Académique Documents
Professionnel Documents
Culture Documents
RÉSUMÉ. Dans ce papier, nous traitons les systèmes d’attente avec rappels et Bernoulli feedback.
Ce type de systèmes diffère des systèmes classiques par l’existence de deux paramètres supplé-
mentaires : rappels et feedback. La notion de feedback introduite en général pour exploiter des
situations d’attente où tous les clients demandent le principal service et seulement quelques
uns parmi eux ont besoin de demander un autre service. Dans ce travail, nous considérons le
système d’attente M/G/1 avec rappels et feedback. Nous avons obtenu quelques mesures de
performance, importantes et intéressantes du système, en utilisant l’analyse stationnaire. Des
exemples numériques sont donnés pour illustrer les résultats théoriques obtenus.
ABSTRACT. In this paper, we deal with retrial queueing systems with Bernoulli feedback. This type
of systems differs from the classical queueing systems by the existence of two supplementary
parameters: retrials and feedback. Introduced the concept of feedback in general to exploit a
waiting situations where all customers require the main service and only a few of them need
to ask another service. In this work, we consider an M/G/1 retrial queues and feedback.
Some interesting and important performance measures of the system are obtained using steady
analysis. Finally, numerical illustrations are provided.
MOTS-CLÉS : files d’attente avec rappels, feedback, mesures de performance, simulation.
KEYWORDS: retrial queues, feedback, performance measures, simulation.
DOI:10.3166/JESA.47.181-193 ⃝
c 2013 Lavoisier
1. Introduction
Les origines de la théorie des files d’attente remontent à l’époque où A.K. Erlang
en a posé les bases dans ses recherches sur le trafic téléphonique (Erlang, 1909 ; 1917).
Ses travaux ont par la suite été intégrés à la recherche opérationnelle. Malheureuse-
ment, les publications sur la théorie des files d’attente ont adopté un langage de plus
en plus mathématique, ce qui a freiné son utilisation. La situation a toutefois changé
quand les praticiens ont commencé à appliquer la théorie des files d’attente à l’éva-
luation des performances. Pour ce type d’applications, il est apparu que même des
modèles de files d’attente relativement simples fournissaient des résultats qui corres-
pondaient de près aux observations réelles. On assista alors à une évolution rapide de
la théorie des files d’attente qu’on appliqua à l’évaluation des performances des sys-
tèmes informatiques et aux réseaux de communication (Kobayashi, 1978). Les cher-
cheurs oeuvrant dans cette branche d’activité ont élaboré plusieurs nouvelles méthodes
qui ont été ensuite appliquées avec succès dans d’autres domaines, notamment dans le
secteur de la fabrication (Viswanadhan, Nahari, 1992). On a aussi constaté une résur-
gence des applications pratiques de la théorie des files d’attente dans des secteurs plus
traditionnels de la recherche opérationnelle (Grassmann, 1991), un mouvement mené
par Kolesar (1979) et Larson (1987). Grâce à tous ces développements, la théorie des
files d’attente est aujourd’hui largement utilisée et ses applications sont multiples.
Cette théorie classique s’est très vite montrée inefficace face à des systèmes réels
de plus en plus complexes. Dès la fin des années 1940, des chercheurs tels que Kosten
(1947) et Wilkinson (1956) ont mis en évidence les limites de la théorie classique
des files d’attente qui ne permettait pas d’expliquer le comportement stochastique
des systèmes téléphoniques où les abonnés répétaient leurs appels en recomposant le
numéro plusieurs fois jusqu’à l’obtention de la communication.
Ce phénomène de répétition de demandes du service a poussé certains chercheurs
à étendre le modèle d’attente classique à celui dit avec rappels (Cohen, 1957). Cepen-
dant, l’influence de ce phénomène a été longtemps négligée durant les décennies sui-
vantes. Ce n’est que vers les années 1970-1980 qu’on a vu un net regain d’intérêt pour
cette catégorie de modèles, avec l’avènement de nouvelles technologies, notamment
dans les systèmes de télécommunication : réseaux AT M . Les systèmes de files d’at-
tente avec rappels peuvent être appliqués pour résoudre les problèmes pratiques, tels
que l’analyse du comportement des abonnés dans les réseaux téléphoniques, l’analyse
du temps d’attente pour accéder à la mémoire sur les disques magnétiques, ... (Tran-
Gia, Mandjes, 1997). Ce type de modèles se rencontre également dans la modélisation
de protocoles spécifiques de communication, tels que CSM A (Carrier Sense Multiple
Access) ou encore les disciplines Auto-Repeat, Ring-Back-When-Free, Repeat-Last-
Number, ... (Khomichkov, 1995). Les progrès récents dans ce domaine sont résumés
dans les articles de synthèse de (Yang, Templeton, 1987 ; Falin, 1990 ; Templeton,
1999) et dans les monographies de (Falin, Templeton, 1997 ; Artalejo, Gómez-Corral,
2008).
M/G/1 avec rappels et Bernoulli feedback 183
où {
0, si le serveur est oisif,
C(t) =
1, si le serveur est occupé.
