Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

INTRODUCTION A LA
THEORIE DES FILES
D’ATTENTE.

Théorie des files d’attente 1 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

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

Théorie des files d’attente 2 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

I. CHAINE DE MARKOV
1. Définition fondamentale

Un processus stochastique est un ensemble de variable aléatoire : {X(t),

tЄT}.
 Si T= N, c’est un processus à paramètre discrets.
 Si T= R+, c’est un processus à paramètre continus.
L’ensemble K de toutes les valeurs possible de X(t) est l’espace d’état
du processus. Une chaîne est un processus stochastique d’espace d’état fini ou
dénombrable. Une chaîne discret {X0, X1,…, Xn,…} est appelle chaîne Markov
discrète si pour n=0,1… et tout ensemble d’état i, j, k0, k1,…, kn-1 :

est la probabilité de transition. Elle est dite

stationnaire si elle ne dépend pas de (n-m).
La chaine de Markov est alors dite homogène :
Est la probabilité de transitons en n étapes, notée .
2. Chaine de Markov discrets
2.1. Equation Chapman-Kolmogorov

(1)
est la matrice de passage.
L’équation de Chapman-Kolmogorov devient :
(2)
Soit
Avec

(3)
Soit encore : (3’)
Posons

Pour toute chaine de Markov on a :

D’où (4)
Le calcule de P est généralement prohibitif. On se contente de l’étude du
n

comportement asymptotique.

2.2. Classification des états

Théorie des files d’attente 3 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

On considère des chaines de Markov à paramètre discrets et on

classe les états en deux grandes catégories selon qu’ils sont visites un
nombre fini ou infini de fois.
Soit fij(n) la probabilité que la chaine partant d l’état i, atteigne pour la
premier l’état j en exactement n étapes.
On a :

La somme est la probabilité que la chaine atteigne l’état j en

partant de i.
Quand fij=1, la séquence ( ) est une densité de probabilité.
La moyenne : est appelée temps moyen de premier passage
de l’état i à l’état j.
fii est la probabilité que, quittant l’état i, la chaine y revient au bout d’un
temps fini.
 Si fii <1, i est appelé état transitoire, on montre que le processus ne peu
revenir en i qu’un nombre fini de fois.
 Si fii =1, i est appelle état récurent, on montre que le processus reviens
en i un nombre infini de fois.
La moyenne est appelée temps de récurrence moyen e l’état i. deux
cas sont possibles :
 = l’état i est dit récurent nul ;
 est fini, l’état i est dit récurent positif.
Quand Pii=1 l’état i est qualifié d’état absorbant (alors =1).
Proprieté 1 : une condition nécessaire et suffisante (CNS) pour qu’un état j soit
transitoire est :
donc et
Proprieté 2 : une CNS pour qu’un état j soit récurent nul est :
et donc

On montre également :
Propriété 3 : si j est un état récurent positif alors :

et

2.3. Décompositions de l’espace d’état

Un état j est dit atteignable depuis un état i s’il existe n tel que : Pij(n)>0.
Deux états i et j sont dit communicant si j est atteignable depuis i et
réciproquement. La communicabilité est une relation d’équivalence, l’espace
Théorie des files d’attente 4 6
Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

d’état S est donc décomposable en une partition de classe dite classe

communicante.
Lorsque S ne comporte qu’une seule classe, la chaine est dite irréductible.
Une classe C est dite fermée si : et  :
Propriété 4 : à l’intérieur d’une classe C les états ont tous le même statut. La
classe peut ainsi, elle-même être qualifier de transitoire, récurent positif ou
récurent nulle.

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 :

 Si i est transitoire on distingue deux cas :

1-. C n’est pas fermée, les propriétés à long terme de sont celles
des classes fermées accessibles de puis C.
2-. C est fermée, le processus reste inde finement transitoire. Pour
une chaîne finie, le processus fini toujours par rentrer dans une
classe récurrente fermée.
Les classes fermées sont parfois appelées classes finales, les autres
classes étant appelées classes de passage. La figure ci-après représente une
chaîne de Markov avec les deux types de classes :
 1 et 2 sont les classes de passage ;
 3, 4 et 5 sont les classes finales.

