Vous êtes sur la page 1sur 105

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.

fr 1 1
Pascale Marang
pascale.marange@esial.uhp-nancy.fr
Module Analyse de systmes de production

Gestion de flux
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
2
2
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit




ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
3
3
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit


ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
4
Introduction la simulation
La simulation est un processus qui consiste
Concevoir un modle du systme (rel) tudi
Mener des exprimentations
Interprter les observations et formuler des dcisions

Le But :
comprendre le comportement dynamique,
Comparer des configurations
valuer diffrentes stratgies de pilotage
Optimiser les performances

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
5
Introduction la simulation
Mthodologies






Domaines dapplication
Systmes de flux de production : quilibrage de lignes dassemblage, conception de systmes
de transfert entre postes, dimensionnement de stock, comparaison de pilotage, valuation de charge,
Flux logistiques et systmes de transport: dimensionnement dentrept, dune flotte de
camion
Production de services : tude de transaction bancaire, gestion de restaurants,
Systmes dinformations : valuation de protocoles de gestion de transaction de base de
donnes, tude de fille dattente mmoire serveur,

Systme
rel
Analyse des
rsultats
Evaluation de
la simulation
Modle
conceptuel
Validation
Analyse et modlisation
Programmation
Vrification
Exprimentation
Correction
Interprtation
et actions
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
6
Introduction la simulation
Etapes de modlisation
Dfinir lobjectif de la modlisation
Dfinir les lments du systme
Dfinir les interactions entre lments
Dfinir la dynamique
Dfinir les lments pertinents pour ltude
Formalisation : modles mathmatiques, modle logiciel, modles
graphiques
Limites de la simulation
La modlisation est une tache difficile
Approche itrative et dpendant de la personne qui la ralise
Difficile interprter les rsultats de la simulation

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
7
Introduction la simulation
Rpond la question :
Quobtient ton si lon fait cela ?

Et ne donne pas de rponses :
Que faut il faire pour obtenir cela ?

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
8
8
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit


ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
9
Simulation des systmes de Production
Dfinition


Partie
commande




Oprateur




Partie
oprative


nergie
nergie
Matire duvre
sortante
Matire duvre
entrante
Consignes
Cahier des
charges
Significations
Ordres
Compte-rendu
Communication avec
dautres systmes
Systme automatis
Flux dinformations
F
l
u
x
d
e
P
r
o
d
u
i
t
s
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
10
Simulation des systmes de production
Diffrents types de production
Production maximale:
On suppose:
que le stock de pices brutes en amont n est jamais vide
quil y a toujours de la place dans le stock aval o l on dpose les pices
finies
Systme de
production
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
11
Simulation des systmes de production
Diffrents types de production
Production pilote par l amont ou pousse:
L arrive des pices dclenche la fabrication,
on suppose quil y a toujours de la place dans le stock (ou sur le convoyeur
d vacuation aval) o l on dpose les pices finies.
La production du systme dpend alors du processus (alatoire) d arrive
des pices.
Systme de
production
Pilotage du systme par
l arrive des pices
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
12
Simulation des systmes de production
Diffrents types de production
Production pilote par l aval ou tire:
Dans ce cas on produit en fonction des besoins, l ide qui sous-tend ce
pilotage est celle qui consiste produire juste temps .
On a un stock aval de capacit limite.
Le prlvement d une pice sur ce stock, dclenche la fabrication.
On suppose quil y a toujours des pices brutes dans le stock amont.
La production du systme dpend alors du processus (alatoire) de
prlvement des pices finies (commandes).
Systme de
production
Pilotage du systme
par la demande de
pices
Place dans
stock aval
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
13
Simulation des systmes de production
Diffrents types datelier
Les pices visitent les machines toujours selon le mme ordre.
Les lignes de fabrication sont conues pour un produit donn (dans
l automobile par exemple), pour des sries importantes. Elles ne sont
pas flexibles.


M1 M2 M3 M4
Ligne de fabrication
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
14
Simulation des systmes de production
Diffrents types datelier
Les pices visitent les machines toujours selon le mme ordre, mais
une flexibilit du systme de transport leur permet d viter certaines
machines (By-pass).
La charge de l atelier peut tre amliore en fabriquant plusieurs
type de pices simultanment.

M1 M2 M4 M3
Pices 1
Pices 2
Atelier flot
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
15
Simulation des systmes de production
Diffrents types datelier
Les pices visitent les machines selon la gamme de fabrication sans
aucune autre contrainte d ordre.
La flexibilit du systme de transport est totale: il est possible aux
pices d aller d une machine n importe quelle autre machine
(convoyeurs en anneau, chariots filo-guids, etc...).
Comme prcdemment, la charge de l atelier peut tre amliore en
fabriquant plusieurs type de pices simultanment.
M1 M4 M3
Pices 1
Pices 2
M2
Atelier tches
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
16
Ligne de fabrication



Atelier flot



Atelier tches

M1 M2 M4 M3
Pices1
Pices 2
M1 M4 M3
Pices 1
Pices 2
M2
Ligne de
fabrication
Atelier
flot
Atelier
tches
Grandes
Sries
Grande
flexibilit,
Petites sries
Simulation des systmes de production
Diffrents types datelier
M1 M4 M3 M2
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
17
Simulation des systmes de production
Un systme de production est caractris par une forte complexit
et flexibilit
Il peut tre spcifier par un modle vnements discrets. Les
transitions sont associes loccurrence dvnements discrets
asynchrones.

Systme de
production
Modle
programme
Historisation,
statistiques
Evaluation des
performances
Systme de production : partie
oprative, partie commande,
systmes dinformations, flux
dinformations, flux de produit
Modle : dcrit le fonctionnement du systme.
Reprsentation de la circulation du flux de produit.
Le flux peut tre ralenti par des activits, tre
contraint par des rgles opratoire, dirig par des
rgles de conduite
Historisation, statistique: sur les temps de sjour,
temps de transport, longueur des files dattente,
Evaluation des performance :
se base souvent sur le WIP, le
temps de cycle, le makespan
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
18
Simulation des systmes de production
Outil de modlisation
Rseaux de files dattente valuation analytique des performances
Rseaux de Petri Analyse des proprits valuation de
performances, simulation
Modles de simulation : logiciels ddis

Un modle est compos de variables, dobjets, de relations
entre les objets

Evolution du simulation vnementielle : le modle du systme
passe au cours du temps dun tat un autre sous
loccurrence dun vnement. chaque tat est associ une
fonction qui peut modifier ltat du systme.

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
19
Simulation des systmes de production
3 types dapproche
Approche par vnements rpertoris et grs dans un
chancier.
Exemple : la machine devient occupe.

Approche par processus (Macroreprsentations) rpertoris
par un ensemble d'vnements significatifs relatifs un
processus.
Exemple : la machine devient occupe, le stock est diminu d'une unit,
l'entit est engage dans une activit et non plus en attente.

Approche par activits repres dans un rpertoire des
activits contenant leurs conditions de dclenchement et
d'arrt.
Exemple: la machine se met en marche quand trois pices sont en attente
et s arrte quand.

