Cours Simulation Master 2 ISC GSI 2023

Simulation et plan
d’expériences
Dellagi Sofiene
MCF/HDR à l’UL/MetzResponsable de l’équipe MPM au
sein du LGIPM
Simulation et plan d’expériences
Introduction
Conduite d’un projet de simulation
Principe de la simulation à événement discret
Exemples pratiques
Génération des variables aléatoire
Modélisation des résultats de simulation par les plans d’expériences

Exemples pratiques
Analyse de la variance et intervalle de confiance
Dellagi Sofiene
2
Simulation
1ème Partie
Introduction à la simulation
3
Pratique de la
Simulation
Introduction
La simulation est l’un des outils d’aide à la décision les plus efficaces
 Conception et gestion des systèmes complexes
 Principe :
 Construction d’un modèle du système réel
 Conduite d’expériences sur ce modèle
 Comprendre le comportement
 Améliorer les performances
 Approche systémique : elle est fondamentale

 Elle s’attache à évaluer la performance « globale » du système étudié
plutôt que celle de chacune de ses composantes
4
Pratique de la
Simulation
Introduction
 Une composante du système réalise une fonction spécifique
 Le comportement global du système dépend de :
 Du comportement individuel des composantes
 De leurs interactions
>>> Une vision globale est indispensable
 Avant la modélisation, il faut préciser quel(s) critère(s) de

performance on cherche à optimiser
 Il n’y a pas qu’un seul modèle d’un système réel
 Représenté de différentes manières en fonction de l’objectif fixé
>>> Le meilleur modèle est celui qui est à la fois simple et cohérent avec
l’objectif
5
Pratique de la
Simulation
Problème Construction d’un modèle
Implantation Recherche de solution

de la solution sur le modèle
Pratique de la
Simulation
Introduction
 Différents types de modèles :
 Physiques (maquette pour soufflerie, …)
 Symboliques – abstraction mathématisée de la réalité
 Distinction en fonctions de la prise en compte des aléas du système
 Déterministe – on néglige les aléas
 Stochastique – prise en compte des pannes de machines par exemple
 Distinction en fonction de la prise en compte du temps
 Statiques – le temps n’intervient pas
Exemple : le modèle par tableur d’un exercice comptable
 Dynamiques – le temps est un facteur essentiel du comportement du système
 Discrets – changement d ’état à certaines dates
 Continues – évolution continue
 Hybrides
7
Pratique de la
Simulation
Introduction
 Applications de la simulation
 L’informatique
 Recherche de configuration
 Réseaux
 Architecture de bases de données
 La gestion
 Marketing
 Tarification
 Prévision
 Gestion du personnel
 Gestion du trafic
 L’environnement
 Pollution et assainissement
 Météorologie
 Catastrophes naturelles
8
Pratique de la
Simulation
Introduction
 Applications de la simulation
 La production
 Gestion des ressources de fabrication
 Machines
 Stocks
 Moyens de manutention
 Analyse des configurations (logistique, …)
Génie industriel, Pannes des machines

Coût de maintenance, Productivité, gestion
des stocks, demandes, transports…..
9
Pratique de la
Simulation
Introduction
 La compétition international du monde industriel
>>> mise en œuvre de systèmes automatisés complexe et changeant
 Les méthodes traditionnelles de conception sont limitées
 Incapacité de prendre en compte l’ensemble des composantes d’un
outil de production intégré
 La phase de conception initiale repose sur des hypothèses (types et
quantités de produits à fabriquer) qui avec le temps peuvent ne plus
correspondre avec la réalité
 La flexibilité des systèmes exige que leur conception soit remise

en cause périodiquement
>>> la simulation
 Analyse des systèmes complexes :
 Organisation des unités de production, système de stockage ou de
manutention, stratégie globale de production, flux de matière, pannes des
machines…
10
Pratique de la
Simulation
Introduction
 Un exemple : détermination du nombre de chariots devant
manutentionner 400 charges par heure
11
Pratique de la
Simulation
Introduction
 Les avantages de la simulation
 Reproduire, faute de calculer
 Représenter la réalité
 Prendre en compte les grandeurs aléatoires
 Raisonner d'après les flux
 Observer instant par instant
 Tenir compte des conflits de ressources
 Approche dynamique
 Prendre en compte les règles de pilotage d'un système
 Etre accessible aux décideurs opérationnels
Un modèle de simulation permet de représenter

fidèlement un système complexe ... MAIS ...
12
Pratique de la
Simulation
Introduction
 Les inconvénients de la simulation
Il ne permet pas, contrairement aux méthodes analytiques de
résoudre directement le problème. Il s’agit d’un modèle com-
portemental (What if)
Gammes
Nomenclatures
Ressources Changements d’état
Processus Indicateurs de
Marché performance
Règles de gestion
Interprétation
13
Simulation
2ème Partie
Conduite d’un projet de simulation
14
Pratique de la
Simulation
Projet de simulation
Étape 1 : analyse du problème
 Elle permet de préciser le contexte de l’étude
 Elle se décompose en :
 Identification du problème et spécification des objectifs
 Réalisation d’une première ébauche
 Délimiter les frontières
 Spécifier les données nécessaires
 Validation auprès de l’utilisateur (celui qui est à l’origine de l’étude)
 But : construction d’un modèle valide qui soit le plus simple

possible tout en restant cohérent avec les objectifs
 Formuler explicitement les objectifs et les divers scénario à étudier
15
Pratique de la
Simulation
 Les données à rassembler sont les suivantes :
 Données sur les pièces à fabriquer
 Gamme de fabrication, programme de fabrication prévisionnel
 Données sur les moyens de production
 Nombre et types de machines
 Lois des pannes
 Nombre et types de ressources de production (outils, palettes)
 Données sur la manutention
 Nombre et type de transporteurs
 Capacité
 Durées de transport
 Données sur les stocks et la magasins
 Types et capacités
 Temps de stockage / déstockage
 Données sur le personnel
 Classe, effectif, compétence et horaires
16
Pratique de la
Simulation
 Les données :
 Caractérisent :
 les pièces
 les ressources (production , stockage, transport)
 Spécifiées sous forme de valeur ou de distribution
 A ces données numériques , il convient d’en ajouter d’autres qui
s’expriment sous forme d’algorithme les règles de conduite.
 Souvent l’objet de la simulation est de tester un certain nombre de
règles pour déterminer les plus pertinentes :
 Règles de lancement des pièces en fabrication
 À la commande, en fonction des prévisions, par lots, par unités, …
 Règles d’ordonnancement des pièces dans une file d’attente
 Règles d’affectation des ressources
17
Pratique de la
Simulation
Étape 2 : construction du modèle
 Elle comprend :
 La modélisation logico-mathématique (utilisation d’un outil graphique)
 La programmation proprement dite
 Il est important de construire un programme facilement modifiable
 En particulier de distinguer clairement,
 Le système physique
 Le système de conduite
 Le système d’information
 Dans sa première itération cette étape se termine par une
validation qui consiste à comparer le comportement du modèle
avec celui du système physique
18
Pratique de la
Simulation
Étape 3 : exploitation du modèle
 Évaluation du comportement dynamique du système

