Analyse des performances du système

M/G/1 avec rappels et Bernoulli feedback

Mohamed Boualem 1 , Mouloud Cherfaoui 1,2 , Natalia Djellab 3 ,

Djamil Aïssani 1

1. Laboratoire de Modélisation et d’Optimisation des Systèmes (LAMOS)

Université de Béjaia, Targa-Ouzamour, 06000 Algérie
robertt15dz@yahoo.fr,lamos_bejaia@hotmail.com
2. Département de Mathématiques, Université de Biskra, 07000 Algérie
mouloudcherfaoui2013@gmail.com
3. Département de Mathématiques, Université de Annaba, 23000 Algérie
djellab@yahoo.fr

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

Journal européen des systèmes automatisés – no 1-2-3/2013, 181-193

182 JESA. Volume 47 – no 1-2-3/2013. MSR 2013

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

Le protocole de rappels est en effet un sujet de controverse (Falin, 1990). En effet,

le protocole de rappels classiques suppose que la probabilité de rappel dans l’inter-
valle (t, t + dt), sachant que j clients sont en orbite (groupe de clients bloqués) à
l’instant t, est jα dt + o(dt) (Yang, Templeton, 1987 ; Boualem et al., 2011 ; 2012).
Par ailleurs, quelques applications aux réseaux informatiques et de communication
sont basées sur le fait que le temps inter-rappels est contrôlé par un dispositif électro-
nique et, par conséquent, est indépendant du nombre de clients demandant le service,
alors la probabilité de rappel durant (t, t + dt), sachant que l’orbite est non vide,
est α dt + o(dt). Cette discipline est appelée politique de rappels constants (Aïssani,
2008 ; Boualem et al., 2009).
La majorité des études sur les systèmes d’attente avec rappels considère le mo-
dèle sans feedback. Néanmoins, plusieurs situations réelles peuvent être modélisées
comme des systèmes de files d’attente avec rappels et feedback. La notion de feedback
a été initialement introduite par Takas (1963) pour l’étude de certains systèmes d’at-
tente classiques, et depuis plusieurs papiers sont apparus sur ce sujet en considérant
d’autres types de systèmes avec différentes variantes (rappels, vacances, pannes,...)
(Krishna Kumar et al., 2010). Le phénomène de feedback dans les systèmes d’attente
avec rappels peut apparaître dans plusieurs situations pratiques (Artalejo, Gómez-
Corral, 2008), par exemple, dans les systèmes MATS (Multiple Access Telecommuni-
cation Systems) où des messages s’avérant comme erreurs à la destination (messages
perdus ou corrompus) sont renvoyés. En particulier, les systèmes d’attente avec rap-
pels et feedback sont utilisés pour modéliser le protocole ARQ (Automative Repeat
Request) dans un réseau de communication à haute fréquence. Dans ces systèmes, à
chaque fois qu’un client arrive et trouve le serveur occupé, quitte le service pour re-
joindre un groupe de clients bloqués appelé orbite, sinon il reçoit immédiatement son
service. Une fois servi, il décide, avec une probabilité p, de retourner en orbite pour
demander un autre service ou de quitter le système définitivement avec une probabilité
complémentaire 1 − p. Le modèle M/G/1 avec rappels et feedback a été étudié dans
Djellab (2005), l’auteur a obtenu la distribution du nombre de clients dans le système
à l’état stationnaire, en utilisant la méthode de la chaîne de Markov auxiliaire. Pour
le même modèle, Boualem et al. (2012) ont utilisé la méthode de comparaison sto-
chastique des chaînes de Markov pour obtenir quelques approximations qualitatives.
L’objectif principal est d’employer les techniques d’ordres stochastiques pour établir
différents résultats de monotonie par rapport aux taux d’arrivée, distributions du temps
de service et le paramètre de rappel. De plus, les auteurs ont obtenu la propriété de la
décomposition stochastique du nombre de clients dans le système au régime station-
naire.
Notre objectif est de faire une analyse mathématique du système d’attente M/G/1
avec rappels classiques et Bernoulli feedback. Pour cela, en utilisant la propriété de
décomposition stochastique obtenue dans Boualem et al. (2012), nous avons dérivé
certaines mesures de performance, importantes et intéressantes, pour le système consi-
déré, telles que: le nombre moyen de clients dans le système et en orbite, le temps
moyen d’attente et le nombre de rappels ainsi que le nombre moyen de clients qui
184 JESA. Volume 47 – no 1-2-3/2013. MSR 2013

demandent un service supplémentaire. Des exemples numériques sont donnés pour

illustrer les résultats théoriques obtenus.
Le reste du document est organisé comme suit : la deuxième section est focalisée
sur la présentation mathématique du modèle d’attente M/G/1 avec rappels classique.
Dans la troisième section, nous présentons la chaîne de Markov induite associée à ce
modèle. Les mesures de performance obtenues, pour ce type du modèle, sont données
dans la quatrième section. La cinquième section est consacrée à l’aspect pratique.

