Académique Documents
Professionnel Documents
Culture Documents
INTRODUCTION A LA
THEORIE DES FILES
D’ATTENTE.
SOMMAIRE :
I. CHAINES DE MARKOV
1. Définitions fondamentales.
2. Chaînes de Markov discrètes
2.1. Equation de Chapman-Kolmogorov
2.2. Classification des états
2.3. Décomposition de l’espace d’état.
2.4. Propriété à long terme des chaînes de Markov irréductibles
3. Chaînes de Markov continues
3.1. Définition et propriétés fondamentales
3.2. Propriétés à long terme des chaînes de Markov continues
3.3. Processus de naissance et de mort.
3.4. Processus de naissance
II. THEORIE ELEMENTAIRE DES FILES D’ATTENTE
1. Modèles des files d’attente
2. Terminologies et notations
3. Modèles élémentaires de files d’attente
3.1. File M / M / 1
3.2. File M / M / 1 / K
3.3. File d’attente fermée
3.4. File M / M / s (serveur)
4. Réseaux de files d’attente
4.1. Réseaux de files d’attente fermés
4.2. Mesures de performances
4.3. Extension du modèle des files d’attente
5. Conclusion
I. CHAINE DE MARKOV
1. Définition fondamentale
(1)
est la matrice de passage.
L’équation de Chapman-Kolmogorov devient :
(2)
Soit
Avec
(3)
Soit encore : (3’)
Posons
comportement asymptotique.
On montre également :
Propriété 3 : si j est un état récurent positif alors :
et
Propriété 5 : une classe communiquant récurrente (positif ou nulle) est fermée.
Une classe transitoire fermée possède un nombre infini d’état. En particulier
une classe transitoire qui appartient à une chaine finie ne peut pas être fermé.
C'est-à-dire partant d’un état i :
Si i est récurent, la chaine va rester indéfiniment dans la classe
fermée récurrente C qui contient i. de plus :
1 2 3
4 5
Une vue de Markov possède une distribution à long terme s’il existe une densité
de probabilité
Si une chaîne de Markov possède une chaîne de distribution à long terme alors:
(6)
(4)
Donc
(7) (8)
i) et ii) et
iii) et
ii) -
Cette relation est toujours vraie pour les chaînes de Markov finies. Pour les
chaînes infinies cette relation est satisfaisante si les sont finis.
Une chaîne de Markov infinie pour laquelle la relation (9) est vérifiée, est
dite conservative.
Dans la suite nous ne considérons exclusivement les chaînes de Markov
conservatives.
Les intensités de transitions jouent pour les chaînes de Markov continues
le rôle que les probabilités de transitions en une étape joueraient pour les chaînes
discrètes.
Soit avec
Par définition
Puisque , il vient :
Avec
(III) où
Résultat : la densité de probabilité qui régit le temps passé par toute chaîne de
Markov continue dans un état i est une fonction exponentielle décroissante.
On vérifiera que dans le cas des chaînes de Markov, discrète la loi qui régit le
nombre d’unités de temps passes dans un état quelconque est une loi
géométrique. La probabilité que la chaîne étant dans l’état i à une étape et y
reste pendant les m étapes est
Quand , les tendant vers des constantes, leurs dérivées tendent vers 0 ;
il vient :
Ainsi, comme dans le cas discret, pour toute chaîne de Markov récurrente
positive, la densité de probabilité à long terme est aussi l’unique distribution
stationnaire, solution de :
(12) et (13)
On note souvent les intensités de transitions (de l’état i vers l’état i+1) et
(de i vers à i-1) et respectivement et .
Par hypothèse : si la chaîne est finie (avec K= {0, 1, 2…..m}) alors
.
Un processus de naissance et de mort est toujours conservatif et, d’après (9) :
0 1 n 1 n
0 1 2 n- n n+
1 11
1 2 n n 1
Si aucun ou n’est nul alors le processus est une chaîne de Markov
irréductible (tout état est atteignable à partir de tout autre état).