 Nécessite une définition précise de la campagne d’exploitation
 Quelles hypothèses veut-on vérifier ?
 Dans quelle contexte ?
 Production de mesures par la simulation elle-même
 Mise en forme et comparaison des résultats obtenus
 Utilisation d’outils statistique

 Plan d’expérience, Intervalles de confiance, coefficient de
corrélation, …
19
Pratique de la
Simulation
20
Pratique de la
Simulation
Projet de simulation – les grandes étapes

 Définition des Objectifs
 La Modélisation de la connaissance
Le recueil des données

(gestion des phénomènes aléatoires)
Principales difficultés
Rédaction du dossier d'analyse fonctionnelle
 Construction des modèles de simulation

Ecriture des modèles
Vérification et Validation
 Exploitation des modèles

Les plans d'expériences
Analyse des résultats
21
Pratique de la
Simulation
Recueil des données "physiques"

"logiques et décisionnelles"
Modélisation des phénomènes aléatoires
Loi d'arrivée , Temps inter-pannes,

Temps de réglages, ... Temps de réparation,
Taux de succès aux contrôles, Temps de cycles.
Par des distributions

22
Pratique de la
Simulation
Projet de simulation – les distributions

Fréquences observées (%)
Un panel étendu de
12
10
8
distribution
6
Loi normale,
4 Loi exponentielle,
2 Loi triangulaire,
0 ...
14
15
16
17
18
19
20
21
22
23
24
25
10
11
12
13
5
6
7
8
9
Arrivées par 10 minutes
"Une Loi triangulaire vaut toujours mieux qu'une moyenne"
14
100
12 90
10 80
70
8 60
50
6
40
4 30
20
2
10
0 0
14
15
16
17
18
19
20
21
22
23
24
25
10
11
12
13
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
9
5
6
7
8
Arrivées par 10 minutes
23
Pratique de la
Simulation
dynamique des systèmes
Prise en compte de la
Rend compte de la répartition, de la dispersion des données d'une population
mais
Le choix doit être judicieux (gros travail de collecte et de modélisation)
et être fait avec le maximum de garanties :
Recherche de l’information ou collecte directe

Observation d'histogramme des fréquences
Tests d'adéquation, ...
Faute de quoi :
Garbage In Garbage Out !

24
Pratique de la
Simulation
Rédaction d'un dossier d'analyse fonctionnelle
"Il décrit l'intégralité des fonctionnalités du modèle,

à partir des objectifs du cahier des charges
et des données recueillies."
 Un descriptif du système modélisé

(logique de fonctionnement)
 Les paramètres que l'on veut faire varier
(effectifs, durées de traitement, décisionnel, ...)
 Les critères de performances
(nature, unité, fréquence, ...)
 Un "plan d'expérience"
(Début de rationalisation des essais)
25
Pratique de la
Simulation
Commencer par un modèle simple, voire sommaire
(à présenter aux utilisateurs et à réajuster)
accompagné de ses :
TESTS de
VERIFICATION et VALIDATION
"Un test réussi est un test qui a découvert des fautes"
 Construisons-nous le système correctement ?

Bilan matière, tests des situations (standard, extrême),
simulation déterministe
 Construisons-nous le bon système ?

Sens critique, remise en question, validation d'experts, ... 26
Pratique de la
Simulation
Projet de simulation – les résultats

Résultats d'un
modèle de simulation 14

12
10 120
8 100
6 80

4 60
techniques
2 40
Utilisation de 0 20
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0
Arrivées par 10 m inutes 5 8 11 14 17 20 23
d'analyses statistiques
 Expression des résultats avec leur dispersion,
 Histogrammes,
 Etude de la sensibilité des résultats aux paramètres