1 2 3

4 5

2.4. Propriétés à long terme des chaînes de Markov irréductibles

NB : Dans une chaîne de Markov finie, tous les états sont récurrents positifs(le
champ de récurrence moyen est forcement fini).

Théorie des files d’attente 5 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Une vue de Markov possède une distribution à long terme s’il existe une densité
de probabilité

Sur l’espace d’état telle que : (5)

d’après (3) (6)

La densité de probabilité correspondante caractérise l’état d’équilibre de la

chaîne. Une densité de probabilité est dite stationnaire si :

soit encore avec

Si une chaîne de Markov possède une chaîne de distribution à long terme alors:

(6)

(4)

Donc

Cette densité de probabilité est stationnaire ; c’est à dire si une chaîne de

Markov possède une distribution à long terme et une densité de probabilité
stationnaire unique alors cette densité est calculable par :

(7) (8)

Propriété 6 : Une condition nécessaire et suffisante pour qu’une chaîne de

Markov irréductible possède une densité de probabilité est que son espace soit
récurrent positif (fij=1 et est fini).
La densité de probabilité est alors unique et donnée par :

, Où est le temps de récurrence moyen de l’état j.

j récurrent positif fini

Soit deux états i et j appartenant à la même classe récurrente positive ; alors
d’après la propriété (3) du paragraphe 2.1, on a :

Théorie des files d’attente 6 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

D’où le résultat important :

On est maintenant à mesure de traiter le problème fondamental : sous quelles

conditions une chaîne de Markov irréductible possède-t-elle une densité de
probabilité à long terme ?
1) Si l’espace d’état est transitoire ou récurrent nul alors (propriétés 1 et 2) :
C'est-à-dire : la chaîne n’a ni densité de
probabilité à long terme (M=0), ni densité de probabilité stationnaire
(propriété 6) ;
2) Si l’espace d’état est récurrent positif, il convient de distinguer deux cas :
les chaînes périodiques et les chaînes apériodiques.

Définition : Un état i est dit de période d(i) si :

 Pij(n)=0 pour n non divisible par d(i), d(i) étant le plus petit entier ayant
cette propriété.
 Si d(i) =1, i est apériodique, sinon il est dit périodique. Tout état
récurrent positif apériodique est dit ergodique.
On montre que les états appartenant à la même classe ont la même
période. Ainsi une chaîne de Markov peut être apériodique si tous ses états ont
pour période 1, ou périodique. Si l’espace d’état est récurrent positif de la chaîne
apériodique alors elle dite ergodique. Une chaîne possède un état i tel que Pij>0
est évidemment apériodique.
Propriété 7 : une chaîne de Markov irréductible et ergodique possède une
densité de probabilité à long terme. Cette densité est d’ailleurs l’unique densité
stationnaire. Ainsi :

, Où est la solution unique

des équations (7) et (8).

Si la chaîne est périodique on montre :

3. Chaîne de Markov continue

3.1. Définitions et propriétés fondamentales
On ne considère pas toujours que les chaînes de Markov homogènes, les
probabilités de transition sont données par :

Théorie des files d’attente 7 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Les éléments de satisfont:

i) et ii) et

iii) et

La forme matricielle de l’équation de C.K est :

Par ailleurs on admet que les possibilités de transitions sont continues à

Soit également matrice identité

Il en résulte que les limites suivantes existent toujours

Les termes et sont appelés intensités de transitions. On montre que

est toujours fini, mais que peut être infini.

ii) -

Soit en dérivant par en faisant tendre t vers 0 : (9)

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

Est appelée matrice de génération de la chaîne de Markov. L’équation de

C.K conduit à

Théorie des files d’attente 8 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Soit en posant à la limite: (10)

Puisque , il vient :

Avec

Plutôt que de calculer de cette façon, on préfère résoudre l’un ou l’autre

des deux systèmes différentiels contenus dans la double équation (10)

Soit : appelée équation de KOLMOLGOROV

arrière,

Soit : appelée équation de KOLMOGOROV

avant.