2. Description mathématique du modèle

On considère un système de files d’attente à un seul serveur où les clients primaires

arrivent suivant un flux poissonnien de taux λ. Un client qui arrive et trouve le serveur
occupé, quitte l’aire du service pour rejoindre un groupe de clients bloqués appelé
orbite. Après un certain temps aléatoire, il renouvelle sa tentative d’entrer en service,
une fois, deux fois, ..., jusqu’à ce qu’il le trouve disponible. Une fois servi, le client
doit décider, soit de rejoindre l’orbite pour un autre service avec une probabilité c (0 ≤
c < 1) où de quitter le système définitivement avec une probabilité complémentaire
c = 1 − c. Les intervalles de temps inter-rappels suivent une distribution exponentielle
de taux kµ (k ∈ N) (Boualem et al., 2011). Comme cette politique de rappel dépend
du nombre de clients dans l’orbite, on l’appelle politique de rappel classique. La durée
de service τ est de loi générale, de fonction de distribution B(x), de transformée de
e
Laplace B(s) et des deux premiers moments finis β1 et β2 , respectivement. Toutes les
variables aléatoires introduites sont mutuellement indépendantes.
L’état du système à l’instant t peut être décrit par le processus

X(t) = (C(t), No (t), ξ(t), t ≥ 0),

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.

Figure 1. Système M/G/1 avec rappels et Bernoulli feedback

 M/G/1 avec rappels et Bernoulli feedback 185

3. Chaîne de Markov induite

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 :

qn+1 = qn − δqn + vn+1 + η, (1)

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!

avec la fonction génératrice

∑ ∫ ∞
K(z) = ki z i = e − λz).
e−x(λ−λz) dB(x) = B(λ
i≥0 0

• δqn est la variable de Bernoulli définie par :

{
1, si le (n + 1)ème client provient de l’orbite,
δqn =
0, sinon.

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

• La variable aléatoire η est définie par :

{
1, si le client servi décide de rejoindre l’orbite;
η=
0, si le client servi décide de quitter le système.

En outre,
P [η = 1] = c et P [η = 0] = c = 1 − c.

La chaîne de Markov induite {qn , n ≥ 1} est ergodique si et seulement si ρ =

λβ1 + c < 1 (Boualem et al., 2012).
186 JESA. Volume 47 – no 1-2-3/2013. MSR 2013

Sous la condition d’ergodicité ρ = λβ1 + c < 1, l’expression de la fonction

génératrice de la distribution stationnaire du nombre de clients dans le système aux
instants de départs est donnée par Boualem et al. (2012) :
[ ]
e − λz)(1 − z)
(1 − ρ)B(λ
π(z) =
e − λz) − z
(c + cz)B(λ
[ ( ∫ )]
λ z (1 − B(λe − λu)(c + cu))
× (c + cz) exp du . (3)
µ 1 (B(λe − λu)(c + cu) − u)

R EMARQUE 1. — L’équation (3) est le produit de deux facteurs. Le premier est la

fonction génératrice du nombre de clients dans le système M/G/1 avec feedback
(Takas, 1963) ; le second facteur est la fonction génératrice du nombre de clients dans
le système d’attente M/G/1 avec rappels et feedback étant donné que le serveur est
libre. Cette propriété est connue dans la littérature comme la propriété de décompo-
sition stochastique.

4. Mesures de performance

Notre prochain objectif est de déterminer les caractéristiques du modèle étudié. Le

corollaire suivant donne certaines mesures de performance au régime stationnaire.
C OROLLAIRE 2. —
Nombre moyen de clients dans le système :

cλρ cλβ1 λ2 β2
n = π ′ (1) = ρ + c(1 − λβ1 ) + + + . (4)
µ(1 − ρ) (1 − ρ) 2(1 − ρ)

Nombre moyen de clients en orbite : Il est donné par la relation suivante

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

cµ(1 − λβ1 ) cρ cµβ1 λµβ2

d = µw = + + + . (7)
λ (1 − ρ) (1 − ρ) 2(1 − ρ)
 M/G/1 avec rappels et Bernoulli feedback 187

Nombre moyen de clients qui demandent un service supplémentaire :

ccλρ c2 λβ1 λ2 cβ2

F = cπ ′ (1) = cρ + c2 (1 − λβ1 ) + + + . (8)
µ(1 − ρ) (1 − ρ) 2(1 − ρ)

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 :

A(1) = 0, A′ (1) = c(ρ − 1), A′′ (1) = −(1 − ρ)(2λβ1 c + c).