en entrée
 Intervalle de confiances,
...
29
Pratique de la
Simulation
Projet de simulation – quelques conseils
Objectifs mal
Manque d'information et
définis de formation des
différents
intervenants
Données
Pas assez de non fiables
réplications en entrée
de la simulation
30
Simulation
3ème Partie
Simulation continue
PROMODEL
31
Exemple 1 :
Calcul du coût des actions de maintenance d’une
machine soumise à des panne et des actions de
maintenance préventive
Problème 1:
Soit une machine M fabriquant un seul type de produit. La machine
peut tomber en panne. On suppose que f(t) représente la densité de
défaillance de M . La réparation de M prend un temps aléatoire de
moyenne µc et engendre un coût de réparation Mc. Pour éviter les
pannes fréquentes, des actions de maintenance préventives sont
envisagées en fonction de l'âge de la machine. Les actions de
maintenance préventive sont appliquées à un âge m. Chaque
maintenance préventive prend un temps aléatoire de moyenne µp
et engendre un coût de maintenance préventive Mp en rendant la
machine neuve (As good as new).
Réalisez un programme de simulation à l’aide de PROMODEL qui
permet de calculer le coût total moyen par unité de temps des actions
de maintenance
32
Exemple 3 :
Calcul du coût de stockage d’une machine
Produisant un seule type de produit et
satisfaisant une demande
Demande
Stock Stock de
d’entré sortie
machine
33
Stratégie du « hedging point »
Motivation
.
Au début, les industriels adoptaient la stratégie de production « Just
in time », qui consiste à produire à la demande. Par la suite, ils
découvrent que les pannes et les arrêts brusques des systèmes de
production sont devenus la cause de grands dégâts financiers liés
aux demandes non satisfaites. Par conséquent les industriels ont
décidé de mettre en place la stratégie de stock de sécurité. Cette
stratégie consiste à produire avec un taux qui dépasse la demande
afin de mettre en place des stocks de sécurité de capacité infinie,
afin de satisfaire la demande pendant les périodes d’arrêts des
systèmes de production.
34
Par la suite, vu l’évolution des coûts de stockage,
des chercheurs ont prouvé par simulation, une
nouvelle politique plus économique notée « Hedging
point ».
Cette politique consiste à produire avec une cadence
supérieure à la demande jusqu’à atteindre un niveau
de stock « k » prédéfinie. Par la suite produire à la
demande jusqu’à l’arrêt de production (Arrêt pour
Maintenance). La demande sera puisée dans le
stock de sécurité. Une fois le système reprend la
production après la fin des actions de maintenance,
on part de nouveaux pour construire le stock de
niveau fini « k »
k : variable de décision
35
Problème 4:
Soit une machine M fabriquant un seul type de produit. La fabrication de la
pièce nécessite un proccessing time «Proc ».
La machine peut tomber en panne. On suppose que f1 représente la
densité de défaillance de M .La réparation de M prend un temps aléatoire
de moyenne µc et engendre un coût de réparation Mc. Pour éviter les
maintenance préventive sont appliquées à un âge m . Chaque
maintenance préventive prend un temps aléatoire de moyenne µp et
engendre un coût de maintenance préventive Mp en rendant la machine
neuve.
36
Problème 4 suite:
Politique de commande
Les pièces fabriquées sont placées dans stock de sécurité de niveau maximale
k. Une demande de fréquence aléatoire et de quantité fixe est puisée dans le
stock (n/h(t), Q). Le coût unitaire de stockage par unité de temps et le coût
unitaire de demande perdues sont notées respectivement Cs et Cp
Le but est de calculer le coût total moyen de stockage et des demandes
perdues et la productivité
Remarque:
On ne rattrape pas les demandes perdues, une demande perdu est juste
pénalisée unitairement par Cp
Réalisez un programme de simulation à l’aide de

PROMODEL qui permet de calculer le coût total moyen
par unité de temps de stockage et des demandes
perdues
37
Simulation
3ème Partie
Principe de la simulation
à événement discret
38
- Fixer les variables de décision
-Fixer les variables d’entrés
-Fixer les variables de sortie
-Initialiser le temps à 0 (Tot=0), (Horloge virtuelle)
-Initialiser le système à simuler ( exemple machine en

marche, stock initiale, moyen de transport disponible )
-Définir tous les événements temporels
-Déterminer le prochain évènement probable
(le prochain événement qui va se réaliser)
39
-Avancer le temps selon le temps écoulé pour
atteindre cet événement (Actualiser l’Horloge
TOT
(TOT=TOT+période nécessaire pour avoir atteint le prochain
événement)
-Actualiser tous les événements temporels
40
-Comparer le temps TOT (Horloge) avec le
temps de simulation Tsim
-Revenir au début du programme pour voir le

prochain événement (si TOT<TSIM)
ou (Si TOT>=TSIM) arrêter la simulation pour
-afficher les variables de sorties

41
Simulation
4ème Partie
Exemples pratiques
42
Exemple 1 :
Calcul du coût des actions de maintenance d’une
machine soumise à des panne et des actions de
maintenance préventive
Problème 1:
Soit une machine M fabriquant un seul type de produit. La machine
peut tomber en panne. On suppose que f(t) représente la densité de
défaillance de M . La réparation de M prend un temps aléatoire de
moyenne µc et engendre un coût de réparation Mc. Pour éviter les
maintenance préventive sont appliquées à un âge m. Chaque
maintenance préventive prend un temps aléatoire de moyenne µp
et engendre un coût de maintenance préventive Mp en rendant la
machine neuve (As good as new). Réalisez un programme de
simulation à évènement
discret qui permet de calculer le coût total moyen par unité de temps
des actions de maintenance
43
Modélisation du problème
Graphe d’ états
Rappel: C’est un graphe dont les sommets représentent les

différents états du système et les arcs, reliant les sommets,
correspondent aux transitions entre les états.
Exemple:
44
Pratique de la
Simulation
45
Solution
Initialisation :
Donner : TSIM, f(t), gc(t), gp(t), Mp, Mc, m, NP=0, NMP=0;
Faire : TOT=0, R=1, générer TBF/f(t),Ct=0, age=m
While TOT<tsim
*Si R=1
z= min(age,TBF)
TBF=TBF-z
age=age-z
Si TBF=0
R=0
TTR/gc
Ct=Ct+Mc/Tsim
NP=NP+1
Finsi
Si age=0
R=0
TTR/gp
NMP=NMP+1
Ct=Ct+Mp/Tsim
Finsi
TOT=TOT+z
Fin Si
46
*Si R=0
z=TTR
TTR=TTR-z
R=1
TBF/f
age=m
TOT=TOT+z
Finsi
END
afficher Ct
NMP
NP
CT=(NP*Mc+NMP*Mp)/TSIM
47
Pratique de la Example 1 : Total maintenance cost according to T
Simulation
clear
cmcf=3000;% unit cost of corrective Maintenance action
cmpf=500; % unit cost of preventive Maintenance action
tsim=10000;% simulation time or run time
tot=0; %real time
tbf= wblrnd(100,2,1,1); % generate up time of machine, weibul law with shape parameter =2 and scale =100
r=1; % intilize state of machnine ( considering r=1 : machnine up%
ct=0; % total cost of maintennace intialize at 0
T=10; % date of prevetive maintenance
age=T; % Idebtification variable
while tot<tsim % if the real time is less then the total simulation time I go inside
if r==0 % first case machine down noted r=0
z=ttr; % z is variable which compare first event or in this case we have only one event then end of repearation ttr
ttr=ttr-z; % compute the rest
r=1; %making machnine up
tbf= wblrnd(100,2,1,1); %generate up time of machine, weibul law with shape parameter =2 and scale =100
age=T; % fixing preventive maintenance date
tot=tot+z; % actualizing the real time by adding z which defing the duration to reach the first event
end
if r==1% second case machine up