Processus stochastique sans mémoire et loi exponentielle

Par définition la probabilité qu’une chaîne de Markov quitte un état est
indépendant du temps qu’elle a déjà passé dans cette état. Il en résulte que le
temps pendant le quel elle est susceptible de rester encore dans cet état est
indépendant du temps qu’elle y a déjà passé. Ce qu’on peut traduire en notant
le temps total passé dans cet état par :
Où ne dépend que du temps restant. On a

Soit encore (I)

Prenant s=0 et remarquant , il vient :

En reportant dans (I) on a :

(II)
Par ailleurs on peut écrire généralement :

Théorie des files d’attente 9 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

(III) où

est la fonction densité de probabilité pour la variable .

On a alors en dérivant (II) par rapport à s :

Soit encore en faisant s=0 :

D’où en intégrant de 0 à t :

Et en tenant compte de (III) :

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

3.2. Propriété a long terme des chaines de Markov continues

Deux états communiquent s’il existe t1 et t2 tels que :
Et

De même que dans le cas discret on montre que :

 Si pour tout état j : la chaîne de Markov est dite transitoire ou

récurrente nulle.
 Sinon , définit une densité de probabilité et la chaîne est dite
récurrente positive.
est la probabilité pour qu’au bout d’un temps suffisamment la chaîne soit
dans l’état j, quelque soit l’état de départ.
D’après l’équation de Kolmogorov avant on a :

Théorie des files d’attente 10 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

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)

L’équation (12), souvent appelée équation d’équilibre, peut être réécrite :

peut être interprétée comme le taux de départ à partir de l’état j : le

taux de départ de l’état j quand la chaîne s’y trouve multipliée par la probabilité
d’y être. De même peut être interprétée comme le taux moyen de
transition de l’état i vers l’état j. ainsi l’équation (12) traduit le fait que le taux
moyen d’arrivée à l’état j est égal au taux moyen de départ depuis cet état (cf.
relation (9)).
3.3. Processus de naissance et de mort
Les états étant numérotés par des entiers, un processus de naissance et de mort
est une chaîne de Markov à paramètres continus dont les seules transitions
s’effectuent entre états immédiatement voisins ; soit :

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) :

La matrice de génération a donc la forme :

Théorie des files d’attente 11 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Diagramme de transition d’état :

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)

De (14) et (15) on tire immédiatement la récurrence :

(17)

Soit (18) avec (18’)

D’après (16) et (18) on a :

(19)

Le processus de naissance et de mort possède donc une distribution stationnaire

à long terme si et seulement la série infinie est convergente. Quand
elle l’est, la densité de probabilité en régime permanent est :

(20)

Théorie des files d’attente 12 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

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

Il existe une densité de probabilité à long terme si et seulement si  ; alors :

D’après (20), la probabilité d’être à l’état n en régime permanent est de :

(21)
Si le processus a un nombre d’états fini M, alors pour   :

(22)

Si , alors trivialement ((20) avec )

3.5. processus de naissance

Lorsque , on dit qu’on a un processus de naissance. Supposons le
taux de naissance constant . Puisque la population ne peut que s’accroître :
, ,
Pour un tel processus le système d’équation arrière de Kolmogorov devient :

 ; et

La solution de ce système est :

, et

C’est un processus de Poisson de paramètre . La probabilité d’un

accroissement de la population (n-m), sur un intervalle de temps t, est
indépendante de la taille de la population au début de cet intervalle. Un
processus de Poisson peut être caractérisé par un processus de naissance à taux
constant.