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
20
Simulation des systmes de production
Pourquoi?
Complexit croissante, interactions fortes entre les lments ncessit dune
approche globale
Prise en compte de tous les aspects : donnes techniques, gomtrie du
rseaux de transport, capacit des files dattente, contraintes sociales, travail
en quipe,
Quels indicateurs ?
Volume de production : nombre et type de pices produites, nombre et type de
pices dfectueuses
Engagement des ressources : taux dutilisation, temps pass par un lment
dans un tat,
A quel niveau?
Pour une aide la conduite
Pour une aide la traabilit
Pour la ralisation dun nouveau systme
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
21
Simulation des systmes de production Donnes
dentre systmes utilises
La qualit des donnes est aussi importante que la qualit du modle; ceci concerne,
par exemple dans le cas d'un systme de production : les temps opratoires, les temps de
bon fonctionnement, les taux de rebut, ...

Deux problmes :
P1) Collecte des donnes : lesquelles ? disponibles ? pertinentes ? comment les
collecter ?
P2) Systmes stochastiques : lecture directe des donnes empiriques ou tirage partir
d'une distribution thorique associe ?

Les sources possibles de donnes sont de nature diffrente :
Enregistrement du pass bases de donnes interroger (problmes de mise jour).
Observation du systme ressources humaines (erreurs).
Systmes similaires attention aux infrences.
Estimation des oprateurs (humains) ngligence des extrmes et oubli du pass.
Affirmation des fournisseurs de matriel (souvent optimistes).
Estimation des concepteurs ( vrifier).
Considrations thoriques (par exemple le fait que les arrives de 2 clients
successifs dans une file d'attente suivent une loi exponentielle, que les variations de
longueur de pices en srie suivent une loi normale, ...).

Deux cas sont considrer, soit on a une connaissance partielle des donnes du systme
(moyenne, minimum, maximum, ...), soit on dispose des donnes du systme.
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
22
Simulation des systmes de production Vrification et
validation
Les programmes de simulation se caractrisent par une volution
constante. La difficult majeure est de savoir :
Comment avoir confiance dans le modle ?
Comment le transmettre l'utilisateur ?

Avant de tirer des infrences des rsultats statistiques d'un modle de
simulation, il faut s'assurer qu'il est correct au sens o il reprsente bien
le systme. Ceci passe deux tapes : la vrification et la validation.

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
23
Simulation des systmes de production Vrification
La vrification consiste s'assurer que le modle fonctionne comme le
concepteur le dsire, ce qui ncessite de pouvoir isoler les erreurs (tape la
plus difficile) afin de les corriger. Les techniques suivantes permettent
l'isolation des erreurs :
1. Considrer toujours que le modle contient des erreurs et les chercher
2. Impliquer des personnes non concernes par la conception et
l'implmentation.
3. Rviser le modle et les donnes avec l'aide d'au moins un client et un
connaisseur
4. Effectuer des tests :
Remplacer des temps alatoires par des constantes,
Tester seulement une partie du modle,
Tester le modle dans des conditions limites. Pour cela : Augmenter le taux d'arrive
et/ou diminuer le taux de service pour crer des congestions, ou des phnomnes de
famines de machines, Rduire la taille des stocks pour crer des blocages, Modifier la
distribution des types de pices (job mix) pour augmenter l'arrive des pices de types moins
frquents,
Augmenter le taux d'occurrence des vnements moins frquents (par exemple
une panne).
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
24
Simulation des systmes de production Vrification
5. Gnrer et analyser la trace du modle pour vrifier le cheminement des pices,
les changements d'tat l'issue d'une attente (au niveau d'une file, par une
activit, ...).
6. Utiliser l'animation (technique puissante).
7. Corriger les erreurs en identifiant les vraies causes et ne pas traiter seulement les
symptmes
8. Eviter des erreurs classiques, notamment vis--vis : De la saisie des donnes
d'entre, De la phase d'initialisation (units de mesures), Du contrle du flux, De
l'existence de blocages, Des erreurs arithmtiques (parenthses, conversion de
types, ...), Des erreurs d'enregistrement (temps d'arrive des pices, compteurs,
...), D'une mauvaise utilisation des primitives ou fonctions du langage.
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
25
Simulation des systmes de production Validation
Trois questions doivent tre poses :
Le modle reprsente-t-il correctement le systme rel (validit conceptuelle)?
Les donnes sur le comportement gnres par le modle sont-elles
caractristiques de celles du systme rel (validit oprationnelle) ?
L'utilisateur a-t-il confiance dans les rsultats du modle (confiance) ?

Trois points de vue sont prendre en compte : Celui du dveloppeur, Celui d'une
personne valuant le modle (superviseur, client), Celui de l'utilisateur final (dcideur)

Trois types de tests :
1. Le comportement est-il raisonnable ?
Continuit : Petits changements dans les paramtres d'entre; Consistance :
Excutions presque identiques ; Dgnrescence : Suppression d'une composante
(d'un mode ) du modle ; Conditions absurdes : Paramtres d'entres absurdes
2. Test des donnes et de la structure du modle
Les thories et les hypothses doivent tre correctes et la reprsentation du
modle doit tre en adquation par rapport l'utilisation dsire.
3. Test du comportement
Comparaison de comportements ; Gnrer des symptmes (Le modle gnre des
difficults dj connues dans le systme ? Le modle produit des rsultats connus pour
des entres donnes ?) ; Anomalie de comportement : Une anomalie dans le modle
peut amener dcouvrir l'anomalie quivalente dans le systme rel ? ; Prdiction de
comportement : Prdiction du modle contre des tests sur le terrain.


ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
26
26
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit


ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
27
Rappel de probabilit et statistique
Impossible de simuler toutes les dviations possibles dun
systmes, quelque soit la puissance des ordinateurs
Utilisation des outils statistiques.

Statistiques : repose sur lobservation de phnomnes concrets: recueillir
les observation, les traiter, et les interprter.
Modles probabilistes permettent de reprsenter approximativement les
donnes observes.
Lchantillonnage : tirs au hasard, permet de travailler sur des variables
alatoires
Statistique exploratoire (ou descriptive) permet de structurer, de
rsumer linformation contenue dans les donnes
Statistique infrentielle: permet destimer la moyenne, de vrifier des
hypothses
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
28
Rappel de probabilit et statistique
Dfinition de la probabilit
Pour un ensemble E des ventualits possibles rsultant dune preuve
Soit A un sous-ensemble de E contenant tous les vnements lmentaires de E
composant lvnement A
La probabilit de A est P(A) compris entre 0 et 1 et respecte les lois suivantes :
Lvnement de lensemble vide une probabilit nulle
Lvnement E a une probabilit de 1
A _ E, on a 0 P(A) 1
A, B _ E, on a P(AB) = P(A) + P(B) si A B = C sinon P(AB) = P(A) + P(B) P(A
B)
Attribution de probabilit un ensemble dvnements peut tre rsolu en
considrant :
Si les vnements lmentaires sont en nombre fini : rpter plusieurs fois lpreuve. La
frquence dapparition correspondra une estimation de la probabilit
Si les vnements lmentaires sont en nombre infini : dfinir une densit de densit de
probabilit
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
29
Rappel de probabilit et statistique
Variables alatoires continues
Loi uniforme continue
Soit X une variable alatoire susceptible de prendre toutes les valeurs
d'un intervalle fini [a, b] sans privilgier aucune rgion de [a, b] (on
parle d'vnements quiprobables). Aussi, la probabilit que X prenne
une valeur appartenant l'intervalle [u, v] (c [a, b]) est proportionnelle
la longueur de [u, v] d'o :
P(uXv) = , soit P(uXv) =