z=min(tbf,age); % determining the first possible event between up time and date of preventive maintennace
tbf=tbf-z;% computing the rest time
age=age-z;% computing the rest time
if tbf==0 % case of the first event time is tbf meaning machnine fails
r=0; % making machine down
ttr=exprnd(30,1,1); % generate Time to repeair respecting exponential law with mean 30
ct=ct+(cmcf/tsim); % actualazing the total cost of maintenance by adding a unit cost of corrcetive maintenance
elseif age==0 % case of the first event time is age the preventive maintennace date
ttr=exprnd(10,1,1);% generate Time to do preventive maintenance respecting exponential law with mean 10
ct=ct+(cmpf/tsim);% actualazing the total cost of maintennace by adding a unit cost of preventive maintenance
end
end
end %until meaning the real time TOT reach the total time of simulation we go out in order to print the value of ct
ct% print the availability
48
Pratique de la Example 2 : Availability according T
Simulation clear
cmcf=3000;% unit cost of corrective Maintennace action
cmpf=500; % unit cost of preventive Maintennace action
tsim=10000;% simulation time or run time
ttrc=0; % cumulative time of corrective maintenance
ttrp=0; % cumulative time of corrective maintenance
tot=0; %real time
tbf= wblrnd(100,2,1,1); % generate up time of machine, weibul law with shape parameter =2 and scale =100
r=1; % intila state of machnine ( considering r=1 : machnin up%
ct=0; % totral cost of maintennace intialize at 0
T=10; % date of prevetive maintenance
age=T; % Idebtification variable
while tot<tsim % if the real time is less then the total simulation time I go inside
if r==0 % first case machien down noted r=0
z=ttr; % z is variable which compare first event or in this case we have only one event then end of repeation ttr
ttr=ttr-z; % compute the rest
r=1; %making machnin up
tbf= wblrnd(100,2,1,1); %generate up time of machine, weibul law with shape parameter =2 and scale =100
age=T; % fixing preventive maintennace date
elseif r==1% second case machine up

z=min(tbf,age); % determining the first possible event between up time and date of preventive maintennace
tbf=tbf-z;% computing the rest time
age=age-z;% computing the rest time
if tbf==0 % case of the first event time is tbf meaning machnine fails
ttr=exprnd(30,1,1); % generate Time to repeair respecting exponential law with mean 30
ttrc=ttrc+ttr; % cumulating the corrective maintenance duration
elseif age==0 % case of the first event time is age the preventive maintennace date
ttr=exprnd(10,1,1);% generate Time to do preventive maintenance respecting exponential law with mean 10
ttrp=ttrp+ttr; % cumulating the preventive maintenance durations
end
end
end %until meaning the real time TOT reach the total time of simulation we go out in order to print the value of ct
A=(tsim-(ttrc+ttrp))/tsim % print the availability
49
Problème 2: Exemple 2 :
Calcul de la productivité, le coût de production d’une machine soumis à des panne et des actions de maintenance préventive
Soit une machine M fabriquant un seul type de produit. La fabrication

de la pièce nécessite un « proccessing time » noté « Proc ».
densité de défaillance de M .La réparation de M prend un temps
aléatoire de moyenne µc et engendre un coût de réparation Mc.
Pour éviter les pannes fréquentes, des actions de maintenance
préventives sont envisagées en fonction de l'âge de la machine. Les
actions de maintenance préventive sont appliquées à un âge m.
Chaque maintenance préventive prend un temps aléatoire de
moyenne µp et engendre un coût de maintenance préventive Mp en
rendant la machine neuve.
Réalisez un programme de simulation à évènement discret qui
permet de calculer la productivité de la machine et le coût total
moyen des actions de maintenance ainsi que le coût total moyen de
production/ut 50
Modélisation du problème
Graphe d’états
51
Solution
Initialisation :
Donner : TSIM, f(t), gc(t), gp(t), Mp, Mc, m, Proc,Cpr
Faire : TOT=0, R=1, générer TBF/f(t),Ct=0, age=m, a=Proc, CTPR=0;
While TOT<tsim
*Si R=1
z= min(age,TBF,a)
TBF=TBF-z
age=age-z
a=a-z
Si TBF=0
R=0
TTR/gc
Ct=Ct+Mc/Tsim
Finsi
Si age=0
R=0
TTR/gp
Ct=Ct+Mp/Tsim
Finsi
Si a=0
PROD=PROD+1/tsim
a=PROC
CTD=CTD+Cpr/TSIM
Finsi
TOT=TOT+z
52
Fin Si
*Si R=0
z=TTR
TTR=TTR-z
R=1
TBF/f
age=m
TOT=TOT+z
Finsi
END
afficher PROD
CTPR
53
Exemple 3 :
Demande
Stock Stock de
d’entré sortie
machine
54
Problème 3:
Soit une machine M fabriquant un seul type de produit. La fabrication de
la pièce nécessite un proccessing time «Proc ».
neuve.
55
Problème 3 suite:
Les pièces fabriquées sont placées dans stock de sécurité de capacité infini.
Une demande de fréquence aléatoire et de quantité fixe est puisée dans le
Remarque:
On ne rattrape pas les demandes perdues, une demande perdue est juste
Réalisez un programme de simulation à évènement

discret qui permet de calculer le coût total moyen par
unités de temps des demandes perdues
56
Motivation
.
Au début, les industriels adoptaient la stratégie de production « Just
in time », qui consiste à produire à la demande. Par la suite, ils
découvrent que les pannes et les arrêts brusques des systèmes de
production sont devenus la cause de grands dégâts financiers liés
aux demandes non satisfaites. Par conséquent les industriels ont
décidé de mettre en place la stratégie de stock de sécurité. Cette
stratégie consiste à produire avec un taux qui dépasse la demande
afin de mettre en place des stocks de sécurité de capacité infinie,
afin de satisfaire la demande pendant les périodes d’arrêts des
systèmes de production.
57
Par la suite, vu l’évolution des coûts de stockage,
des chercheurs ont prouvé par simulation, une
nouvelle politique plus économique notée « Hedging
point ».
Cette politique consiste à produire avec une cadence
supérieure à la demande jusqu’à atteindre un niveau
de stock « k » prédéfinie. Par la suite produire à la
demande jusqu’à l’arrêt de production (Arrêt pour
Maintenance). La demande sera puisée dans le
stock de sécurité. Une fois le système reprend la
production après la fin des actions de maintenance,
on part de nouveaux pour construire le stock de
niveau fini « k »
k : variable de décision
58
Problème 4:
Soit une machine M fabriquant un seul type de produit. La fabrication de la
pièce nécessite un proccessing time «Proc ».
neuve.
59
Problème 4 suite:
Les pièces fabriquées sont placées dans stock de sécurité de niveau maximale
k. Une demande de fréquence aléatoire et de quantité fixe est puisée dans le
Remarque:
On ne rattrape pas les demandes perdues, une demande perdu est juste
Réalisez un programme de simulation à évènement