No (t): le nombre de clients en orbite à l’instant t.
ξ(t) représente le temps de service écoulé du client en service à l’instant t, si C(t) = 1.
Le schéma général d’un tel système d’attente est donné par la figure 1.
Soit {tn , n ∈ N} une suite d’instants de la fin d’un service. La suite de variables
aléatoires Yn = {qn = No (t+ n ), n ∈ N} forme une chaîne de Markov induite, dont
l’équation fondamentale est :
où,
• vn+1 : représente le nombre de clients qui arrivent pendant un temps de service qui
se termine à l’instant tn+1 . Sa distribution est donnée par :
∫ ∞
(λx)i −λx
ki = P (vn+1 = i) = e dB(x), i ≥ 0, (2)
0 i!
La distribution de δqn dans le cas des rappels classiques est donné par Boualem et al.
(2011) :
kµ
P (δqn = 1|qn = k) = ,
λ + kµ
λ
P (δqn = 0|qn = k) = .
λ + kµ
En outre,
P [η = 1] = c et P [η = 0] = c = 1 − c.
4. Mesures de performance
cλρ cλβ1 λ2 β2
n = π ′ (1) = ρ + c(1 − λβ1 ) + + + . (4)
µ(1 − ρ) (1 − ρ) 2(1 − ρ)
cλρ cλβ1 λ2 β2
n0 = n − ρ = c(1 − λβ1 ) + + + . (5)
µ(1 − ρ) (1 − ρ) 2(1 − ρ)
Temps d’attente et nombre de rappels : Le temps d’attente d’un client peut être dé-
terminé à partir du temps d’entrée dans le système jusqu’au temps du commencement
du service. Ainsi, d’après la formule de Little, le temps moyen d’attente w est lié au
nombre moyen de clients dans l’orbite n0 par la formule n0 = wλ. Par conséquent,
on aura
c(1 − λβ1 ) cρ cβ1 λβ2
w= + + + . (6)
λ µ(1 − ρ) (1 − ρ) 2(1 − ρ)
Ainsi, le nombre moyen de rappels par client, qu’on note par d, est donné comme suit
P REUVE 3. —
La démonstration de ce corollaire est basée sur quelques manipulations algé-
briques et l’application de la règle de l’Hôpital plusieurs fois. Cependant, en dérivant
l’expression (3) au point z = 1, on obtient la formule du nombre moyen de clients
dans le système M/G/1 avec rappels et feedback. En effet, soient :
A(z) = e − λz)(c + cz − cz − cz 2 ),
(1 − ρ)B(λ
B(z) = e − λz) − z,
(c + cz)B(λ
( ∫ z )
λ
C(z) = exp f (u)du ,
µ 1
où,
e − λz)(c + zc))
(1 − B(λ
f (z) = .
e − λz)(c + zc) − z)
(B(λ
De plus
′
A (z) = e − λz)(c − c − cz),
(1 − ρ)λβ1 (c + cz − cz − cz 2 ) + (1 − ρ)B(λ
′′
A (z) = (1 − ρ)λ2 β2 (c + cz − cz − cz 2 + (1 − ρ)λβ1 (c − c − cz)
+ e − λz)(−c),
(1 − ρ)λβ1 (c − c − cz) + (1 − ρ)B(λ
′
B (z) = e − λz) + (c + cz)λβ1 − 1,
cB(λ
′′
B (z) = cλβ1 + cλβ1 + (c + cz)λ2 β2 ,
( ∫ z )
′ λ λ
C (z) = f (z) exp f (u)du .
µ µ 1
On remplace par z = 1 dans les expressions précédentes, on obtient :
Alors,
A(z)C(z)
π(z) = , et
B(z)
188 JESA. Volume 47 – no 1-2-3/2013. MSR 2013
5. Aspect pratique
Afin de confirmer les résultats analytiques, obtenus dans la section 4, nous avons
élaboré un simulateur, sous environnement Matlab, basé sur la simulation à événe-
ments discrets, qui reproduira le comportement du modèle d’attente M/G/1 avec
rappels et feedback et de faire les comparaisons entre les caractéristiques estimées à
celles obtenues analytiquement. Pour cela, on a choisi deux lois de probabilités (loi
exponentielle et de Cox d’ordre 2) pour les temps de service.
Deuxième situation : Afin de déterminer l’influence de taux des arrivées λ sur les
caractéristiques du système nous avons fixé le taux de service 1/β1 = 1, la probabilité
M/G/1 avec rappels et Bernoulli feedback 191
À partir des graphiques, reflétant les trois situations étudiées, on constate une dé-
pendance exponentielle entre les caractéristiques du système et l’intensité de trafic.
Plus précisément, cette dépendance est plus sensible, pour les deux cas de variations :
taux des arrivées et le taux de service, par rapport à la variation de la probabilité de
feedback.