Les équations (12) et (13) deviennent :
(14)
(15)
(16)
(19)
(20)
Exemple :
Considérons un processus de naissance et de mort dont les fréquences de
naissance et de mort ne dépendent pas de l’état : et (c’est le cas
d’une population importante pour laquelle le est négligeable un certain
temps). Notons , on a
(22)
; et
, et
μn: Débit moyen de service quand la file contient n clients (c’est aussi le
débit de sortie),
Les variables suivantes caractérisent le régime permanent :
Pn : Probabilité d’avoir n clients dans la file,
L : Nombre moyen de clients dans le système (dans la file et en cours de
service),
T : temps moyen passé moyen passé par chaque client dans le système
(temps d’attente + temps de service).
Lorsque λn est contant, λn =λ on montre :
L = λ.T (Formule de Little)
Si les λn ne sont pas tous égaux, en notant le débit moyen d’arrivée la
formule de Little se généralise en :
(Clients/temps)*temps=nombre de clients
Remarque :
Longueur de la file d’attente = longueur de ceux qui attendent + ceux qui
sont entrain d’être servis
(2)
Si : on monter là encore que, sauf dans le cas déterministe, la queue croit indéfiniment
(la chaîne de Markov est récurrente nulle).
3.2 File M / M / 1 / K
/ :
/ :
Le premier terme correspond au cas des files infinies, le second terme tend vers 0 quand K tend vers
l’infini. On calcul T par la formule des Little, mais n’étant pas constant il faut calculer soit:
d’où : (8)
Dans le cas d’une file finie on atteint toujours un régime; L et T sont définis même pour
(9)
Donc si alors .
Et :
Soit:
C’est le cas d’un système en anneaux portant K palettes. On suppose que le système global n’est
jamais ni bloqué ni affamé.
/ :
/ :
En reprenant les relations (6) et (7) obtenues dans le cas des files de capacité finie, il vient:
(10)
(11)
(12)
: (13)
: (14)
Avec :
(15)
Toujours avec :
Soit:
Soit encore:
Et: (16)
D’où: (17)
Les réseaux ouverts ou les clients qui entrent ressortent au bout d’un temps fini,
après avoir traversé tout ou partie des queues qui composent le système.
Les réseaux fermés dans lesquels un nombre fini de clients tournent indéfiniment. Ce
second cas correspond, notamment à des systèmes de productions ou les clients
sont des unités de transport (palettes,…..) .
Une première étude, due à Burke (1956) ; portant sur les files de type M / M / 1, placées en série, a
montré que, sous réserve que pour chaque files on ait , alors le processus d’entrée de
est identique au processus de sorti : c’est un processus poissonnien, de débit .
Plus généralement, il a été établit pour les deux classes de réseaux, notamment par Jackson (1963),
sous réserve que chaque file d’attente du système respecte les hypothèses suivantes :
Sa structure :Un graphe donc les nœuds sont les Q files qui le composent et les arcs
les chemins entre ses files,
Les taux de service des serveurs de chaque file,
Le débit d’arrivé dans le système total,
Les probabilités de routage , où représente
l’extérieur. Ainsi est la probabilité qu’un client entrant dans le réseau entre
par la file et la probabilité d’un client sortant de la file sorte du réseau.
Si est le débit d’entré dans le réseau total, les débits d’entrée dans les différentes files sont liés
par équations de la forme :
On a également :
La probabilité d’avoir n1 clients dans la file n°1, n2,…., nQ clients dans la file
n°Q est donnée par :
(Les probabilités sont réparties
indépendantes)
(18)
Avec :
(19)
Où :
Et est le rapport entre le nombre de clients qui visitent le serveur i et l
nombre de clients qui quittent le système. On montre que le calcul de G(N),
renoté G(N,Q) peut être effectué au moyen de la récurrence suivante :
Pour :
Pour :
(20)
(21)
(23)
(24)
Remarque : pour un serveur par lequel tous les clients passent on a soit :
C’est également le débit moyen du système total.
Notations
N palettes,
Q ressources (M1,…………………MQ)
R type de produits (P1,……………PR)
: Probabilité qu’un produit Pr aille de Mi en Mj (M0 est l’extérieur du système
considéré).
Tri : temps de traitement pour le produit Pr sur la ressource Mi.
Xr : Proportion de produit du type Pr, Xr
Vri: Proportion de produits de type Pr passant par la ressource Mi, Vri .
Agrégations des routages
(25)
(26)
(27)
5-Conclusion
Avantages : simplicité