discret qui permet de calculer le coût total moyen par
unités de temps de stockage et des demandes perdues
60
Solution
Initialisation :
Donner : TSIM, f(t), g(t), h(t), Cp, Proc=1, k, Cs,T1,Q
Faire : TOT=0, ns=0,CDP=0, a=Proc, Prod=0,R=1, age=m, Ls=0, générer TBF/f(t), et
générer n/h(t)
While TOT<TSIM
Si R=0
z= min(TTR,n)
TTR=TTR-z
n=n-z
Si TTR=0
R=1
TBF/f
Age=m
Fin Si
Si n=0
Ls=Ls+Cs*Ns*(TOT+z-T1)/TSIM
T1=TOT+z
n/h(t)
si ns Q alors ns=ns-Q
si non
CDP=CDP+cp*(Q-Ns)/Tsim
(ns=0)
Fin si
Fin si
TOT=TOT+z 61
Fin si
Si R=1
z= min(TBF,a,n,age)
TBF=TBF-z
n=n-z
a=a-z
age=age-z
Si TBF=0
R=0
TTR/gc
Finsi
Si a=0
T1=TOT+z
Si Ns<k
Ns=ns+1
Si non
R=2
Finsi
a=Proc
Finsi
62
Si n=0
T1=TOT+z
n/h(t)
si non
CDP=CDP+cp*(Q-Ns)/Tsim
(ns=0)
Fin si
Fin si
Si age=0
R=0
TTR/gp1
Fin si
63
Si R=2
z=n
R=1
Ls=Ls+Cs*Ns*(TOT+z-
T1)/TSIM
T1=TOT+z
ns=ns+1
n/h(t)
si non
CDP=CDP+cp*(Q-ns)/Tsim
ns=0
Fin si
Fin Si
END
Ls, CDP
Ct=Ls+CDP
64
Exemple 3 :
Exemple 5 :
Calcul de la productivité des actions de
maintenance d’une machine soumis à des panne
et des actions de maintenance préventive
65
Partie 6:
Problèmes de Deux machines
Avec des stratégies de maintenance
intégrée à la production
« Thèse Dellagi »
Module simulation 2
66
Simulation
5ème Partie
67
Simulation
5ème Partie

Définition de quelques variables aléatoires
68
Probabilité
Moment d’une V.A discrète

 Espérance mathématique
Soit X une V.A discrète prenant ses valeurs dans

{x1,x2……xn} et dont le probabilités associées sont:
P(X=xi)=pi .
Par définition, on appelle E(X) la moyenne théorique ou
espérance mathématique de X définie par:
n
E  X    xi pi Exemple
Propriétés: i 1
*E  a   a
*E  aX   aE  X 
*E  X  a   E  X   a
dem+expli page 39-40
*E  a1 X 1  a2 X 2   a1 E  X 1   a2 E  X 2 
 Variance
Il s’agit d’un indicateur mesurant la dispersion des valeurs
xi que peut prendre la V.A X, autour de la moyenne de
probabilité E(X) et défini par:
v x    p i x i  EX 2
iN
C’est l’espérance mathématique du carré de la V.A
centrée X-E(X): C’est le moment centré d’ordre 2

v x   E X  EX 2  Exemple
Remarque:
Le moment centré d’ordre nN* d’une V.A X : n 

iN
n

 pi x i  EX   E X  EX 
n

Le moment non centré d’ordre nN* d’une V.A X : mn X  i pi x i n

 
 E Xn
N
 L’écart type:  X  v X 
Propriétés de la variance:
V x   0
V X   0  X est une variable aléatoire certaine
V X  a   V X 
V aX   a 2 V X 
 
V X   E X 2  E 2 X 
Si X et Y sont indépendantes V X  Y   V X   V Y 
Cas générale : VX  Y   V X   V Y   2Cov X , Y 
Avec : Cov c' est la covariance définie par :
CovX, Y   EXY   EX EY 
Lois usuelles discrètes
 Loi de Dirac:
Soit aR un point fixé. On appelle loi de Dirac notée a, la loi de la V.A certaine
X qui est constante, prenant la même valeur a quel que soit le résultat de
l’épreuve:
X  a ,    
Par conséquent:
0 si x  a
Fx   
1 si x  a
EX   a
V X   0
 Loi de Bernoulli:
Soit A un évènement quelconque; on appelle variable aléatoire indicatrice de
l’évènement A la V.A définie par X=1A , formellement:
1 si   A
X  1A   
0 si   A
On dit que X suit loi de Bernoulli de paramètre p=P(A), ce qu’on écrit symboliquement X
→B(1,p) ou sous la forme:
1 p
X  
0 q  1- p
0 si x  0

Fx   q si 0  x  1
1 si x  1

 Loi de binomiale:
Si on effectue n épreuves successives indépendantes ou on note à chaque fois la réalisation
ou la non réalisation d’un certain évènement A, on obtient alors une suite de la forme (A,
A\)…Pour cette évènement on associe le nombre X() de réalisation de A. On définit ainsi
une V.A qui suit la loi binomiale de paramètre n et p=P(A) caractérisée par X() ={0,1,
n} et pour k  X()
PX X  k   Cknpk 1 p n _ k
EX   np
V X   npq
On écrit symboliquement X →B(n,p)