6. Conclusion
Dans cet article, nous avons effectué une étude quantitative d’analyse des perfor-
mances du modèle M/G/1 avec rappels classiques et Bernoulli feedback. Nous avons
obtenu les caractéristiques essentielles, telles que : le nombre moyen de clients dans le
système, le nombre moyen de clients en orbite, le temps moyen d’attente, le nombre
moyen de rappels par client et le nombre moyen de clients qui demandent un service
192 JESA. Volume 47 – no 1-2-3/2013. MSR 2013
supplémentaire. De plus, pour confirmer les résultats obtenus, nous avons élaboré un
simulateur, sous environnement Matlab, afin de simuler les caractéristiques du modèle
considéré et les comparer à celles obtenues analytiquement. Pour cela, on a choisi deux
lois de probabilités (loi exponentielle et de Cox d’ordre 2) pour les temps de service.
Finalement, on observe une bonne concordance entre les résultats analytiques et ceux
issus de la simulation. D’une manière générale, les résultats de simulation obtenus
confirme nos investigations analytiques.
Nous envisageons d’analyser d’autres aspects de systèmes d’attente avec rappels
et feedback. En effet, notre étude peut être généralisée dans d’autres directions plus in-
téressantes. Par exemple, nous pouvons étendre notre analyse pour discuter le contrôle
optimal de notre modèle. De plus, il serait utile de considérer une structure plus com-
plexe en prenant une distribution générale pour les temps de rappels et pannes du
serveur.
Bibliographie
Aïssani A. (2008). Optimal control of an M/G/1 retrial queue with vacations. Journal of
Systems Science and Systems Engineering, vol. 17 (4), p. 487-502.
Boualem M., Djellab N., Aïssani D. (2009). Stochastic inequalities for M/G/1 retrial queues
with vacations and constant retrial policy. Mathematical and Computer Modelling, vol. 50,
p. 207-212.
Boualem M., Djellab N., Aïssani D. (2011). Approche régénérative de la file d’attente M/G/1
avec rappels classiques et vacances exhaustives du serveur. Journal Européen des Systèmes
Automatisés, vol. 45 (1-3), p. 253-267.
Boualem M., Djellab N., Aïssani D. (2012). Stochastic approximations and monotonicity of
a single server feedback retrial queue. Mathematical Problems in Engineering, vol. 2012,
p. 1-13.
Cohen W. J. (1957). Basics problems of telephone traffic theory and the influence of repeated
calls. Philips Telecommunication Review, vol. 18, p. 49-100.
Djellab N. (2005). On the M/G/1 retrial queue with feedback. Proceedings of the International
Conference on Mathematical Methods of Optimization of Telecommunication Networks,
Minsk, Byelorussia, p. 32-35.
Erlang A. K. (1909). The theory of probabilities and telephone conversations. Nyt Tidsskrift
for Matematik B, vol. 20, p. 33.
Falin G. I., Templeton J. G. C. (1997). Retrial queues. Chapman and Hall, London.
M/G/1 avec rappels et Bernoulli feedback 193
Grassmann W. (1991). Finding transient solutions in markovian event systems through ran-
domization. W.J. Stewart, Editor. Numerical Solutions of Markov Chains, Marcel Dekker,
New York, , p. 357-371.
Khomichkov I. I. (1995). Calculation of the characteristics of local area network with p-
persistent protocol of multiple random access. Honam Mathematical Journal, vol. 56 (2),
p. 208-218.
Kobayashi H. (1978). Modelling and analysis: An introduction to system performance evalua-
tion methodology. The Systems Programming Series, Addison Wesley, Reading, MA.
Kolesar P. (1979). A quick and dirty response to a quick and dirty crowd: Particularly to jack
byrd’s. The Value of Queueing Theory. Interfaces, vol. 9 (2), p. 77-82.
Kosten L. (1947). On the influence of repeated calls in the theory of probabilities of blocking.
De Ingenieur (in Dutch), vol. 59, p. 1-25.
Krishna Kumar B., Vijayalakshmi G., Krishnamoorthy A., Sadiq Basha S. (2010). A single
server feedback retrial queue with collisions. Computer and Operations Research, vol. 37,
p. 1247-1255.
Larson R. (1987). Perspectives on queues: Social justice and the psychology of queueing.
Operations Research, vol. 35 (6), p. 858-905.
Takas I. (1963). A single server queue with feedback. Bell System technical Journal, vol. 42,
p. 505-519.
Templeton J. G. C. (1999). Retrial queues. Top, vol. 7, p. 351-353.
Tran-Gia P., Mandjes M. (1997). Modelling of customer retrial phenomenon in cellular mobile
networks. IEEE Journal on Selected Areas in Communications, vol. 15, p. 1406-1414.
Viswanadhan N., Nahari Y. (1992). Performance modelling of automatic manufacturing sys-
tems. Prentice Hall, Englewood Cliffs.
Wilkinson R. I. (1956). Theories for toll trafic engineering in the USA. Bell Systems Technical
Journal, vol. 35 (2), p. 421-514.
Yang T., Templeton J. G. C. (1987). A survey on retrial queues. Queueing Systems, vol. 2,
p. 201-233.