O f(x) =
v u
b a

( )
v
u
f x dx
}
1/ ( ),
0sin
b a sia x b
on
s s

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr


30
Rappel de probabilit et statistique
Loi de distribution standard
Loi triangulaire







Loi utilisable lorsque lestimation du minimum, du maximum et de la
valeur la plus probable sont connues

a
2/(b-a)
m
b
f(x)
x
aire=1
2( )
( )
( )( )
2( )
( )
( )( )
( ) 0sin
x a
f x sia x m
m a b a
b x
f x sim x b
b m b a
f x on

= s s


= s s

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr


31
Rappel de probabilit et statistique
Loi de distribution standard
Loi exponentielle







Loi utilise souvent en pratique : par exemple pour ltude des
phnomne dattente ou dune dure de bon fonctionnement

0
2/(b-a)
b
f(x)
x
1
( ) 0( 0)
( ) 0sin
x
f x e six
f x on
|
|
|

= > >

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr


32
Rappel de probabilit et statistique
Loi de distribution standard
Loi normale







Loi utilise souvent en pratique : par exemple pour ltude des
phnomne dattente ou dune dure de bon fonctionnement

0
2/(b-a)
b
f(x)
x
1
( ) 0( 0)
( ) 0sin
x
f x e six
f x on
|
|
|

= > >

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr


33
Rappel sur les rseaux de Petri
Un rseau de Petri (RdP) est un graphe constitu de 2 sortes de nuds :
Les places (reprsentes par des ronds) et les transitions (reprsentes
par des barres). Le graphe est orient : Des arcs vont d'une sorte de
nuds l'autre.

De faon plus formelle, un RdP peut-tre dfini par un 4-uplet <P, T, Pr,
Post> tel que :
P = {P
1
, P
2
, P
n
} est un ensemble fini et non vide de places ;
T = {T
1
, T
2
, T
m
} est un ensemble fini et non vide de transitions ;
Pr : P x T {0, 1} est l'application d'incidence avant ;
Post : P x T {0, 1} est l'application d'incidence arrire.

Pr(P
i
, T
j
) est le poids de l'arc (orient) reliant la place P
i
la transition T
j
;
ce poids vaut 1 si l'arc existe et 0 sinon.
Post(P
i
, T
j
) est le poids de l'arc reliant la transition T
j
la place P
i
.

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
34
Rappel sur les rseaux de Petri
Marquage des places : Les places sont marques par des jetons qui vont
circuler dans les places selon certaines rgles. Cette circulation symbolise
l'volution dynamique du systme.
Le marquage initial (celui indiqu sur le dessin) donne la position initiale
des jetons.


Rgles de fonctionnement et circulation des jetons : Pour qu'une
transition puisse tre active, la prsence d'un jeton au moins est requise
dans chaque place situe en amont de la transition. L'activation (le tir) de la
transition a pour effet de prlever ces jetons des places amont et de
rajouter dans chaque place aval un nouveau jeton.

De faon plus formelle, le franchissement d'une transition T
j
ne peut
s'effectuer que si le marquage de chacune des places P
i
directement en
amont de cette transition est tel que :
M(P
i
) > Pr(P
i
, T
j
) (condition ncessaire).

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
35
Rappel sur les rseaux de Petri
Modlisation de la concurrence


Concurrence la fourniture de jetons
dans une place : C'est la convergence
d'arcs sur une place

Concurrence la consommation des jetons d'une
place : C'est la divergence d'arcs partir d'une place.
Ce conflit structurel doit tre arbitr par une rgle de
priorit quelconque lorsque le conflit est effectif.
Synchronisation dans la consommation de jetons de
plusieurs places : C'est la convergence de plusieurs
arcs sur une transition

Synchronisation dans la
fourniture de jetons plusieurs
places : C'est la divergence
d'arcs partir d'une transition

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
36
Rappel sur les rseaux de Petri
temporisation des places et/ou transitions
On peut penser l'activation d'une transition comme au droulement d'une
tche : Il faudrait alors mettre une temporisation sur les transitions.
Une dure d'activation pour les transitions : Dure pendant laquelle un
jeton situ dans chaque place amont de la transition active est rserv
pour cette transition (avant de disparatre), et au del de laquelle un jeton
apparat dans chacune des places aval ;


On pense une place comme un endroit o une ressource sjourne en
attendant de poursuivre son parcours, il peut y avoir une dure minimale
de sjour respecter : au sjour d'une pice dans un four pour atteindre
une temprature souhaite.
Une dure minimale de sjour dans les places : Dure pendant laquelle
tout jeton qui vient d'tre produit dans une place ne peut pas encore
servir l'activation de transitions aval.

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
37
Rappel sur les rseaux de Petri
Graphes dvnements
Restrictions et capacits de modlisation
Les graphes d'vnements sont une sous-classe de RdP pour
lesquels toute place a exactement une transition amont et une
transition aval Aussi, les graphes d'vnements peuvent
modliser des phnomnes de synchronisation, mais pas de
concurrence.
Les graphes d'tat sont tels que toute transition a exactement une
place d'entre et une place de sortie, permettent de visualiser des
phnomnes de concurrence (dcision), mais pas de
synchronisation.

Une proprit fondamentale des graphes d'vnements
Le nombre total de jetons le long de tout circuit d'un graphe
d'vnements reste constant.
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
38
Rappel Rseaux de Petri
Autres classes de RdP
RdP synchronis : Un ensemble d'vnements externes est associ au RdP ; ces vnements
permettent le franchissement de certaines transitions.





RdP a arcs inhibiteurs : Un arc inhibiteur est un arc orient qui part d'une place pour aboutir
une transition (et non l'inverse). Son extrmit est marque par un petit cercle. La prsence d'un
arc inhibiteur entre une place Pi et une transition Tj signifie que la transition Tj n'est valide que si
la place Pi ne contient aucun jeton.



RdP gnralis : Un RdP gnralis est un RdP dans lequel les poids associs aux arcs sont
des nombres entiers strictement positifs. Ces poids peuvent tre diffrents de 0 ou 1.Tous les
arcs, dont le poids n'est pas explicitement spcifi, ont un poids de 1

Arrive
dune pice
Ressource occupe
Ressource libre
Stock
Sortie dune
pice
Dmarrage
2
Assemblage
Transition
franchissable
Transition non
franchissable
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
39
Rappel Rseaux de Petri
exercices
Soit la machine suivante :





Chaque pice qui arrive est, soit traite immdiatement par la ressource
machine, soit mise en attente dans le stock ( capacit infinie) jusqu' ce
que la ressource machine soit disponible. Le temps de traitement de la
ressource machine est de 3 units de temps. Aprs traitement, chaque
pice sort.