 Loi de Poisson:
Une V.A X suit une loi de poisson de paramètre >0 si c’est une variable à valeurs
entières, X () =(ensemble des entiers), donc avec une infinité de valeurs
possibles de probabilités:
k
PX X  k   e  
k!
EX   
V X   
.
On écrit symboliquement X →P()
 Loi géométrique ou de Pascal:
On effectue des épreuves successives et indépendantes jusqu’à la réalisation d’un
évènement particulier A et on note par X le nombre aléatoire d’épreuves effectuées. On
définit ainsi une V.A à valeurs entières de loi géométriques, ou de PASCAL. A chaque
épreuve est associé l’ensemble fondamentale ={A,Abar} et l’évènement {X=k} pour
kN* est représenté par une suite de k-1 évènements Abar terminée par l’évènement A
A
 A  A A
k 1
Si on pose p  P(A) la probabilité de cette évènememnt est :
Pk X  k   1 p k 1p
1
EX  
p
q
V X  
p2
 Loi binomiale négative:
On effectue des épreuves successives et indépendantes jusqu’à ce que n
évènements A soit réalisés et on note Y le nombre (aléatoire) d’épreuves
effectuées. L’évènement {Y=y}, pour tout entier yn, est représenté par
une suite de la forme:
A
 A
 A.........
   .  A  A A
 A.........
y 1
On a n - 1 réalisations de l' évènement A au cours de

y - 1 premières épreuves et qui se conclut par
l' évènement A. On déduit la probabilité individuelle :
Pk Y  y   C n
y 1 1  p 
1 y n
pn
n
EY  
p
nq
V Y  
p2
Probabilité
Moment d’une V.A continue

 Espérance mathématique :
Soit X une V.A continue. On définit l’espérance

mathématique de X par:
 
EX    xdF  x    xf  x  dx
 
Remarque:
Cette intégrale est dite au sens de Stieljes.
L’espérance mathématique n’est pas toujours vérifiée.
Propriétés:
*E  a   a
*E  aX   aE  X 
*E  X  a   E  X   a
*E  a1 X 1  a2 X 2   a1 E  X 1   a2 E  X 2 
dem
Moment d’une V.A continue Probabilité
 Variance
Elle est définie par:

     

v x   E X  EX 2   x  EX 2 f x dx  E X 2  EX 2   X X 2

Propriétés de la variance:
V x   0
V X   0  X est une variable aléatoire certaine
V X  a   V X 
V aX   a 2 V X 
Si X et Y sont indépendantes V X  Y   V X   V Y 
Cas générale : VX  Y   V X   V Y   2Cov X , Y 
Avec : Cov c' est la covariance définie par :
CovX, Y   EXY   EX EY 
 

Le moment centré d’ordre nN* d’une V.A X : r  X   E  X  E  X     x  E  X  f  x  dx

r r

 

Le moment non centré d’ordre nN* d’une V.A X : mn X   E Xn   x n f x dx

Vérifier dem page 50

Lois usuelles continues
 Loi uniforme:
Une V.A X suit une loi uniforme continue si sa densité est constante sur un intervalle
fini [a,b], étant donc de la forme
k si x  [a,b]
f x  
0 si non
On écrit symboliquement X →U([a,b])
.
1
La densité :f x x   a, b 

ba
0 si x < a
x a

La fonction de répartition: F  x    si a  x < b
b  a

1 si b  x
b a
L'espérance: E  x  
2
b  a 
2
V x  
12
En particulier a=0 et b=1

1 x  0,1
La densité :f x  

0 sinon
0 si x < 0

La fonction de répartition: F x  x si 0  x < 1
1 si 1  x

1
L'espérance:
2
1
La variance: V  x  
12
 Loi exponentielle:
Une loi exponentielle de paramètre >0 est celle d’une variable positive de
densité
 e x si 0  x
f x  
0 si x<0
La fonction de répartition :F  x   1  e x
1

1
La variance :V  x   2

.
On écrit symboliquement X →()
 Loi normale ou Laplace-Gauss:
C’est une loi d’une variable aléatoire X à valeurs dans R de densité:
   
2
1 x  m
f x  exp  
 2  2  2
 
L'espérance: E  x   m
La variance :V  x    2
Qui est définie par deux paramètres m,
On écrit symboliquement X →N(m, )

.
 Loi gamma:
Une V.A X suit une loi gamma de paramètre p>0 et >0 si c’est une v.a
positive dont la densité est de la forme:
 p
f x  e   x  x p 1 , x  0
  p
+
Avec:  p  =  e   x  x p 1dx
0
p

p
La variance :V  x  
2
.
On écrit symboliquement X →(p, )
 Loi du Khi-deux:
La loi de Khi-deux à n degrés de liberté, notée n2 est la loi gamma de
paramètres p=n/2 et =1/2 ((n/2, 1/2)) ou n est entier positif par
conséquent la densité de cette loi pour x>0 est:
 p  x 
 
n
1
f x   n
e  2
x 2
,x  0
   n 
2  2
 
 2
n/2
L'espérance: E   
2
n
1/ 2
 n
n/2
La variance :V  
2
n 
1/ 4
 2n
Il existe un lien avec la loi normale. Si X suit la loi normale de paramètre m et 
2
 X m
   12
  
 Loi du bêta:
 Loi du bêta de second espèce:
Si X et Y sont deux v.a indépendantes de lois respectives (p) et (q), alors la v.a Z=X/Y suit
une loi bêta de second espèce de paramètre p>0 et q>0, notée 11(p,q) et de densité z>0:
p 1
1 z
f z  ,z  0
  p, q  1  z 
pq
  p   q 
avec :   p, q  
  p  q
p
L'espérance: E  Z   q>1
q 1
p  p  q  1
La variance :V  Z  
q  1 q  2
2
 Loi du bêta de première espèce:
La loi bêta de première espèce est également définie par rapport à deux lois
gammas ou à partir de la loi précédente, c’est celle de la v.a à valeurs
dans [0,1]
X Z
T  
X Y 1 Z
Sa densité pour 0  t  1
1
f t   t p 1 1  t 
q 1
,
  p, q 
p
L'espérance: E T  
pq
pq
La variance :V T  
 p  q   p  q  1
2
 Loi log-normale:
La v.a positive X suit une loi log-normale de paramètres m et 
>0 si la v.a lnX suit la loi N(m, ); on obtient donc:
 ln x  m 
La fonction de répartition: F  x     
  
1  ln x  m  1  1 2
La densité est:f  x      exp   ln x  m 
 x     x 2 
 2
2 

 u2 
x  
1
AVEC :   x   e  2
2 
 2 
E ( X )  exp  m  
 2 
    
V ( X )  exp 2m   2 exp  2  1
 Loi de Pareto:
C’est une loi qui est utilisée notamment dans la modélisation de la distribution
des revenus d’une population ou théorie des assurances. Sa densité est
définie pour xx0>0,x0 pouvant s’interpréter comme le revenu minimum, en
fonction d’un paramètre >0:
 1
  x0 
La densité est : f x    
x0  x 
Simulation
5ème Partie