′ ′′
B(1) = 0, B (1) = c + λβ1 − 1 = (ρ − 1), B (1) = 2cλβ1 + λ2 β2 .
′ λ ρ
C(1) = 1, C (1) = .
µ1−ρ

Alors,
A(z)C(z)
π(z) = , et
B(z)
188 JESA. Volume 47 – no 1-2-3/2013. MSR 2013

′ [A′ (z)C(z) + A(z)C ′ (z)]B(z) − [A(z)C(z)]B ′ (z)

π (z) = .
[B(z)]2
′
Au point z = 1, on trouve π (z) = 0/0 qui est une forme indéterminée. Pour cela, en
utilisant la règle d’Hôpital, on obtient :
[A′′ (z)C(z) + A′ (z)C ′ (z) + A′ (z)C ′ (z) + A(z)C ′′ (z)]B(z)
π ′ (z) =
2[B(z)][B ′ (z)]
[A′ (z)C(z) + A(z)C ′ (z)]B ′ (z)
+
2[B(z)][B ′ (z)]
[A(z)C ′ (z) + A′ (z)C(z)]B ′ (z) − [A(z)C(z)]B ′′ (z)
− .
2[B(z)][B ′ (z)]
On utilise la règle d’Hôpital une deuxième fois, on aura
[A′′ (z)C(z) + A′ (z)C ′ (z) + A′ (z)C ′ (z) + A(z)C ′′ (z)]B(z)
π ′ (z) =
2[B ′ (z)B ′ (z) + B(z)B ′′ (z)]
[A′′ (z)C(z) + A′ (z)C ′ (z) + A′ (z)C ′ (z) + A(z)C ′′ (z)]B ′ (z)
+
2[B ′ (z)B ′ (z) + B(z)B ′′ (z)]
[A′ (z)C(z) + A(z)C ′ (z)]B ′′ (z) − [A(z)C(z)]B ′′′ (z)
− .
2[B ′ (z)B ′ (z) + B(z)B ′′ (z)]
Finalement, après quelques manipulations algébriques, on obtient :
′ [A′′ (1)C(1) + 2A′ (1)C ′ (1) + A(1)C ′′ (1)]B ′ (1)
π (1) =
2B ′2 (1)
[A′ (1)C(1) + A(1)C ′ (1)]B ′′ (1) − [A(1)C(1)]B ′′′ (1)
−
2B ′2 (1)
[A′′ (1) + 2A′ (1)C ′ (1)]B ′ (1) − [A′ (1)B ′′ (1)]
=
2B ′2 (1)
(1 − ρ)(2λβ1 c + c) + 2c µλ ρ + 2cλβ1 + λ2 β2
=
2(1 − ρ)
cλρ cλβ1 λ2 β2
= λβ1 c + 2c + + +
µ(1 − ρ) (1 − ρ) 2(1 − ρ)
cλρ cλβ1 λ2 β2
= λβ1 (1 − c) + 2c + + +
µ(1 − ρ) (1 − ρ) 2(1 − ρ)
cλρ cλβ1 λ2 β2
= ρ + c(1 − λβ1 ) + + +
µ(1 − ρ) (1 − ρ) 2(1 − ρ)
= n.

D’où le résultat recherché.

 M/G/1 avec rappels et Bernoulli feedback 189

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.

5.1. Justification des résultats analytiques

Pour confirmer un résultat théorique, il suffit de simuler n fois et de comparer

le résultat obtenu (le nombre moyen de clients dans le système, le temps moyen de
séjour,...) avec les résultats théoriques correspondants.
Notons par m une caractéristique moyenne donnée par le simulateur et m0 sa
valeur théorique. Le problème revient donc à tester l’hypothèse :

”H0 : m0 = m” contre ”H1 : m0 ̸= m”.

À la nème simulation, on obtient un estimateur de m d’une variance empirique S 2 .

