Modélisation, simulation,

optimisation des chaines de production

Imane HSSINI
 « L ’ efficacité des décisions du cadre
dépend pour une large part de la qualité de
ses modèles»

Henry Mintzberg
 Introduction
3

▪ L'étude scientifique d'un système nous amène dans la plupart des cas à faire un
ensemble de suppositions sur le fonctionnement du système. Ces suppositions,
prennent habituellement la forme de relations mathématiques constituant un
modèle qui est utilisé pour essayer de comprendre comment se comporte le
système étudié.
▪ Si les relations qui composent le modèle sont assez simples il est toujours possible
d'utiliser des méthodes mathématiques (telle que l'algèbre, la théorie des
probabilités) pour obtenir des réponses exactes aux questions qui nous intéressent.
Une telle solution s'appelle

une solution analytique.

▪ Cependant, les systèmes qu'on trouve dans la réalité sont le plus souvent trop
complexes pour pouvoir se prêter à une évaluation analytique, et leurs modèles
doivent être étudiés au moyen de la simulation.
 Introduction
4
 Simulation Vs Modélisation
5

▪ On utilise un modèle quand on veut comprendre un système réel que l’on ne peut
pas observer ou expérimenter directement, parce que le système n'existe pas encore
ou parce que cela est trop difficile à manipuler. Ensuite, par simulation, il est
possible de mesurer l'impact relatif de chacune de ces composantes sur la
performance globale du système de production. Ainsi, la modélisation et la
simulation de la partie opérative du système permet de fournir les informations
nécessaires au système de conduite.

La modélisation est le processus de conception d’un modèle d’un système, tandis que la
simulation est le processus d’implantation du modèle et les simulations faites sur ce modèle
dans le but de comprendre le comportement du système et/ou d'évaluer différentes
stratégies pour différentes opérations du système.
 Qu’est ce que la simulation?
6

✓ La simulation d'un système industriel a pour but de reproduire sur un modèle certains
comportements dynamiques du système afin d'analyser les flux dans le système et la
disponibilité des ressources.

✓ La simulation de fonctionnement d’un système est synonyme d’une imitation de son

fonctionnement au cours de temps en manipulant un modèle.

✓ Simuler un système, revient à définir le système et plus exactement le modèle de ce système

avec ses entités (c'est à dire les éléments qui interagissent), ses ressources (ex : véhicules,
chauffeurs, etc.), ses événements et ses états.

✓ La simulation numérique est issue de la combinaison des mathématiques appliquées, de

l’informatique et des sciences de l’Ingénieur

✓ La simulation est un processus de création d’un modèle « informatisé », dans le but de mener
des expériences numériques pour comprendre le comportement du système réel, sous des
conditions biens définies
 Objectif de la simulation
7

▪ La simulation permet d’évaluer les performances d'un système donnée :

✓ Au niveau de la structure physique (conception de nouveaux systèmes) ;

✓ Au niveau du système de décision (exploitation, réorganisation).

✓ La simulation permet de répondre à la question : « qu'obtiendra-t-on si l'on fait ceci

? » mais ne permet pas de répondre à la question : « que faut-il faire pour obtenir
cela ? ».

La simulation permet de comprendre le comportement dynamique du système, de comparer

des configurations, d’évaluer différentes stratégies de pilotage, d’évaluer et d’optimiser des
performances. Et l’élimination des comportements indésirables avant la phase
d’application.
 Domaines d’application de la simulation
8

▪ Les domaines d'application sont divers :

➢ Systèmes de production :
▪ modification du processus de fabrication : gammes, temps de fabrication et de
préparation.
▪ suppression/adjonction de machines/de main d'œuvre.
➢ Flux logistiques et systèmes de transport :
▪ conception et dimensionnement d’entrepôts.
▪ dimensionnement d’une flotte de camions.
▪ étude de procédures de contrôle des flux de véhicules en circulation.
➢ Production des services:
▪ étude de transactions bancaires.
▪ gestion de restaurants.
➢ Domaine militaire :
▪ coordination des opérations, ...,
➢ Gestion d’hôpitaux:
▪ personnel, lits, service d’urgence, ...
 Utilités de la simulation
9

▪ La simulation est très utile dans les cas suivants :

▪ Le système n’est pas décomposable en sous-systèmes plus simples et
indépendants les uns des autres.
▪ Le système n’existe pas encore et une étude préliminaire (phase de conception)
est en cours.
▪ Les expériences sur le système réel coûtent cher, ou sont impossibles à réaliser
pendant son fonctionnement.
▪ Faire des expériences sur le système réel est dangereux ou peut avoir des
conséquences graves.
▪ La complexité des interactions dans le système est telle quelle ne peut être
étudiée qu'au travers de simulations.
▪ La validation d’une solution analytique

▪ Le test de différentes scénarios afin de les comparer et de retenir par la suite le

plus intéressant permettant l’optimisation d’un système déjà existant.
 Avantages de la simulation
10

▪ Le système considéré n’a même pas besoin d’exister.