Pratique
90
Simulation d’une variable aléatoire
 Simulation d’une variable aléatoire de densité donnée:
Méthode de fonction de répartition inverse:
On désire de simuler une variable aléatoire de fonction de répartition F.
Si F est inversible, U=F(X) est une loi uniforme. Cela suggère de
simuler X par F-1(U) .Il n’est pas utile de supposer que F est
inversible. La fonction F est croissante et continue à droite, on
définit sa pseudo-inverse continue à gauche G par:
G(y)=inf{x:F(x)>y}
Si F est inversible alors G=F-1
Proposition:
Soit F la fonction de répartition d’une loi de probabilité et G sa
pseudo-inverse continue à gauche. Soit U une variable aléatoire
de loi uniforme [0 1] , alors X=G(U) est une variable aléatoire de
fonction de répartition F
Bibliographie
Les différentes méthodes de génération de variables

pseudo aléatoires :
 Inversion de la fonction de répartition

 Méthode du rejet
 Méthode de Box Müller
Loi Exponentielle
 Inversion de la fonction de répartition
 x
Densité de probabilité : f ( x )  e
Fonction de répartition :  x
F ( x)  1  e
Inverse de la fonction de
répartition :  ln VA
x avec VA U  0,1

Lois Weibull trois paramètres

(  1)  x  
    x    
Densité de probabilité : f ( x;  ,  ,  )      e   
    

 x  
 
Fonction de répartition : F ( x;  ,  ,  )  1  e   
répartition : 1
x      ( ln VA)  avec VA U  0,1

Lois Weibull deux paramètres ( ,)

(  1) x
   x   
Densité de probabilité : f ( x;  ,  )      e 
    

x
 
Fonction de répartition : F ( x;  ,  )  1  e 
répartition : 1
x    ( ln VA)  avec VA U  0,1

Loi Normale X →N(m, )
 Algorithme de Box-Muller
Formule utilisée :
X  m    2 ln VA1 cos(2 VA2 )

Avec VAi U  0,1 i  1, 2
Loi Gamma X →(k, )
 Utilisation de la loi exponentielle
1 k 
X  ln   VAi 
  i 1 
Avec VAi U  0,1 i  1, 2,...k 
Loi Log-normale X →LN(m, )
 Utilisation de la loi Normale
 
1

k   2 k
k 
X  exp m     .   VAi   

  12   i 1 2 
 
Avec VAi U  0,1 i  1, 2,...k 
Loi Khi-deux X → 2n  X →(n/2, 1/2)
Si n est paire
 n /2

X  2  Log  VAi 
 i 1 

Avec VAi U  0,1 i  1, 2,... n 
2
Si n est impaire
  n 1/2  2
X  2  Log  U i   z
 
 i 1 

Avec VAi U  0,1 i  1, 2,...
 n  1 
2 
 
Z  N  0,1
L’algorithme
Le programme
Langage utilisé : C
Programme utilisé : DEV C++
Introduction du programme
Les données de l’utilisateur
Écriture dans un fichier texte

La loi Uniforme
La loi Exponentielle
La loi Weibull trois paramètres
1
Il faut programmer la formule x      ( ln VA ) 

La loi Normale
Formule utilisée : X  X    2 ln VA1 cos(2VA 2 )

Vérification des variables générées
La loi Uniforme
Les valeurs sont bien

comprises entre 0 et 1
La loi Exponentielle
Le logiciel Arena utilise cette formule pour

la loi exponentielle :
x = -β *ln(1-VA)
donc on obtient β=1/ λ donc 1/5=0.2
La loi Weibull trois paramètres
On remarque que l’on obtient les

bons résultats (2-100-2)
La loi Normale
On obtient bien 5 et 1
Simulation
6ème Partie
Modélisation des résultats de simulation par les plans
d’expériences
110
Résultat:
Expérience Plan d’expérience
Simulation Information générale
Essai Optimisation
Recherche
Assurance qualité
But: Rechercher les facteurs influents dans notre

nature d’étude, la valeur de l’influence et l’interaction
entre les facteurs
Rq: Le nombre de facteurs d’étude est généralement

par rapport au nombre de réponse
111
Réponse d’un facteur: on suppose A est un facteur qui a
deux niveaux (-1 et 1)
Réponse de A
-1y1 et 1y2
Effet moyen: (y2-y1)/2
Effet globale: (y2-y1)
Interaction entre deux facteurs:

Il existe une interaction entre deux facteurs A et B si l’effet de A
dépend du niveau de B ou le cas contraire en le note A.B ou AB
112
Caractéristiques du plan factoriel:
Influence d’un facteur A sur une réponse on lui affecte au
moins 2 niveaux (-1) et (+1)
K: nombre de facteurs
Nombre d’essai nk
n: nombre de niveaux
n=2
K=2 domaine d’étude carré
K=3 domaine d’étude cube
Exemple: construction de matrice d’essaie
113
Caractéristiques du plan factoriel:
Influence d’un facteur A sur une réponse on lui affecte au
moins 2 niveaux (-1) et (+1)
Nombre d’essai nk
n=2
Exemple: construction de matrice d’essaie

Plans 22 sans interaction
Plan 22 avec interaction
114
Plan 22
1  1  1 1 
 
Matrice des essais
 1 1  1  1 
1  1 1  1 
 
1 1 1 1
Nombre d’essai nk
n=2
Exemple: construction de matrice d’essaie et

Plans 22 sans interaction
Plan 22 avec interaction
115
Indice codées: Facteur A
Niveau Valeur réelle
-1 VA -1
1 VA1
A
X A   1 A  VA1

-1 XA 1 1   1 VA1  VA1
X A   1 A  VA1

1   1 VA1  VA1
But: exprimer XA en fonction de A

116
Indice régression multilinéaire:
Exprimer la réponse en fonction des facteurs
Y vecteur réponse
A vecteur coefficient
X matrice des essaies
Y  a0  a1 X A  a2 X B  a3 X A X B ?
 Y  X .A
 Moy X A XB XAXB 
   Y0   a0 
1 1 1 1     
Y1  a1 
X  1 1 1 1  Y   A
   Y2   a2 
1 1 1 1     
1 1 1 1   Y3   a3 
 