Ainsi, la confirmation des résultat se fait par le test bilatéral sur la statistique Tn−1 =
|m0 −m| √
s n − 1 suivant une loi de Student de degré de liberté ν = n − 1, où la région
critique du test pour un seuil de risque α est T > t( α2 ,ν) .
Pour notre étude, on se focalise sur les trois situations suivantes :
1˚ cas : on considère la file M/M/1 avec rappels et feedback avec les paramètres
suivants: λ = 2, β1 = 1/4, µ = 2 et c = 0, 3.
2˚ cas : on considère la durée de temps de service suit une distribution de Cox d’ordre
2, ayant les paramètres ν1 = 4, ν2 = 7, 5 et γ = 0, 05. De plus, on fixe λ = 2,
µ = 2 et c = 0, 3.
3˚ cas : on considère le cas particulier c = 0 (pas de demande d’un service supplé-
mentaire); avec les paramètres : λ = 2, β1 = 1/4 et µ = 5.
Après plusieurs exécutions de simulateur, pour les trois cas considérés ci-dessus,
pour déférentes valeurs de tmax, on a constaté que pour des valeurs de tmax ≥ 1 000,
le régime stationnaire est atteint.
Pour un temps de simulation tmax = 1 000 unités de temps et n = 100 (nombre
de réplications). Les résultats comparatifs obtenus, pour les trois cas présentés, sont
résumés dans le tableau 1.
On constate que toutes les statistiques de Student calculées (voir le tableau 1),
pour un seuil α = 0, 05, sont inférieures à t(0,025 ; 99 ) = 1, 96. Du ce fait, on ne
rejette pas H0 au seuil α = 0, 05, ce qui signifie que les résultats théoriques ne sont
pas contradictoires avec ceux de simulation au seuil α = 0, 05.
190 JESA. Volume 47 – no 1-2-3/2013. MSR 2013

Tableau 1. Comparaison des résultats de simulation avec les résultats théoriques

Caractéristiques n n0 w d F
Résultats théoriques 3,725 2,925 2,1 625 4,325 1,117
1ier cas Résultats de simulation 3,731 2,931 1,9 716 3,9 432 1,119
La statistique t(n,α) 0,363 0,408 0,628 0,973 0,082
Résultats théoriques 4,077 3,266 0,726 1,452 1,223
2ième cas Résultats de simulation 4,060 3,246 0,835 1,669 1,218
La statistique t(n,α) 0,804 0,927 0,931 1,872 0,236
Résultats théoriques 1,250 0,750 0,325 1,625 −
3 ième
cas Résultats de simulation 1,261 0,761 0,3 663 1,206 −
La statistique t(n,α) 1,930 1,890 1,035 1,734 −

5.2. Influence de l’intensité du trafic sur les mesures de performance

Dans la présente section, nous analysons l’influence de l’intensité du trafic sur

les caractéristiques stationnaires du système et cela dans le but d’avoir une tendance
générale des résultats.
A cet effet, nous avons considéré trois situations principales de variation du trafic,
dans le système M/M/1 avec rappels et feedback, à savoir : la variation de la proba-
bilité feedback c, la variation du taux des arrivées λ et la variation du taux de service
1/β1 sachant que ρ = λβ1 + c.
Première situation : Afin de déterminer l’influence de la probabilité de feedback
c sur les caractéristiques du système (n, n0 , d, . . .), nous avons fixé le taux de service
1/β1 = 1, le taux des arrivées λ = 0, 6 et le taux de rappels µ = 1, 5. Les résultats
obtenus pour différentes valeurs de c sont présentées dans la figure 2.

Figure 2. Variation des caractéristiques du système

en fonction de ρ (cas de variation de c)

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

c = 0, 3 et le taux de rappels µ = 1, 5. Les résultats obtenus pour différentes valeurs

de λ sont présentées dans la figure 3.

Figure 3. Variation des caractéristiques du système

en fonction de ρ (cas de variation de λ)

Troisième situation : Afin de déterminer l’influence de la durée moyenne du ser-

vice β1 sur les caractéristiques du système, nous avons fixé le taux de service, le taux
des arrivées λ = 0, 6, la probabilité c = 0,3 et le taux de rappels µ = 1, 5. Les résultats
obtenus pour différentes valeurs de β1 sont présentées dans la figure 4.

Figure 4. Variation des caractéristiques du système

en fonction de ρ (cas de variation de β1 )

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.

Artalejo J. R., Gómez-Corral A. (2008). Retrial queueing system: A computation approach.

Berlin, Springer Edition.

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.

Erlang A. K. (1917). Solution of some problems in the theory of probabilities of significance

in automatic telephone exchanges. Elektroteknikeren, vol. 13, p. 5.

Falin G. I. (1990). A survey of retrial queues. Queueing Systems, vol. 7, p. 127-168.

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.