Théorie des files d’attente 13 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

II. THEORIE DES FILES D’ATTENTE

1. Modèle de files d’attente
Un modèle de file d’attente comporte 3 types d’éléments :
 Des clients, voitures, ouvrier ou magasin,
 Une queue ou file d’attente,
 Des serveurs, machine, guichet,…
File Serveurr
Clients
rrrrrrrrrr
rrrrrrrrr

On distingue trois types de service :

 Un serveur par file d’attente (serveur unique),
 Plusieurs serveurs travaillant en parallèle (serveurs multiples) sur
une file d’attente,
 Plusieurs files et plusieurs serveurs travaillant en parallèle ou en
série (réseau de files d’attente) plusieurs caisses de pièces dans
plusieurs machines.
Dans le cas des modèles élémentaires (serveur simple ou multiple), les
paramètres sont :
 La fréquence d’arrivée des clients. Nous considérons uniquement des
modèles où l’arrivée suit un processus poissonien de fréquence moyenne
d’arrivée λ.

Théorie des files d’attente 14 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

 Le temps de service. Nous considérons uniquement des temps de service

distribués exponentiellement avec un débit moyen μ (1/ μ est le temps de
service moyen).
 La méthode de service qui peut être de type FIFO, LIFO, avec
éventuellement des règles complémentaires :
 File d’attente finie : tout client arrivant quand elle est pleine est
perdu,
 Attribution de priorités aux différentes catégories de clients.
Notations de Kendall
A/B/C/•

 A décrit la loi d’arrivée,

 B décrit la loi de service,
 C est le nombre de serveurs fonctionnant en parallèle,
 Le champ ‘‘•’’ Donne d’éventuelles informations complémentaires, par
exemple la capacité de la file si elle est finie.
 En l’absence d’information dans les champs 3 et 4 la valeur implicite est
.
 Il arrive qu’on ajoute un cinquième champ : la taille de la population.
A et B sont instanciables par :
 M (Markov) : loi exponentielle pour l’intervalle de temps séparant deux
arrivées de clients successives ou pour le temps de service,
 D(Déterministe) : fréquence d’arrivée ou temps de service constant,
 Ek : loi d’Erlang,
 G cas général : arrivée arbitraire et précisée par ailleurs.
Exemples : M / M / 1, M / M / 5 / 10.
2. Terminologies et notations
 Pn(t) : Probabilité d’avoir n clients dans la file à l’instant t,
 λn: Débit moyen d’arrivée dans la file quand elle contient n clients,

Théorie des files d’attente 15 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

 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

3.Modèle élémentaire de files d’attente

3. File M / M / 1
Le processus est un processus de naissance et de mort, on a (relation (20)) :

(1) (Probabilité d’avoir n clients dans la file)

(2)

Quand et sont constants et égaux respectivement à et , alors on appelle facteur

d’utilisation le rapport:

Si : le système est sur utilise et la queue augmente indéfiniment.

Si : on monter là encore que, sauf dans le cas déterministe, la queue croit indéfiniment
(la chaîne de Markov est récurrente nulle).

Si : le système atteint un état d’équilibre.

Théorie des files d’attente 16 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Quand : l’équation (1) peut être réécrite (cf(21)): (3)

étant la valeur moyenne de , on a: (3’)

On en définit facilement que : (4)

Et, par application de la relation de Little: (5)

3.2 File M / M / 1 / K

La capacité de la file étant borne par K on a:

/ :

/ :

On a vu que, dans ce cas (relation (22)) on a :

Soit, avec (3’): (6)

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

. ne représentation pas le vrai facteur d’utilisation, il faut le remplacer , déduit du

Taux moyen d’entrée effective dans la file

(9)

Donc si alors .