1
 A  X .Y
117
Rappel Matricielle
Cas 1 : A carré
L'inverse d'une matrice A s'écrit sous une forme très simple à l'aide de la matrice complémentaire tcomA
où detA est le déterminant de A, comA est la comatrice de A et tA est la matrice transposée de A.
Cas 2 : A n’est pas carré
 
1
1
X  t
XX t
X
118
Analyse de la variance
Source de Variance dl Variance Fexp Fthéorique S/N

variance moyenne tableau
a0 ? 1 ? ? ? ?
… ? 1 ? ? ? ?
ak ? 1 ? ? ? ?
Regression A’.X’.Y K+1 A’.X’.Y/(k+1) ? ? ?
Variance E’.E n-(k+1) E’.E/(n-(k+1))

résiduelle
Total Y’.Y n
E  X .A  Y
Fexp(ai)= Variance moyenne (ai)/variance résiduelle moyenne (i{0,1..k})
n: nombre des essaies = nombre de lignes dans la matrice d’essai
Variance moyenne= Variance /dl
Calcul de la variance de ai et de la signification
a a1i a1l 
 11 
 
On def X ai  X (enlever la colonne de a i )=  a21 a2i a2 l 
 
 an1 ani anl 
 
 
-1
A ai  X ai .Y (i  {0,1..k})
Variance de ai  A '. X '.Y  Aai '. X ai '.Y (i {0,1..k})
Fexp (ai) 
Variance moyenne (ai) / variance résiduelle moyenne (i  0,1..k)
Si Fexp  ai   Fthéorique dl ( ai ),( n ( k 1))  (table) le coeficient ai est significatif

Signification totale
A '. X '.Y / (k  1)
Ftotale 
E '.E / (n - (k  1))
Si Ftotale  Fthéorique( k 1),( n ( k 1))  (table) régression :significatif
123
Exemples
analyse varaice_2_facteurs.m analyse varaice_2_facteurs-solution.m
prgram_variace_3_facteur.m
prgram_variace_3_facteur-solution.m
Intervalle de confiance
Cas 1: m et  sont connues
    
Yi   m  1.96  / n , m  1.96  / n  à 95%

m: moyenne de la VA
n: nombre de répliques
: écart type de la VA
Yi : la valeur de la VA à la réplique i
Cas 2: m inconnue et  connue
    
Yi  Y  u1 / 2  / n , Y  u1 / 2   / n 

n: nombre de répliques
: écart type de la VA
n
Y i
Y  i 1
n
u1-(/2):
On note souvent Pr =1- ou  probabilité que m intervalle
On nous donne Pr on cherche  puis on détermine à partir de la table de la loi
normale réduite la valeur de u1-(/2)
127
Cas 3: m et  inconnues (plus cohérent)
Yi  Y
   
 t ,1 / 2  S / n , Y  t ,1 / 2  S / n 
 
n: nombre de
répliques
n
Y i
Y  i 1
n
n n
 Y  Y   Y  Y 
2 2
i i
s2  i 1
s i 1
 n  1  n  1
t,1-(/2):
On note souvent Pr =1- ou  probabilité que m intervalle
On nous donne Pr on cherche  puis on détermine à partir de la table de
Student réduite la valeur de t avec =n-1
Pratique de la
Simulation
129
Merci pour votre attention

Cours Simulation Master 2 ISC GSI 2023

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Simulation Master 2 ISC GSI 2023

Transféré par

Droits d'auteur :

Formats disponibles

Simulation et plan

Conduite d’un projet de simulation

Principe de la simulation à événement discret

Génération des variables aléatoire

Modélisation des résultats de simulation par les plans d’expériences

 Approche systémique : elle est fondamentale

>>> Une vision globale est indispensable

 Avant la modélisation, il faut préciser quel(s) critère(s) de

Problème Construction d’un modèle

Implantation Recherche de solution

Génie industriel, Pannes des machines

 La flexibilité des systèmes exige que leur conception soit remise

Un modèle de simulation permet de représenter

 Elle permet de préciser le contexte de l’étude

 But : construction d’un modèle valide qui soit le plus simple

 Évaluation du comportement dynamique du système

 Utilisation d’outils statistique

Projet de simulation – les grandes étapes

Le recueil des données

Rédaction du dossier d'analyse fonctionnelle

 Construction des modèles de simulation

 Exploitation des modèles

Recueil des données "physiques"

Modélisation des phénomènes aléatoires

Loi d'arrivée , Temps inter-pannes,

Par des distributions

Projet de simulation – les distributions

Arrivées par 10 minutes

"Une Loi triangulaire vaut toujours mieux qu'une moyenne"

Arrivées par 10 minutes

Recherche de l’information ou collecte directe

Garbage In Garbage Out !

"Il décrit l'intégralité des fonctionnalités du modèle,

 Un descriptif du système modélisé

 Construisons-nous le système correctement ?

 Construisons-nous le bon système ?

Projet de simulation – les résultats

Fréquences observées (%)

 Expression des résultats avec leur dispersion,

 Etude de la sensibilité des résultats aux paramètres

Projet de simulation – quelques conseils

Réalisez un programme de simulation à l’aide de

-Fixer les variables d’entrés

-Fixer les variables de sortie

-Initialiser le temps à 0 (Tot=0), (Horloge virtuelle)

-Initialiser le système à simuler ( exemple machine en

-Revenir au début du programme pour voir le

-afficher les variables de sorties

Rappel: C’est un graphe dont les sommets représentent les

if r==1% second case machine up

elseif r==1% second case machine up

Soit une machine M fabriquant un seul type de produit. La fabrication

Réalisez un programme de simulation à évènement

Réalisez un programme de simulation à évènement

Génération des variables aléatoire

Moment d’une V.A discrète

Soit X une V.A discrète prenant ses valeurs dans

Le moment centré d’ordre nN* d’une V.A X : n 

Le moment non centré d’ordre nN* d’une V.A X : mn X  i pi x i n

On écrit symboliquement X →B(n,p)

On a n - 1 réalisations de l' évènement A au cours de

Moment d’une V.A continue

Soit X une V.A continue. On définit l’espérance

Elle est définie par: