateurs en attente aux caisses de paiement dans un hypermarché,
 files de voitures se présentant à un péage d'autoroute...
69

2. serveurs en série
Cette disposition concerne des services à la chaîne :
 service de restauration,
 service des cartes grises dans une préfecture (nécessitant deux temps : enregistrement puis
confection de cartes),
 visite médicale dans une infirmerie (nécessitant plusieurs contrôles successifs),
 chaînes de production avec contrôle de qualité...
70

3. serveurs en réseau
Cette disposition est beaucoup plus complexe et réaliste : centraux de télécommunications,
réseaux informatiques, internet...
71
■ Les tendances quand à l’arrivée et au service :

Les files d’attente résultent de la variabilité des tendances d’arrivée et de service.
On peut représenter ces variations par des distributions théoriques de probabilités.

On suppose que le nombre d’arrivées dans un intervalle donné suit la loi de Poisson, alors que le temps de
service suit une loi exponentielle.
72
■ L’ordre de traitement des clients : appelé aussi discipline du service
1. La discipline FIFO (first in first out)

 Consiste à servir les personnes en respectant leur ordre d'arrivée.
 Utilisé dans les entreprises de services
2. La discipline LIFO (last in, first out)

 Consiste à servir en premier le dernier client arrivé.
 On rencontre cette situation lors de la gestion d'un stock
3. Dans certains services d'urgence, des règles de priorités s'imposent.

 Cas des services d'urgence médicale
 Traitement de tâches informatiques
73
■ Capacité du système
Il s’agit du nombre de clients dans la file et du nombre de clients dans le serveur.
74
■ Modèle élémentaire de file d’attente
Le modèle de base en files d’attente se généralise en notation de Kendall A/B/C/K/N/D :

 A : processus d’arrivée (M = markovien).
 B : processus de service (M = markovien).
 C : nombre de serveurs.
 K : capacité du système (file + serveurs).
 N : taille de la population des clients (habituellement infinie).
 D : discipline de service (FIFO, ou LIFO, ou PRIORITY).
75
Définitions :
■ Clients : On appelle ainsi les objets ou les personnes qui arrivent dans le système,
attendent s'il y a lieu, sont traitées (service) et repartent. On suppose que les clients arrivent
un par un, et sont servis par ordre d'arrivée.
■ Inter-arrivée : On appelle ainsi l'intervalle de temps séparant l'arrivée de deux clients

successifs. On suppose que ces inter-arrivées sont indépendantes les une des autres et
suivent la même loi de probabilité.
■ Service : On appelle ainsi le temps de service (le temps que le client passe au guichet par
exemple). Le temps de séjour total dans le système est la somme du temps d'attente et de la
durée du service effectif.
76
Notations et terminologies :
■ L’état du système = Nombre de client dans le système de file d’attente
■ Longueur de la file d’attente = nombre de clients en attente de service = état du système –
nombre de clients en service
■ n(t) : Nombre de clients dans le système à l’instant t
■ P(n) : Probabilité d’avoir n clients dans le système à l’instant t (en régime permanent, le nombre
de clients dans le système est indépendant du temps) = Pn
■ λ : Taux d’arrivée moyen des clients
■ μ : Taux de service moyen des clients
77
■ Etat d’un système

Nous appelons état d'un système à l'instant t le nombre n(t) de clients présents dans le système à
cet instant (un client est "présent dans le système" si il est en file d'attente ou en cours de service).
Les quantités fondamentales auxquelles s'intéresse l'analyste dans le cadre des modèles de files
d'attente sont les probabilités d'état, que nous définissons de la façon suivante : pour n=0,1,.... et
t>=0,
probabilité que n clients soient présents à l'instant t dans le système.
78

Lorsque ces probabilités sont connues, on a la possibilité de calculer de nombreuses mesures de
performance du système de files d'attente. Les plus importantes sont les suivantes :
= nombre espéré de clients dans le système ( à un instant quelconque dans le long terme).
= nombre espéré de clients dans la file d'attente.
= temps espéré passé par chaque client dans le système.
= temps espéré passé par chaque client dans la file d'attente.
79

Par définition on a :
De plus, si le système comporte c serveurs parallèles, alors :
80
■ Etat d’un système : loi de Little
Introduisons alors représentant le taux d'entrée moyen des clients dans le système (nombre
moyen de clients entrant dans le système par unité de temps).
La relation liant toutes ces données s'appelle loi de Little et est définie par :
81
■ Loi des arrivées
Nous savons que les files d’attente ponctuée par un service sont caractérisées par le fait que le temps
des services ont une durée qui suit une loi Exponentielle et que le nombre d'unité admises dans la file
suit une loi de Poisson.
82
■ Loi des arrivées : Processus de Poisson
Un processus de comptage est un processus de Poisson avec paramètre si :