Si , on a immédiatement (cf. relation(23)) :

Théorie des files d’attente 17 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Et :

Soit:

3.3 File d’attente fermée

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)

3.4 File M / M / s (s serveurs)

On montre que le taux de service est: . Avec clients dans la queue:

Si , le taux de service est: (il y a serveurs oisifs),

Si , le taux de service est:

Supposons le taux d’entrée constant: d’après (1) et (2) :

Théorie des files d’attente 18 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

: (13)

: (14)

Avec :

G est fini ssi: peut alors être réécrit :

(15)

Toujours avec :

Soit:

Soit encore:

Et: (16)

D’où: (17)

4- Réseaux de files d’attente.

On considère deux catégories de réseaux :


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 .

Théorie des files d’attente 19 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

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 :

 Processus d’arrivée Poissonnien,

 Temps de service exponentiel,
 Service de type FIFO
 Capacité de la file infinie,
Que les probabilités associées aux longueurs des différentes files qui constituent les réseaux sont
indépendantes et peuvent être calculer indépendamment.

Le modèle d’un réseau à Q files d’attente est donc constitué de :

 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 :

NB : les sont les débits d’entrée effectifs.

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)

Le traitement de réseaux ouverts ne pose pas de difficultés particulières.

4.1 Réseaux de files d’attente fermés

Ce type de réseau modélise, notamment, un système de production au sein

duquel tourne en permanence un ensemble constant de ressources de transport.
On considère que le système n’est jamais ni bloqué ni affamé.
Soit N le nombre de clients (palettes,…) présents en permanence dans le
système. On a vu précédemment que (§ 2.3.3) :

Théorie des files d’attente 20 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Où n est le nombre effectif de clients (de palettes

chargées) à l’instant courant. On montre que :

(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)

Où est la charge moyenne du serveur i.

4.2. Mesures de performances

On suppose G(N,Q) calculé et renoté G(N). la probabilité qu’il y ait au moins n

pièces en attente devant le serveur i est donnée par :

(21)

1. Utilisation moyenne des serveurs

Un serveur n’est oisif que si sa file d’attente est vide, donc :

Théorie des files d’attente 21 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

Soit suivant (21) : (22)

2. Débit moyenne (throughput)

(23)

3. Longueur moyenne de la file

(24)

4. Temps moyen de transit au serveur i (lead time)

On applique la formule de Little :

Remarque : pour un serveur par lequel tous les clients passent on a soit :
C’est également le débit moyen du système total.

4.3. Extension du modèle des files d’attente

Le modèle utilisé jusqu’ici supposait des temps de service identiques pour

tous les clients. Dans un atelier flexible cette hypothèse est souvent incorrecte.
Ce modèle peut être généralisé de deux manières :
 Par agrégation des routages et des temps de traitement, de façon à se ramener au
modèle précédent,
 Par utilisation des modèles multi classes.
Nous nous bornerons ici à considérer la première approche.

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

Théorie des files d’attente 22 6

Cours de Master II GMP-ENSAI Dr NZIE Wolfgang

La probabilité qu’un produit quelconque passe de la ressource Mi à la ressource Mj est :

(25)

Agrégation des temps de traitement

La proportion de produits traités par la ressource Mi est :

(26)

Le temps de fabrication agrégé d’un produit sur la ressource Mi est :

(27)

5-Conclusion

Avantages : simplicité

 Simplicité de données requises : taux de visite des différentes ressources, temps de

traitement moyen
 Algorithmes de calcul simple et efficace.
Inconvénients : Hypothèses très fortes

 L’hypothèse des champs de traitement distribués exponentiellement n’est pas toujours

vérifiée,
 L’hypothèse d’une gestion des files de type FIFO ne permet de prendre en compte les
priorités qui jouent pourtant un rôle important dans les systèmes de production.
-Bon outil pour dégrossir les problèmes. Il est prudent de faire suivre l’analyse ainsi conduite par une
simulation.

Théorie des files d’attente 23 6