▪ On peut répéter à volonté des expériences identiques ou similaires dans les
mêmes conditions.
▪ On peut souvent simuler un système beaucoup plus rapidement qu’il évolue
dans la réalité (par ex., 2 années d’opérations d’une usine en quelques
minutes).
▪ On peut simuler des modèles très complexes, plus réalistes que ceux que l’on
peut résoudre par des formules analytiques ou par les m´méthodes
d’optimisation classiques.
▪ L’animation graphique peut permettre de voir ´évoluer le modèle.
 Limites de la simulation
11

▪ Bien que la simulation est très utile dans certains cas, elle présente des limites
dans d’autre cas :
▪ Les temps d’exécution (CPU) peuvent devenir excessifs.
▪ Ne fournit habituellement que des estimations; l’optimisation est beaucoup
plus difficile par simulation que via les outils habituels de programmation
mathématique.
▪ L’analyse statistique des résultats n’est pas toujours simple.

▪ La validation d’une solution analytique

▪ Le test de différentes scénarios afin de les comparer et de retenir par la suite le
plus intéressant permettant l’optimisation d’un système déjà existant.
▪ La programmation demande un certain niveau d'expertise. La qualité des
résultats fournis lors de l'analyse des solutions est liée à la qualité de la
modélisation et au savoir-faire du «modélisateur»
 Classification du modèle de simulation
12

• La classification des modèles peut se faire en fonction du temps et de la nature des variables :

Statique Dynamique

Analyse numérique Calcul des probabilités

Déterministe

Modélisation

Stochastique Simulation à événement

Monté carlo
discret
 Classification du modèle de simulation
13

• Simulations statiques :
✓ Monte Carlo: méthode applicable seulement si le temps n'a pas d'influence, utilise
des tirages aléatoires et souvent uniformes. Ex.: Fiabilité d’un réseau; . . .
• Simulations dynamiques
✓ Système qui change dans le temps. Autrement dit, On s’intéresse à l’´évolution
dans le temps. Ex.: Trafic routier ou téléphonique; Système d’inventaire; . . .
• Simulations Déterministes
✓ Qui ne contient pas de variable aléatoire, une variable d'entrée donnée, produit
toujours le même résultat . Ex: Équations différentielles; programmation linéaire
• Simulations Stochastiques
✓ Implique de l’incertitude. Entrées et sorties sont aléatoires. Ex.: Files d’attente;….
• Simulation continue (Modèle en temps continu):
✓ L’´état change continument dans le temps, habituellement selon des équations
différentielles. Ex.: Un objet qui se déplace; prédictions météo;….
 Étapes de la réalisation d'une simulation
14

▪ On peut découper un projet de simulation avec l’enchaînement de phases suivant :

• Analyse

• Modélisation

• Simulation
 Critères de la réalisation d'une simulation
15

• Avant de commencer la simulation d’un système nous devons fixer les critères pour
pouvoir obtenir des bons résultats. Quelques critères d’un bon modèle de
simulation sont :

✓ Connaissance du but de la simulation ;

✓ Compréhension parfaite du système ;
✓ Modèle évolutif (démarrer simple ==> complexe) ;
✓ Modèle complet sur les caractéristiques principales (décrit les phénomènes principaux avec
exactitude) ;
✓ Modèle flexible, facile à modifier et à mettre à jour ;
✓ Modèle solide, qui reste valide face à un grand nombre de situations ;
✓ Modèle facile à mettre au point ;
✓ Modèle qui donne des résultats de façon claire.
 Modélisation à événement discret
16
• La plupart des processus d’entreprise peuvent être décrits comme des évènements
discrets et séparés. Par exemple, un camion arrive à un entrepôt, se rend à un quai
de déchargement, décharge, puis repart. Pour réaliser une simulation de ces
évènements, la modélisation par évènement discret est souvent retenue.
• La modélisation par évènement discret est massivement utilisée dans les secteurs de
la santé, de la fabrication et de la logistique.
• Des évènements e0, e1, e2, . . . surviennent aux instants 0 = t0 ≤ t1 ≤ t2 ≤ · · ·. On
note Si l’état du système immédiatement après ei . Temps de la simulation: valeur
courante de ti .
État

Temps
 Modélisation à événement discret
17

▪ Exemple de modélisation à évènement discret: les files d’attentes

▪ En général, pour étudier l’impact de différents choix de conception sur la performance
d’une file d’attente, il faut construire un modelé de simulation.