1.
2. Les incréments de sont indépendants
3. Le nombre d'événements dans l'intervalle obéit à la loi de Poisson :
• La probabilité précédente représente donc la probabilité de réalisation de n événements pendant la

durée t+s.
• Dans le cadre des files d'attente, cette loi nous permet donc d'estimer la durée entre deux arrivées
consécutives.
83
■ Loi des services : Loi exponentielle
84
■ Loi des services : Loi exponentielle

 Une variable aléatoire (v.a) continue X suit une loi exponentielle avec paramètre si sa densité de
probabilité est donnée par : si et 0 si
 Ou si sa fonction de répartition de probabilité est donnée par :
si et 0 si
Cette loi permet d’estimer le temps qu’une personne passe au service (guichet). Dans cette loi, on peut
clairement identifier que λ est le nombre de clients servis par unité de temps et donc que est le temps
moyen que passe un client au guichet.
85
Les processus stochastiques...
o Un processus aléatoire est une famille de variables aléatoires Xt, t  T

o Fonction de répartition FX(x,t) = P(Xt≤x)=FXt(x)
Exemples :
o Processus markoviens
o Processus de renouvellement ( ou processus de naissance et de mort)
o Processus de poisson
Processus de renouvellement ...
■ T={ti} : suite d’instants aléatoires ⇒Processus d’arrivée.
■ Xi = ti+1 – ti : Temps inter-arrivées
■ Le processus d’arrivée T est un processus de renouvellement si les

variables aléatoires Xi sont indépendantes et identiquement
distribuées ( suivent la meme loi de probabilité)
Processus de poisson ...
■ Un processus de poisson est un processus de renouvellement

où les temps inter-arrivées sont distribués selon une loi
exponentielle.
■ Pour un processus de poisson de taux , la probabilité d’une

arrivée entre t et t+dt est dt (ne dépend pas du passé :
sans mémoire)
➢Un processus de poisson de taux  est un processus
Markovien et peut être modélisé par une chaîne de
Markov.
■ Processus de naissance et de mort

A un instant t, l'état d'un système de files d'attente, noté n(t) est le nombre de clients présents dans le
système.
L'ensemble des variables aléatoires décrit un processus stochastique {n(t) : t>=0}.
On considère alors un système dans lequel on ne prend en compte que les processus d'arrivée et de
sortie sans tenir compte du nombre de serveurs par exemple.
89

On peut alors introduire la définition suivante :
Processus d'état stochastique
Le processus d'état stochastique {n(t): t>=0} est un processus de naissance et de mort si pour chaque
n=0,1,..., il existe des paramètres (avec ) tels que, lorsque le système est dans l'état n, le processus
d'arrivée est poissonnien de taux et le processus de sortie est poissonnien de taux .
90

Processus de naissance pur
Dans un processus de naissance pur, et pour n=0,1,... Donc les arrivées ont lieu à taux constant
et il n' y a aucun départ.
De plus, le nombre de clients dans le système est égal au nombre d'arrivées enregistrées pour un processus de
Poisson classique, on a donc :
probabilité que l'état du système à l'époque t soit égal à n
91
■ Processus de mort pur

Dans un processus de mort pur, l'ensemble des états du système est {0,1,...,N} et pour n=0,1,...,N
si et si
L'état d'un tel système vaut N, il n'y a pas d'arrivée et les départs se produisent à taux constant jusqu'à ce
que le système soit vide. On a donc les résultats suivants :
probabilité que N-n départs se produisent dans l'intervalle [0,t]
probabilité que N départs au moins se produisent dans l'intervalle [0,t]
92
Les files d’attente élémentaires ...
■ File M/M/1
■ File M/M/C
■ File M/M/1/K
■ File M/M/C/K
La file M/M/1 ...
■ Temps inter-arrivées suit une loi exponentielle de paramètre 

■ Temps de service suit une loi exponentielle de paramètre 
■ Propriété sans mémoire de la loi exponentielle
⇒ Temps inter-arrivées et de service indépendants du passé

⇒ N(t) : nombre de clients dans la file à l’instant t est indépendant du
passé : Processus Markovien
Modélisation de la file M/M/1 par une chaine de Markov ...
■ Équations d’équilibre :
■  p(0)= p(1)
■ (+) p(n)=  p(n-1)+ p(n+1)  n1 On peut montrer par
récurrence que :
■  p(n)= p(n+1)  n0
Modélisation de la file M/M/1 par une chaine de Markov ...
𝜆
■ On pose :  (taux de charge)

■ Si 1 : le système est saturé
■ Si 1 : on peut calculer l’état d’équilibre
 p(n)= p(n+1)  n0 ⇒ On peut montrer par
récurrence que :
p(n)=n p(0)  n0
Pour déterminer p(0), on utilise l’équation de
normalisation :
Performances de la file M/M/1 ...
■ Taux d’utilisation du serveur : U=1-p(0)=

■ Débit : X=µ*(1-p(0))=
■ Nombre moyen de clients dans le système :
■ Temps de réponse moyen :

Loi de Little
La file M/M/C et évaluation des performances ...
D’où : Avec
Le nombre moyen de clients dans la file :
Après simplification :
■ Exercice :
99

Modélisation Et Simulation Part 5

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

Modélisation Et Simulation Part 5

Transféré par

Droits d'auteur :

Formats disponibles

Modélisation et simulation

Dr. JGOUTA Meriem

Avantages et nécessité de la modélisation dans la conception et l'analyse

Techniques évaluatives de modélisation

Éléments de base de la simulation

Étapes à suivre pour réaliser un projet de simulation

Description des différents logiciels et langages de simulation

■ Qu’est ce qu’un modèle ?

■ Types des modèles ?

■ Définir l'objectif de la modélisation (lié au cahier des charges) : Pourquoi modélise-t-on ?

■ Qu’est ce que la simulation?

La simulation est un processus qui consiste à :

■ Concevoir un modèle du système (réel) étudié,

Quel est le but de la simulation ?

 Reproduire, faute de calculer

■ Qu’est ce qu’un système?

Simulateur de vol Système de flux de production Flux logistique et systèmes de transport

Production des services Système informatique et Domaine militaire , météo, …

Mots clés : systèmes manufacturiers

■ Qu’est ce qu’un système manufacturier ?

Mots clés : systèmes manufacturiers

Mots clés : systèmes manufacturiers

■ Quel est l’avantage et la nécessité de modéliser et analyser un système manufacturier ?

Nécessité d’une approche globale

■ Quelles sont les méthodes et outils de modélisation ?

 Les modèles mathématiques

■ Quelles sont les méthodes et outils de modélisation ?

 Les modèles physiques composés de :

■ Quelles sont les méthodes et outils de modélisation ?

Les indicateurs de performances et aide à la décision

Mots clés : techniques évaluatives

■ Parmi les modèles utilisés pour l’étude des systèmes :

1. Les réseaux de pétri : analyse des propriétés, évaluation de performance, simulation

■ Objectif: Modéliser le comportement dynamique d’un système discret.

Modèle opérationnel exprimant à la fois le flot de contrôle et le flot de données.

■ Un réseau de Pétri est un graphe orienté comportant:

 Un ensemble fini de transitions T= {T1, T2,…, Tn} : événements ou actions (arrivée

 Un ensemble fini d’arcs orientés et unidirectionnels

 La satisfaction d'une condition est modélisée à l'aide d'un jeton

■ Les situations suivantes sont interdites :

Chaque place contient un nombre entier (positif ou nul) de marques ou jetons.

■ Franchissement d’une transition:

Pour le premier marquage,

T1 n’est pas validée car P1

■ Toute transition franchissable est immédiatement franchie

■ Exemple simple 1 : Producteur consommateur

Objectif : Modéliser la coordination entre deux processus dont un est le producteur et

produit dépose prend consomme

■ Matrice d’incidence: Exemple

■ Rdp : Occurrences externes ( travail à faire)

■ Rdp : temporisation ( travail à faire)

■ Propriétés des Réseaux de pétri

■ Propriétés des Réseaux de pétri

 Concurrence à la consommation des jetons d'une place : C'est la divergence d'arcs à

■ Propriétés des Réseaux de pétri

 Synchronisation dans la fourniture de jetons à plusieurs places : C'est la divergence

■ Propriétés des Réseaux de pétri

 les graphes d'événements peuvent modéliser des phénomènes de synchronisation, mais

■ Propriétés des Réseaux de pétri

 les graphes d'états permettent de visualiser des phénomènes de concurrence

■ Propriétés des Réseaux de pétri

Dans le cas contraire, on parle de RdP impur.

■ Propriétés des Réseaux de pétri