1. Donner le RdP correspondant

M1
Stock Ressource Machine
Arrive pices Dpart pices
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
40
Rappel Rseaux de Petri
exercices
Soit la machine suivante :





2. Donner le RdP correspondant si le stock est limit 5 pices
3. Le stock reprsente une file FIFO et le temps de dplacement dans le
stock est de 6 units de temps
4. La machine a une capacit de traitement de 2 : Elle est capable de traiter
2 pices simultanment. La machine a un temps de setup de 1,5 units
de temps.



M1
Stock Ressource Machine
Arrive pices Dpart pices
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
41
41
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit
File dattende

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
Paramtres de performance
Performance dun systme
Point de vue de la production
Productivit, dbit
En cours
Climat social
Prix de revient
Point de vue client
Dlais court,
Qualit
Cot

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
43
43
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit
File dattende

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
Rseaux de Petri
Calcul du temps de cycle
Thorme :
Un graphe dvnement est vivant ssi circuit il y a un au moins 1
jeton

Pour un graphe dvnement temporis, le temps de cycle
est le suivant :
C()=()/M()
O ()=
i
t
i
e
M()= M(P
i
) nombre de jetons dans le circuit
Temps de cycle est gale au temps moyen de parcours pour 1 jeton

La priode est donne par = 1/C
max

ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
Exemple
Calcul du temps de cycle pour chacun des cycles du RdP
suivant :







En dduire la priode moyenne
t=2
t=3
ESIAL Module Analyse des systmes de production pascale.marange@esial.uhp-nancy.fr
46
46
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit
File dattende

Les Chanes de Markov
Nous considrons deux exemples de processus stochastiques espace
dtat discret

Chanes de Markov temps discret (CMTD)
Chanes de Markov temps continu (CMTC)

Chanes de Markov : analyse prliminaire ltude des systmes de
files dattente
Les chanes de Markov temps discret
Processus stochastique {X
n
}
neE
espace dtat discret et temps
discret
E est lespace dtats
De dimension finie ou infinie (mais dnombrable car discret)
0
1
2
3
4
5
6
7
8
0 2 4 6 8 10
n
E
Processus stochastique espace dtat discret et temps discret
Les chanes de Markov temps discret
Dfinition : {X
n
}
neE
est une chane de Markov temps discret ssi


La probabilit pour que la chane soit dans un certain tat la nime
tape du processus ne dpend que de ltat du processus ltape
prcdente (j = n-1), et pas des tats dans lesquels il se trouvait aux
tapes antrieures (j = 0, , n-2)
Autrement dit :
Une chane de Markov est un systme pouvant voluer entre n tats X
i
dfinis par
le repre X = (X
1
, X
2
, X
n
),
Le passage dun tat X
i
un tat X
j
ou transition, ne dpend que de ces deux tats
et seffectue selon la probabilit conditionnelle Prob(X
j
/X
i
) = p
ij
Notons que :
| | | |
n n-1 n-1 n-2 n-2 0 0 n n-1 n-1
P X j X = i , X = i ,..., X = i P X j X = i = = =
ij
j
p 1
E e

=
ij
p 0 >
et
Les chanes de Markov temps discret
Matrice de transition Pe[P
i,j
]
i, j e E
Matrice carre dordre fini ou infini, selon que lespace dtat est fini ou infini
11 12 1 j
21 22
i1 ij
... ...
... ... ...
P ... ... ... ... ...
... ... ...
... ... ... ... ...
p p p
p p
p p
| |
|
|
=
|
|
|
|
\ .
Les chanes de Markov temps discret
Reprsentation graphique
Graphe orient
On associe chaque tat un nud
On associe chaque transition possible entre chaque tat un arc pondr par la
probabilit de transition

Exemple :
1 3
2
4
p
14
p
41
p
31
p
12
p
23
p
33
E = {1,2,3,4}
p23 = p41 = 1
P12 + p14 = 1 et p31 + p33 = 1
12 14
31 33
0 p 0 p
0 0 1 0
P
p 0 p 0
1 0 0 0
| |
|
|
=
|
|
\ .
Les chanes de Markov temps discret
Modlisation
On sintresse ltat du systme des instants particuliers t
n
de leur volution
Deux cas :
Intervalles de temps rguliers (tous les jours, toutes les heures )
> ltat du systme ltape n du processus est ltat du systme au n
ime
jour
Intervalles de temps quelconques (t
n
est linstant du nime changement)
> ltat du systme ltape n du processus correspond ltat juste aprs le n
ime

changement dtat

0
1
2
3
4
5
6
7
8
0 2 4 6 8 10
n
E
0
1
2
3
4
5
6
7
8
0 2 4 6 8 10
n
E
CMTD instants de changement dtats quidistants CMTD instants de changement dtats quelconques
Les chanes de Markov temps discret
Exemple : souris dans un labyrinthe
5 pices relies entre elles par des couloirs sens unique
1 sortie
La souris ne peut faire demi tour dans un couloir
Une fois dans la pice 5, la souris ne peut faire demi-tour
Tant que la souris nest pas tombe dans la pice 5, elle continue son chemin


5
1 2
3 4
Les chanes de Markov temps discret
Exemple : souris dans un labyrinthe
On sintresse uniquement la succession des pices visites et pas au temps pass
dans chacune, ni au temps pass dans les couloirs
Hypothses :
La souris ne garde pas la mmoire des pices prcdemment visites
Quand la souris est dans une pice, elle choisit un couloir de faon quiprobable
1
3
2
4 5
6
1/2

1/2

1/4

1/4

1/4

1/4

1/2

1/2

5
1 2
3 4
Les chanes de Markov temps discret
Exemple : souris dans un labyrinthe
1
3
2
4 5
6
1/2

1/2

1/4

1/4

1/4

1/4

1/2

1/2

Sortie :
tat absorbant
tat absorbant
Les transitions modlisent les couloirs
Les probabilits associes ces transitions modlisent un
choix alatoire dun des couloirs de sortie parmi tous ceux
possibles partant dune pice donne
Le rebouclage sur ltat 6 est ncessaire pour le modle et
signifie simplement que lorsque la sourie est sortie, elle ne
peut rentrer de nouveau dans le labyrinthe

Sachant que la souris est initialement dans la pice 2 :
Quelle est la probabilit quelle y soit nouveau aprs 4
dplacements ? (notation
2
(4)
)
Combien de fois passera-t-elle en moyenne par la pice 3 avant
de sortir ou de tomber dans la pice 5 ? (R
23
)
Quelle est la probabilit que la souris trouve la sortie ? (f
26
)
Combien fera-t-elle de dplacements en moyenne pour revenir
dans la pice 2 ? (M
2
)
Les chanes de Markov temps discret
Analyse : Rgime transitoire
Lanalyse du rgime transitoire dun CMTD consiste dterminer le vecteur
(n)

des probabilits dtat t
j
n
=P[X
n
=j] pour que le processus {X
n
}
neE
se trouve dans
ltat j la n
ime
tape du processus :
t
j
n
=[t
1
n
, t
2
n
, t
3
n
]

Ce vecteur des probabilits dpend :
De la matrice de transition P
Du vecteur des probabilits dtat initiales
(0)

Remarque : ltat initial est dfini par ses probabilits
Dire quinitialement le processus est dans un certain tat i revient considrer que
et que pour tout j i
Rgime transitoire : volution du processus depuis ltat initial (caractris par

(0)
) jusqu ltape n (caractris par
(n)
), en passant par toutes les tapes
intermdiaires
| |
(0) (0) (0)
1 2
, ,... =
(0)
i
1 =
(0)
j
0 =
Les chanes de Markov temps discret
Analyse : Rgime transitoire
Formule des probabilits totales


soit

Probabilit de se trouver dans ltat j la nime tape = probabilit de passer dun
certain tat i ltat j pondre par la probabilit dtre dans ltat i ltape
prcdente

Sous la forme matricielle :
(liaison de la probabilit dtat ltape n
celle de ltape prcdente)

Exemple de la souris dans le labyrinthe :
Probabilit de se trouver dans ltat 1
ltat n

(n) (n-1)
P =
| | | | | |
(n)
j n n n-1 n-1
i E
=P X j P X j X = i P X i
e

= = = =
(n) (n-1)
j i ij
i E
p
e

=
5
1 2
3 4
(n) (n-1) (n-1) (n-1)
1 1 2 21 3 31
+ p + p =
Les chanes de Markov temps discret
Analyse : Rgime transitoire
En appliquant cela n fois :
On dfinit alors p
ij
(m)
, la probabilit de transition de ltat i ltat j en m tapes :
p
ij
n
= P[X
n+m
=j | X
n
=i] neE
On dfinit galement la matrice de transition en m tapes
avec

(exprime le fait que pour aller de ltat i ltat j en m tapes, on peut aller de ltat i
un tat k en m-1 tapes, puis aller de cet tat k ltat j en 1 tape et ce pour tous
les tats k)

Sous forme matricielle : P
(m)
= P
(m-1)
P
Et comme P
(1)
= P P
(n)
= P
n
(n) (0) n
P =
(m) (m-1)
ij ik kj
k E
p = p p
e

Les chanes de Markov temps discret


Exemple de la souris dans le labyrinthe :
Sachant que la souris est place initialement dans la
pice 2, quelle est la probabilit quelle y soit
nouveau aprs 4 dplacements ?
Revient calculer
2
(4)
sachant que
2
(0)
= 1
Il faut calculer P
4


2
(4)
est la deuxime composante du vecteur
(4)


(4)
=
(0)
P
4
avec
(0)
= [0,1,0,0,0,0]




5
1 2
3 4
Ou
2
(4)
=
2
(0)
p
22
(4)

Avec pour calculer p
22
(4)
, 3 chemins possibles :
2 4 3 1 2 : probabilit associe = * 1 * * = 1/16
2 1 2 1 2 : probabilit associe = * * * = 1/16
2 1 1 1 1 : probabilit associe = * * * = 1/16
La probabilit associe est donc 3/16
1
3
2
4 5
6
1/2 1/2
1/4
1/4
1/4
1/4
1/2
1/2
1/2 1/2
1/4
1/2
Les chanes de Markov temps discret
Analyse : irrductibilit
Dfinition : une CMTD est dite irrductible ssi de tout tat i on peut atteindre tout
tat j (en un nombre fini dtapes) :


Exemple :








(m)
ij
i,j E, m > 1 tel que p 0 e - =
6
7
1
2
3
5
4
0,25
0,25
0,5 0,5
0,5
0,5
0,5
Cette CMTD nest pas irrductible !
Sous-chane absorbante 1
Sous-chane absorbante 2
Toute CMTD non irrductible possde au moins une chane absorbante
Les chanes de Markov temps discret
Analyse : priodicit dun tat
Dfinition : un tat j est priodique si on ne peut revenir quaprs un nombre
dtapes multiples de k > 1


La priode de ltat j est alors le plus grand entier k vrifiant cette proprit
Exemple :

(m)
ij
k > 1 tel que p 0 pour m non multiple de k - =
6
7
1
2
3
5
4
0,25
0,25
0,5 0,5
0,5
0,5
0,5
Ltat 6 est priodique de priode 2
Ltat 4 est apriodique
Les chanes de Markov temps discret
Analyse : priodicit dune CMTD
Dfinition : la priode dune CMTD est gale au plus grand dnominateur
commun de la priode de chacun de ses tats.
Une CMTD est dite priodique si sa priode est suprieure 1
Une CMTD est dite apriodique si sa priode est gale 1

Exemple : CMTD apriodique






Proprit : la priode dune CMTD est gale au PGCD de la longueur de tous les
circuits du graphe associ
6
7
1
2
3
5
4
0,25
0,25
0,5 0,5
0,5
0,5
0,5
Les chanes de Markov temps discret
Analyse : priodicit dune CMTD
Exemples :
1
2
3
4
1
2
3
4
Non priodique car ltat 3 nest pas priodique. Le
rebouclage sur cet tat implique quon peut revenir en une
tape. Le cycle de longueur 1 implique que le PGCD de
tous les cycles du graphe est gal 1
Priodique de priode 3. En quittant lun quelconque des
tats, on ne peut y revenir quen un nombre dtapes
multiple de 3. Sur cet exemple, tous les cycles
lmentaires sont de longueur 3
Les chanes de Markov temps discret
Analyse : priodicit dune CMTD
Exemples :

1
2
3
4
Non priodique. En quittant ltat 3, on peut y revenir en 2
ou 3 tapes. On peut aussi constater que le graphe
comporte deux circuits de longueur 3 et un circuit de
longueur 2. Le PGCD de 1 indique alors que la chane est
apriodique
Les chanes de Markov temps discret
Classification des tats transitoires / rcurrents

Dfinition : soit f
jj
(n)
la probabilit que le premier retour en j ait lieu n tapes aprs
lavoir quitt
Soit f
jj
, la probabilit de revenir en j aprs lavoir quitt : f
jj
=

n=1
f
jj
n

Soit M
j
, le temps moyen de retour en j : M
j
=

n=1
n f
jj
n


Dfinition : un tat j est dit :
Transitoire si f
jj
< 1
Rcurrent si f
jj
= 1
Rcurrent nul si le temps moyen de retour est infini : M
j
=
Rcurrent non nul si le temps moyen de retour est fini : M
j
<
Les chanes de Markov temps discret
Classifications des tats : bilan
En fonction de leur priodicit




En fonction de leur rcurrence






Notons quun tat apriodique et rcurrent non nul est appel ergodique

tats
apriodiques priodiques
tats
transitoires rcurrents
nuls non nuls
Les chanes de Markov temps discret
Proprits fondamentales :
Tous les tats dune CMTD irrductible sont de mme nature :
Soit tous transitoires
Soit tous rcurrents nuls
Soit tous rcurrents non nuls
Si de plus les tats sont priodiques, ils sont tous de mme priode

Tous les tats dune CMTD irrductible finie sont rcurrents non nuls
Un tat rcurrent nul ne peut donc exister que dans une CMTD infinie. Lorsque le
chane est finie, elle ne peut comporter que des tats transitoires ou rcurrents non
nuls
Les chanes de Markov temps discret
Analyse : paramtres de performance dune CMTD

Dfinition : : soit f
ij
(n)
la probabilit daller de i j en exactement n tapes (donc
sans passer par ltat j de faon intermdiaire)


Cette quation exprime le fait que pour aller de ltat i ltat j en exactement n
tapes, il suffit daller en une tape un tat k diffrent de j, puis daller ltat j
en exactement n-1 tapes

(1) n (n-1)
ij ij ij ik kj
k j
f p et f p f pour n 2
=

= = >
Les chanes de Markov temps discret
Exemple :
Sachant que la souris est en 2 initialement, combien en
moyenne de dplacements fera-t-elle pour revenir dans la
pice 2 ?
Calcul de M
2
, temps moyen de retour en 2
Calcul de f
22
(n)
probabilit daller de 2 2 en exactement n
tapes

f
22
(1) =
p
22
= 0
f
22
(n) =
p
21
f
12
(n-1)
+ p
24
f
42
(n-1)
= 0,5 f
12
(n-1)
+ 0,5 f
42
(n-1)
... (Calculs !)
f
22
(1)
= 0
f
22
(2)
=
f
22
(n)
= 1/(2
n-1
) pour n 3

5
1 2
3 4
(n)
2 22
n 1
M n f

=
1
3
2
4 5
6
1/2 1/2
1/4
1/4
1/4
1/4
1/2
1/2
1/2 1/2
1/4
1/2
Les chanes de Markov temps discret
Exemple :
Ou alors de faon intuitive, on constate quil y a :
1 seul chemin pour aller de 2 en 2 en 2 tapes :
2 1 2 : probabilit associe = * =
Donc f
22
(2)
=
2 chemins pour aller de 2 en 2 en 3 tapes :
2 4 3 2 : probabilit associe = * 1 * = 1/8
2 1 1 2 : probabilit associe = * * = 1/8
Donc f
22
(3)
=
2 chemins pour aller de 2 en 2 en 4 tapes :
2 4 3 1 2 : probabilit associe = * 1 * * = 1/16
2 1 1 1 2 : probabilit associe = * * * = 1/16
Donc f
22
(4)
= 1/8
2 chemins pour aller de 2 en 2 en n tapes :
2 4 3 1 1 2 : probabilit associe = * 1 * * 1/(2
n-4
) * = 1/2
n
2 1 1 1 1 2 : probabilit associe = * 1/(2
n-2
) * = 1/2
n
Donc f
22
(n)
= 1/2
n-1

5
1 2
3 4
1
3
2
4 5
6
1/2 1/2
1/4
1/4
1/4
1/4
1/2
1/2
1/2 1/2
1/4
1/2
Les chanes de Markov temps discret
Analyse : paramtres de performance dune CMTD
Dfinition : Soit f
ij
la probabilit daller de i j en un nombre quelconque dtapes
(soit la probabilit datteindre j en partant de i) :
f
ij
=

n=1
f
ij
n


En sommant toutes les quations du systme dquations prcdent on obtient la
relation reliant les f
ij
:




Interprtation : pour aller de i j, soit on y va directement, soit on va un tat k
diffrent de j et il reste aller de k j

(n) (1) (n) (n-1) (n-1)
ij ij ij ij ij ik kj ij ik kj
n=1 n=2 n=2 k j n=2 k j
ij ij ik kj
k j
f f f f p p f p p f
soit : f p p f

= =
=

= = + = + = +
= +
Les chanes de Markov temps discret
Exemple :
Sachant que la souris est initialement en 2, quelle est la
probabilit pour quelle trouve un jour la sortie ?
Calcul de f
26
, la probabilit datteindre 6 depuis 2 en un
nombre quelconque dtapes
f
26
= p
21
f
16
+ p
24
f
46
= 0,5 f
16
+ 0,5 f
46
f
16
= p
11
f
16
+ p
12
f
26
= 0,5 f
16
+ 0,5 f
26
f
16
= f
26

f
46
= p
43
f
36
=

f
36
f
36
= p
36
+ p
31
f
16
+ p
32
f
26
+ p
35
f
56

= 0,25 + 0,25 f
16
+ 0,25

f
26
+ 0,25

f
56
tat 5 absorbant : f
56
= 0
f
36
= 0,25 + 0,5 f
26

Finalement : f
26
= 0,5 f
26
+ 0,5 (0,25 + 0,5 f
26
)
f
26
= 1/2


5
1 2
3 4
1
3
2
4 5
6
1/2 1/2
1/4
1/4
1/4
1/4
1/2
1/2
1/2 1/2
1/4
1/2
Les chanes de Markov temps discret
Analyse : paramtres de performance dune CMTD
Dfinition : soit R
ij
le nombre moyen de passages par ltat j sachant que lon vient
de ltat i :


Si on note Pij(n) les probabilits intervenant dans cette expression, on a :


Soit

On en dduit

Soit

|
ij
n 1
R n Proba[exactement n passages par j | tat initial =i

| | | | { } | |
n 1
ij
P (n) Proba aller de i j Proba aller de j j Proba ne pas revenir en j

=
n-1
ij ij jj jj
P (n) f (f ) (1-f ) =
n-1
ij ij jj jj
n=1
R f (1-f ) n(f )

=
ij
ij
jj
f
R
1-f
=
=
Les chanes de Markov temps discret
Exemple :
Sachant que la souris est initialement en 2, combien de fois
passera-t-elle en moyenne par la pice 3 avant de sortir ou
de tomber dfinitivement dans la pice 5 ?
Calcul de R
23
, le nombre moyen de passages par ltat 3
sachant que lon vient de ltat 2


f
23
= p
21
f
13
+ p
24
f
43
= 0,5 f
13
+ 0,5 f
43
f
13
= p
11
f
13
+ p
12
f
23
= 0,5 f
13
+ 0,5 f
23
f
13
= f
23

f
43
= p
43
=

1 f
23
= 0,5 f
13
+ 0,5 f
23
= 1

f
33
= p
31
f
13
+ p
32
f
23
= 0,25 f
13
+ 0,25 f
23
= 0,5
5
1 2
3 4
1
3
2
4 5
6
1/2 1/2
1/4
1/4
1/4
1/4
1/2
1/2
1/2 1/2
1/4
1/2
23
23
33
f
R
1-f
= Il faut donc calculer f
23
et f
33
23
1
R 2
1-0,5
= =
Les chanes de Markov temps discret
Analyse : rgime permanent
Limite lorsque n tend vers linfini du vecteur des probabilits
(n)

Questions : cette limite existe-elle ? Si oui, comment la calculer ?

Possibilit : calculer le vecteur
(n)
=
(0)
P
n
et faire tendre n vers linfini
Diagonalisation de matrice fastidieux !!! -> autre possibilit

Proprit : dans une CMTD irrductible et apriodique le vecteur des
probabilits limites existe toujours et est indpendant de la distribution
des probabilits initiales
(0)
Soit tous les tats sont transitoires ou rcurrents nuls (CMTD infinies) et
j
=0 pour tout
j e E
Soit tous les tats sont rcurrents non nuls (CMTD finie) et les
j
sont solutions du
systme :


Dans le cas o les
j
existent, on dit que la CMTD admet un rgime stationnaire
(n)
j j
n
lim
+
=
j i ij
i E
i
i E
p pour tout j E ( = P sour forme matricielle)
1
e
e

= e

Les chanes de Markov temps discret


Exemple :




Cette chane est finie, irrductible et apriodique
tous les tats sont rcurrents non nuls
La limite lorsque n tend vers linfini de
(n)
existe, est indpendante de
(0)
et est
solution de




1 2 3
0,2
0,6
0,6
0,4
0,4 0,2
0,6 0,4 0
P = 0,2 0,6 0,2
0 0,4 0,6
| |
|
|
|
\ .
1 2 3
= P
1

+ + =

1 1 1
=
4 2 4
(
(

0,6
Les chanes de Markov temps discret
Analyse : rgime permanent
Lorsquune CMTD (finie et irrductible) est priodique, il ny a pas de limite au
vecteur des probabilits.

Pourtant, le systme admet une solution


P
j
sinterprte alors comme la proportion de temps que la CMTD passe dans ltat j
i
i E
p = p P
p 1
e

78
78
Plan
Introduction la simulation
Simulation des systmes de production
Rappel
Probabilit et statistiques
Rseaux de Petri
Evaluation des performances
Utilisation dun RdP temps de cycle
Chaines de Markov Calcul de fiabilit
File dattende

Les files dattente
La notion de partage de ressources
Le formalisme des files dattente permet de modliser des phnomnes de partage
de ressources
Ressource : composante physique, logique ou humaine que les clients dun systme
doivent obtenir afin de raliser une activit
Un client faisant une demande daccs une ressource devra, en gnral, attendre que
celle-ci soit disponible
Ds linstant o la ressource est disponible, le client entre en service et conserve la
ressource pendant toute la dure du service
la fin de son service, le client libre la ressource qui devient alors disponible pour
dautres clients en attente
Dans un systme simple, lactivit dun client peut se rsumer lattente dune seule
ressource et la ralisation du service associ. Ce type de systme sera modlis par
une file simple
Accumulation et
attente
service
Les files dattente
La plupart du temps, lactivit dun client ncessite tout au long du cycle de vie
laccs une succession de ressources. Ce type de systme sera modlise par un
rseau de files dattente
Ressource 1
Ressource 2
Ressource 3
Les files dattente
Quelques exemples dapplication :
Clients
Ressource ou
serveur
Activit ou service
Systmes
informatiques
processus processeur temps de traitement
demande
d'E/S
disque dur lecture ou criture
Rseaux de
communication
message rseau temps de transmission
Systme de
production
pice machine temps d'usinage
palette
station de
chargement
temps de chargement
d'une pice brute
Guichet SNCF usager employ rservation du billet
Les files dattente
La file simple
Une file simple (ou une station) est constitue dune file dattente (ou buffer) et
dun ou plusieurs serveurs
File avec un seul serveur





File serveurs multiples
Arrive des clients

File dattente

Serveur

Dpart des clients

2
Arrive des clients

File dattente

C serveurs

Dpart des clients

1
C
Les files dattente
File serveurs infinis






Capacit de la file
La capacit de la file peut tre finie ou infinie. Lorsque la capacit de la file est limite
et quun client arrive alors que la file est pleine, le client est perdu.

2
Arrive des clients

File dattente

C serveurs

Dpart des clients

1

Perte si file pleine

Capacit K

Les files dattente
Paramtres de la modlisation
Caractristiques, notation de Kendall
La notation de Kendall normalise la description dune file simple : A/B/m/K
A : distribution du processus dentre (ex : G, D, M, )
B : distribution du processus de sortie (ex : G, D, M, )
m : nombre de serveurs (ex : m = 1, 2 )
K : capacit de la queue (ex : K = 1, 2, )

Pour A et B :
G : gnral, distribution pour laquelle rien nest connu
D : dterministe, pour lesquels les temps entre les arrives sont connus
M : markovien, les temps entre les arrives sont distribus de manire exponentielle

Un systme avec un seul serveur et une queue de capacit infinie sera not A/B/m/
Pour simplifier la notation, K peut tre omis si la queue est infinie : A/B/1
Les files dattente
Paramtres de la modlisation
Caractristiques, notation de Kendall
Cas courants :
M/M/1 : un seul serveur avec une file dattente de capacit infinie. Les temps entre les
arrives et entre les sorties sont rpartis de faon exponentielle : A(t) = 1 e
- t
et B(t) = 1
e
-t,
avec et des paramtres positifs
M/M/1/K : un seul serveur avec une file de capacit finie, temps entre les arrives et les
sorties rpartis de faon exponentielle
M/G/2 : un systme avec deux serveurs et de file dattente de capacit infinie. Les temps
entre les arrives sont rpartis de faon exponentielle, les temps de service ont une
distribution arbitraire (gnrale)

Extension de la notation :
A/B/m/K/N
N reprsente la discipline de service (FIFO, LIFO )
Exemple : M/M/1/20/FIFO



Les files dattente
Rappel : processus markovien (ou de Poisson)
Lorsquun processus darrive dont lintervalle entre deux arrive (interarrive)
suit une loi exponentielle, on parle de processus Markovien (de Poisson)
Un processus de Poisson est un processus alatoire, continu, not :
{N(t), t0}
N(t) tant la variable alatoire discrte reprsentant le nombre darrive pendant
lintervalle [0, t]
Sa loi est donne par :

Le nombre moyen darrive au temps test est donn par :
( le nombre moyen darrives par unit de temps ou linverse du temps dinterarriv)
Cette loi est dite sans mmoire : la probabilit de bon fonctionnement sur un
intervalle ne dpend que de sa longueur, et non de sa position sur laxe des temps
( )
( ( ) )
!
n
t
n
t
P P N t n e
n


= = =
0
( ( ))
n
n
E N t n p t

= =
Les files dattente
Notion de classe de clients
Une file dattente peut tre parcourue par diffrentes classes de clients, qui se
distinguent par :
Des processus darrive diffrents
Des temps de service diffrents
Un ordonnancement dans la file dattente en fonction de leur classe




Il est ainsi possible de dfinir des disciplines de service avec priorits entre les
types de clients

Classe 1

G1

Classe 2

G2

Les files dattente
Les rseaux de file dattente
Ensemble de files simples interconnectes (M le nombre de stations du rseau)

Les rseaux ouverts
Rseaux dans lesquels les clients arrivent de lextrieur, circulent dans le rseau
travers les stations, puis quittent le rseau.
Spcification du rseau :
Caractristiques de chaque station
Processus darrive des clients
Routage (cheminement) des clients dans le rseau
1
2
3 4
p13
p01
p12
p23
p20
p31
p34
p02

Les files dattente
Les rseaux ouverts
Processus darrive : comme dans une file simple, caractris par un processus de
renouvellement (G, M )
Routage de clients caractris de manire probabiliste : p
ij
Dautres types de routage :
Routage vers la file la plus courte (routage dynamique) : un client quittant une station
choisira la station qui comporte le moins de clients





Routage cyclique (routage dterministe) : les clients quittant une station choisiront tour de
rle chacune des station possibles
2
3
n2 s n3
1
n2 n3
2
3
altern
1
Les files dattente
Les rseaux ferms
Dans un rseau de files dattente ferm, le nombre des clients est constant
Pour spcifier un rseau ferm il ne faut spcifier que les stations et le routage

1
2
3 4
p13
p41
p12
p23
p31
p34
p21
p42
p22
Les files dattente
Les rseaux multiclasses
Comme pour le files simples, les rseaux de file dattente peuvent tre parcourus par
diffrentes classes de clients
Pour chaque classe de client :
Processus darrive diffrents (si le rseau est ouvert)
Comportements diffrents chaque station
Routage diffrents dans le rseau

1
2
3 4
p113
p101
p112
p223
p220
p231
p102

1
p134
p234

2
Les files dattente
Les rseaux mixtes
partir de la notion de rseau multiclasses, nous pouvons dfinir le notion de rseau
mixte
Ouvert vis vis de certaines classes
Ferm vis vis dautres classes
1
2
3 4
p113
p112
p223
p220
p231
p134
p234

2
Classe 1 : ferme
Classe 2 : ouverte
Les files dattente
Les rseaux de file dattente capacit limite
Les diffrentes stations du rseau peuvent avoir des capacits limites. Lorsquune file
est pleine, plus aucun client ne peut entrer
blocages dans les stations amont
perte de clients lentre du systme (si le systme est ouvert)



1 2 3 4

perte
K
1
K
2
K
3
K
4
Les files dattente
Les rseaux de files dattente ouverts contrainte de population
Ouverts, mais soumis une limite suprieure sur le nombre total de clients pouvant sy
trouver simultanment
Si un client arrive sur le rseau alors que celui-ci est plein, deux cas peuvent se
prsenter :
Le client est rejet
Le client est mmoris et se place en file dattente dans une file externe

1
2
3 4


File externe
Contrainte de population = N
Les files dattente
Critres de performance
En gnral, on cherche dterminer
Le temps moyen de sjour dun client dans le systme T
Le temps moyen dattente W
Le nombre moyen de clients en attente de service Q
Le nombre moyen de clients dans le systme N
Le taux dutilisation du serveur

Exemple dun phnomne dattente :

Nud de
commutation
Ligne dentre

n
paquets (clients) par unit de temps
Ligne de sortie
Capacit de C bits par unit de temps
Les files dattente
Exemple





On peut modliser le phnomne de mmoire tampon par :

Nud de
commutation
ligne dentre

n
paquets (clients) par unit de temps
ligne de sortie
Capacit de C bits par unit de temps
taux darrive
n

buffer
On considre que cest aussi le
taux de sortie, ce qui est
souvent vrai (un seul guichet)
W S
T
W : temps dattente
S : temps du service
T : temps de sjour
Les files dattente
Critres de performance
On note le taux dutilisation du serveur :

Il constitue une mesure pour le degr de saturation du systme. Il correspond au
nombre moyen darrives par dure moyenne de service

Condition de stabilit :

Proprits :
On a les relations suivantes

=
>
T W S = +
W : temps dattente
S : temps du service
T : temps de sjour
N : nombre de clients
: taux de service
: taux darrive
( 1) W N S T N S S N S = = + = +
1 1 N
S T

+
= =
Les files dattente
Thorme de Little
Soit une file dattente dont les lois darrive et de service sont indpendantes
On suppose que le systme volue en rgime stationnaire
Soit N le nombre moyen de clients dans la station et Q le nombre moyen dans la
file
Soit T le temps moyen de rponse de la station (temps pass par un client dans la
station) et W le temps moyen pass dans la file
Soit le taux darrive
On a alors :

N = * T
Q = * W

Les files dattente
Types de file dattente
La file M/M/1
File dattente un processus darrive et de service markovien, un seul serveur, et une
capacit de file infinie
Caractristiques dun file M/M/1 stationnaire :
P
n
la probabilit davoir n clients dans le systme et N le nombre moyen de clients dans le
systme :



Temps moyen de rponse du systme :

Temps moyen dattente :

Le nombre moyen de clients dans la file :


(1 )
n
n
P =
0
1
n
n
N n P

= =

1
(1 )
N
T


= = =

1
W T S T



= = =

2
1
Q W N

= = =

Les files dattente


Exemple :
1 client arrive en moyenne toutes les 12 ms, dure de service moyen : 8 ms.
Quelle est la probabilit p que deux clients au moins attendent dtre servis ?
N = 2, T = 24 ms






2 2
1
3 3
n
n
p
| || |
=
| |
\ .\ .
1 0 1 2 p p p p =
0, 296 p =
Les files dattente
La file M/M/C
File dattente un processus darrive et de service markovien, C serveurs identiques,
et une capacit de file infinie
Le client en tte de file dattente se fait servir la premire station libre
File dpendance de ltat, cest dire que les taux darrive et de service dpendent
de ltat du systme
Les dures de service suivent la mme distribution





Arrive
n
=
1
2
3



Les files dattente
La file M/M/C : caractristiques
Taux de service lorsque n clients sont en file dattente :
n


n
= n si 1 s n s C n serveurs sont occups

n
= C si n C tous les serveurs sont occups
Probabilit dtat :







Dans le cas o C, la distribution stationnaire nexiste plus

Le nombre moyen de serveurs occups S : S =

0
( )
si n C
!
n
n
p p
n

= s
0
( )
si n C
!
n
n n C
p p
C C

= >
-1
1
0
0
avec si C
! !( )
n C
C
n
p
n C C

+
=

(
= + <
(


Les files dattente
La file M/M/C : caractristiques
Taux dutilisation des serveurs U :



Nombre moyen de clients dans la file :




Nombre moyen de clients dans le systme :




S
U
C

= =
0
(1 ) !(1 )
C
c
C
Up UP
Q
U C U

= =

N Q P = +
Les files dattente
Exemple
On considre une arrive alatoire (markovienne) de clients un taux de 9 clients/s
On dispose de commutateurs de capacit 6 paquets par seconde (temps de service
exponentiel)
On voudrait savoir le nombre minimal de guichet ncessaires pour que le systme soit
en rgime stationnaire
< C 1,5 = / < C donc C = 2
Calculer le temps dattente (dans la file) moyen ? Si C = 2

1
2
3
0
3 1 3 1 (3/ 2) 1
1
2 2 2 2 2 3/ 2 7
p

| |
| |
= + + + =
|
|

\ .
\ .
2
2
0,16 et W 12,8
2 (1 )
p
p
U
= = =

Les files dattente


La file M/M/C/C
Processus markovien darrive et de service
C serveurs
Pas de file dattente ! : un client est pris en compte si un serveur est libre, sinon il est
rejet
Systme avec perte car le systme peut tre satur
Exemple : lignes tlphoniques. C lignes sont disponibles, lorsquelles sont toutes
occupes, les appels sont rejets
File dattente stable car
n
= si n<C et
n
= 0 si n C

La performance du systme est principalement analyse par la probabilit de perte
(probabilit que tous les serveurs soient occups)