▪ En effet, 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 `a 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.
 Modélisation à événement discret
18

▪ Rappel:
▪ Le modèle de base en files d’attente se nomme M/M/1 et se généralise en notation
de Kendall A/B/C/K/N/D :
✓ A : processus d’arrivée (M = markovien ou memoryless).
✓ B : processus de service (M = markovien ou memoryless).
✓ C : nombre de serveurs.
✓ K : capacité du système (file + serveurs).
✓ N : taille de la population des clients (habituellement infinie).
✓ D : discipline de service (par défaut, FIFO, ou PAPS : 1er arrivé 1er servi, mais aussi
RANDOM ou PRIORITY).
▪ Modèle M/M/1
➢ Les clients se présentent au système aléatoirement selon un processus de Poisson de taux λ.
➢ Le temps de service suit une loi exponentielle de taux µ,indépendamment d’un client à
l’autre.
➢ La file d’attente peut s’étendre `a l’infini.
 Modélisation à événement discret
19

▪ Exemple: Une file d’attente à un serveur

▪ File GI/GI/1: Un seul serveur, les clients arrivent un à un et sont servis un à la fois, en ordre
FIFO.
➢ Si : durée de service du client i;
➢ Ai : durée entre les arrivées des clients i et i + 1.
➢ Les Si et les Ai sont mutuellement indépendant de fonction de répartition G et F.
➢ Le premier client arrive au temps A0 dans un système vide.
➢ On veut simuler ce système pour une durée T et calculer l’attente moyenne par client et la
longueur moyenne de la file d’attente.
➢ Les types d’évènements: arrivée, départ, fin de la simulation.
➢ Les variables aléatoires (indépendantes) à générer: A1, A2, A3, . . . et S1, S2, S3, . . ..
 Modélisation à événement discret
20
 Modélisation à événement discret
21

▪ Exemple: Une file d’attente à un serveur

▪ Notation:
▪ Wi = temps d’attente du client i;
▪ Q(t) = longueur de la file d’attente au temps t;
▪ Nc(t) = nombre de clients ayant débuté leur service durant [0, t].
▪ Supposons que l’on veut calculer, pour l’intervalle [0, T]:
▪ (a) l’attente moyenne par client:

▪ (b) la longueur moyenne de la file d’attente:

 Modélisation à événement discret
22

▪ Esquisse d’un programme de simulation à évènements discrets:

▪ Pour chaque client, on crée un objet (ou un dossier) contenant l’instant d’arrivée et la
durée de service.
▪ Variables d’état:
✓Horloge de la simulation.
✓Liste des clients en attente, liste les clients en service;
✓Compteurs statistiques (au besoin).
✓Une liste des évènements futurs prévus, par ordre chronologique (différentes
implantations possibles).
 Modélisation à événement discret
23

▪ Esquisse d’un programme de simulation à évènements discrets:

▪ Une procédure pour chaque type d’évènement:
▪ Arrivée:
▪Générer A selon F et prévoir une autre Arrivée dans A unités de temps;
▪Créer le nouveau client et noter son instant d’arrivée;
▪Générer sa durée de service S selon G;
▪Si (serveur est occupé) alors
▪Insérer ce nouveau client dans la liste des clients en attente;
▪sinon
▪Insérer le client dans la liste des clients en service;
▪Prévoir son départ dans S unités de temps;
▪Mise à jour des statistiques voulues.
 Modélisation à événement discret
24

▪ Esquisse d’un programme de simulation à évènements discrets:

▪ Une procédure pour chaque type d’évènement:
▪ Départ:
▪Enlever le client de la liste des clients en service;
▪Si la file d’attente n’est pas vide alors
▪ Enlever le premier client de la liste d’attente;
▪ L’insérer dans la liste des clients en service;
▪ Récupérer son S et prévoir son départ dans S unités de temps;
▪Mise `a jour des statistiques voulues.
▪ Fin-de-la-Simulation:
▪ Imprimer un rapport et terminer le programme.