MODELISATION DES

SYSTEMES
(X2025)
Par Dr ELOUNDOU Etienne François
Chargé de Cours
 Les systèmes dynamiques
L’être humain est habitué à construire et à utiliser des modèles mentaux
de la réalité qui l’entoure. Chaque fois que nous conduisons une voiture,
que nous traversons la rue, que nous prévoyons qu’il pleuvra ou que
nous attrapons un objet au vol, nous utilisons des modèles prédictifs qui
ont été construits sur base de nos expériences et de nos erreurs passées.
Dans les sciences, il est particulièrement intéressant d’étudier et de
modéliser des phénomènes, dont la configuration où les propriétés
changent avec le temps.
 Les systèmes dynamiques
Dans cette conférence nous appellerons systèmes dynamiques ces
phénomènes. Des exemples de systèmes dynamiques sont le
mouvement des planètes, la croissance d’une plante, la propagation
d’un virus, l’oscillation d’un pendule ou le flux de clients dans une
banque. De manière qualitative, la notion de système fait référence à
un assemblage d’éléments fonctionnant de manière unitaire et en
interaction permanente. La notion de système est utilisée dans
plusieurs domaines différents.
 Les systèmes dynamiques
Des exemples de systèmes sont:
— L’ensemble de propositions, d’axiomes, de principes et de conclusions qui
forment un corps de doctrine ou un tout scientifique (par exemple le système
d’Aristote ou le système newtonien en physique).
— L’ensemble de méthodes, de procédés organisés ou institutionnalisés pour
assurer une fonction (par exemple le système d’éducation, le système de production
ou le système de défense).
— L’ensemble d’éléments qui se coordonnent pour concourir à un résultat (par
exemple le système nerveux).
— Un appareillage, un dispositif ou une machine assurant une fonction déterminée
(ex. : système d’éclairage, système automobile, système d’exploitation).
 Les systèmes dynamiques
Si nous rajoutons l’attribut dynamique, nous mettons l’accent sur le fait
que les phénomènes qui concernent le système ont lieu dans le temps.
Dans la suite nous appellerons système dynamique une entité physique
qui jouit des propriétés suivantes :
(i) elle évolue dans le temps,
(ii) elle est soumise à un ensemble de signaux d’entrée (inputs) et
(iii) elle renvoie un ensemble de signaux de sortie (outputs). Notons
que l’entrée est normalement associée à une cause (par exemple une
force) et la sortie à un effet (par exemple une accélération).
 Les systèmes dynamiques
En effet, presque tous les phénomènes qui nous entourent ont d’importants aspects
dynamiques et peuvent être décrits par un ensemble d’entrées et sorties. Considérons par
exemple :
— un local chauffé (où l’entrée est le degré d’ouverture des vannes des radiateurs ainsi que le
nombre de personnes et la sortie est la température dans la pièce),
— un circuit électrique (où l’entrée est le courant et la sortie est la tension),
— un système masse-ressort (où l’entrée est la force appliquée à la masse et la sortie est la
position de la masse),
— un réservoir (où l’entrée est le débit en entrée et la sortie est le débit en sortie),
— un supermarché (où l’entrée est le flux de marchandises apportées par les camions
d’approvisionnement et la sortie est le flux de produits achetés par les clients),
— un système économique, un écosystème ou un organisme. Notons que dans tous ces
exemples les grandeurs caractéristiques changent dans le temps.
 Du phénomène au modèle

Plusieurs systèmes dynamiques peuvent être étudiés et analysés d’une

façon intuitive. Pour d’autres un prototype (ou une maquette) suffit à
nous éclairer sur le fonctionnement. Il existe toutefois des systèmes
dynamiques pour lesquels la relation entrée-sortie est souvent
compliquée et/ou incertaine
 Du phénomène au modèle
Des exemples sont les systèmes constitués par un grand nombre de
sous-systèmes et les systèmes pour lesquels l’effet d’une action de
contrôle est difficilement prévisible (par exemple l’effet d’un
mouvement de gouvernail sur la position d’un navire-citerne ). Aussi,
l’expérimentation par prototype a plusieurs désavantages : coût, lenteur,
impraticabilité, risque.
Une alternative réside dans l’étude abstraite du système. Ceci demande
une description formelle du phénomène en question. La construction
d’un modèle formel est souvent une procédure compliquée et peu
standardisée.
 Du phénomène au modèle
Considérons un phénomène environnemental qui est décrit verbalement (en
anglais) de la manière suivante : Worldwide we observe today an increasing
stress on natural resources and the natural environment. The reason for this is
a constant increase in population and economic activity and, as a consequence,
the consumption of the different resources and the dumping of wastes in the
environment. An important determinant of this resource and environmental
load is the consumption of resources and energy per capita. This consumption
has the tendency to increase as the pollution stress increases since resource
exploitation becomes more difficult. As consumption increases, the material
standard of living also improves with a corresponding effect on population
development. However, pollution and the diminishing natural resource have
feedback effects on the health and life expectancy of the population .
 Du phénomène au modèle
Un premier effort de formalisation pourrait passer par la transposition du
texte dans la représentation graphique en Figure ci-dessous qui a pour but
de résumer les aspects les plus intéressants de la description verbale.
Cette représentation (connue sous le nom de diagramme d’influence ) met
en évidence les variables les plus importantes et l’effet que le changement
de chacune d’entre elles a sur les autres. Par exemple la flèche labellisée
par le signe
− entre pollution et population sert à représenter le concept exprimé par la
phrase ...pollution and the diminishing natural resource have feedback
effects on the health and life expectancy of the population
 Du phénomène au modèle
Figure 1: Diagramme d’influence
+
Population consumption
- +
+ +

pollution
 Du phénomène au modèle
Cela signifie qu’une augmentation de la pollution entraînerait une
diminution de la population. Le formalisme du diagramme d’influence
est une manière non quantitative de décrire le comportement d’un
système. Si par contre la loi sous-jacente à un système dynamique est
décrite de manière quantitative par un formalisme mathématique, nous
obtenons un modèle mathématique.
Dans la suite nous entendrons par modèle d’un phénomène physique
l’expression dans un langage formel de tout ce que l’on connaît sur
ce phénomène. La relation entre la réalité, le modèle et la personne qui
utilise le modèle est à la base de la notion de modélisation.
La construction des modèles mathématiques
L’histoire de la science a montré que la formalisation des problèmes est
avantageuse dans plusieurs domaines.
Dans le passé l’activité de modélisation était plutôt liée à la physique.
Un exemple typique est la modélisation dans le domaine de la
mécanique (Newton, 1687).
Aujourd’hui toutes les sciences (mathématiques, humaines et
appliquées) sont caractérisées par une activité de définition, d’analyse et
d’utilisation de modèles. A titre d’exemple, citons les modèles utilisés
en physique, économie, finance, médecine, sociologie et toutes les
sciences de l’ingénieur.
La construction des modèles mathématiques
Les motivations d’un effort de modélisation sont multiples :
— Compréhension de la réalité : le modèle pourrait apporter une connaissance additionnelle sur les
mécanismes de fonctionnement d’un phénomène (comportements oscillatoires, états d’équilibre,
stabilité, instabilité).
— Génération de solutions : les solutions du modèle fournissent des exemples et des prédictions sur
le comportement du système. Parfois une solution peut être obtenue de manière analytique alors que
dans d’autres cas il faut avoir recours à la simulation numérique.
— Étude de dépendances structurelles : une fois qu’il est possible d’obtenir aisément de solutions, il
est intéressant étudier et analyser le comportement des solutions en fonction des paramètres ou de la
structure du modèle. L’analyse se focalise sur des notions comme stabilité, sensibilité et robustesse.
— Contrôle : il arrive souvent que le but final de la modélisation ne soit pas uniquement une plus
grande compréhension d’un phénomène, mais aussi la conception de règles ou d’un système de
contrôle capable d’amener le système vers un état désiré. La construction et l’identification des
modèles afin d’obtenir des stratégies de régulation sont l’objet de l’automatique
La construction des modèles mathématiques
L’utilisation courante des modèles ne doit pourtant pas nous faire
oublier leur caractère d’abstraction. Tout modèle est basé sur des
hypothèses simplificatrices. Donc, il ne représente jamais la réalité dans
toute sa finesse, mais il fournit une approximation d’autant meilleure
que l’on considère des lois plus fines et qu’on dispose de données de
meilleure qualité.
La construction des modèles mathématiques
Lors de l’établissement d’un modèle, on est constamment tenu de
trancher entre deux exigences contradictoires :
1. représenter la réalité avec précision et dans tous ses aspects,
2. ne pas compliquer exagérément le modèle. Ces considérations
peuvent être résumées de manière compacte par la citation suivante :
All the models are wrong, but ... some of them are useful
(George Box)
La construction des modèles mathématiques
Par exemple, supposons vouloir modéliser les lois qui régissent les
mouvements des astres. Il est reconnu que la mécanique quantique est
une théorie plus exacte que la mécanique classique, tout en restant
beaucoup plus difficile à manier.
Il en suit que, puisque les effets quantiques sur les mouvements des
astres semblent négligeables, typiquement il est plus commode d’utiliser
la mécanique classique afin de décrire, comprendre et prédire
l’evolution de ces phénomènes.
La construction des modèles mathématiques
La précision d’un modèle doit donc être pondérée par sa complexité
comme énoncé par le principe de parcimonie, aussi connu sous le nom
de rasoir d’Ockam, qui est un des principes fondamentaux de la science.
Selon ce principe :
Entia non sunt multiplicanda praeter necessitatem
c.-à-d. les modèles ne doivent pas être rendus excessivement
compliqués si ceci n’est pas nécessaire. En d’autres termes, parmi deux
modèles avec le même pouvoir prédictif, c’est au plus simple que nous
devrions accorder notre préférence.
La construction des modèles mathématiques
On peut répartir les modèles selon plusieurs critères. Une répartition qu’on retrouve souvent
dans la littérature scientifique distingue deux types de modèles.
Modèles structuraux ou comportementaux : ce sont les modèles caractérisés par leur
analogie avec le système réel. Leur but principal est de fournir une explication qualitative du
fonctionnement du système réel. Typiquement ils s’appuient sur la connaissance à priori de
l’expert. On retrouve des modèles de ce genre notamment dans la médecine et la biologie.
Modèles fonctionnels : parmi ceux-ci figurent les modèles qui représentent le
comportement d’un système sur la base de relations entrée-sortie. Typiquement, ces modèles
négligent la structure interne du système, en visant exclusivement une prédiction fiable du
comportement extérieur du système. Ils sont aussi nommés modèles boîte-noire car les
paramètres qui les caractérisent n’ont aucune signification physique. Les modèles boîte-
noire sont couramment utilisés dans l’identification des systèmes dynamiques, dans les
procédés de régulation automatique et pour la prédiction des séries temporelles (par exemple
en finance).
La construction des modèles mathématiques
Cette distinction soulève une question intéressante à propos du rôle du
modèle en tant qu’outil explicatif d’un phénomène par rapport à son
pouvoir prédictif. Nous nous bornerons ici simplement à rappeler au
lecteur que le pouvoir explicatif d’un modèle ne doit jamais être obtenu
au détriment de son pouvoir prédictif. A ce propos l’anecdote suivante
pourrait nous éclaircir sur les enjeux de la question :
La construction des modèles mathématiques
Quand Laplace eut publié sa Mécanique céleste, l’empereur le fit venir.
L’empereur était furieux :
“ Monsieur de Laplace, je ne trouve pas dans votre système mention de
Dieu ?” Laplace répondit : “Sire, je n’ai pas eu besoin de cette
hypothèse. Cette hypothèse, Sire, explique en effet tout, mais ne permet
de prédire rien. En tant que savant, je me dois de vous fournir des
travaux permettant des prédictions.”
La modélisation orientée objet (Matériel et
logiciel)
Une grande défaillance des Systèmes informatiques;
80% de logiciel ;
20% de matériel;
31% des projets ont été abandonnés (les fonctionnalités, ,,) les critères de qualité de
l’utilisateur final
Depuis quelques années, la fabrication de matériel est assurée par quelques
fabricants seulement,
Le marché est relativement stable
Le marché est standardisé
Les problèmes liés à l’informatiques sont essentiellement des problèmes de logiciel
La modélisation orientée objet (Matériel et
logiciel)
La crise du logiciel:
Sur une étude de 8380 projets, (Standish Group, 1996)
Succès; 16%
Problématique: 53% ( budget dépassé, délais non respectés, défauts de
fonctionnalités)
Echec: 31% abandonnés
Le taux de succès décroît avec la taille des projets et la taille des entreprises
Génie logiciel (Software engineering):
Comment faire des logiciels de qualité?
Qu’attent-on d’un logiciel? Qu'est ce qu’un logiciel de qualité?
La modélisation orientée objet (Matériel et
logiciel)
Critères de qualité d’un bon logiciel;
Utilité
Utilisabilité
Fiabilité
Interopérabilité
Performance
Portabilité
Réutilisabilité
Facilité de maintenance
La modélisation orientée objet (Matériel et
logiciel)
Le processus de fabrication est garant de la réussite du produit
Pour obtenir un système de qualité, il faudrait en maîtriser le processus
d’élaboration.
La vie d’un logiciel est composé de différentes étapes, la succession de
ces différentes étapes forme le cycle de vie du logiciel.
il faudrait contrôler la succession de ces différentes étapes.
La modélisation orientée objet (Matériel et
logiciel)
Les Etapes de développement d’un logiciel:
Etudes de faisabilité
Spécification
Déterminer les spécifications du logiciel
Conception
Déterminer la façon dont le logiciel fournit les différentes fonctionnalités recherchées
Codage
Test
Essayer le logiciel sur des données d’exemple afin de s’assurer qu’il fonctionne
correctement
Maintenance
La modélisation orientée objet (Matériel et
logiciel)
Une autre définition de la modélisation
Modélisation
Réalités
(Représentations Modèles
mentales, (Représentations
règlementations, schématiques,
connaissances) formulations
rigoureuses…)

Implémentation
La modélisation orientée objet (Matériel et
logiciel)
Un modèle
Un modèle est une représentation abstraite de la réalité qui exclut
certains détails du monde réel en assurant:
-La représentativité
-la généricité
-L’abstraction
Un sujet d’études peut avoir plusieurs modèles,
La modélisation orientée objet (Matériel et
logiciel)
Les langages de modélisation
Un langage de modélisation est un langage qui permet de définir un modèle, il doit définir:
-La sémantique des concepts
-la représentativité des concepts
-Les règles de construction et d’utilisation des concepts
Des langages différents à différents niveaux de formalisation
Langages formels (Z, B, VDM), le plus souvent mathématiques, avec un fort pouvoir d’expression, permettant
des preuves formelles sur la spécification
Langages semi-formels (MERISE, UML…) le plus souvent graphique, au plus faible pouvoir d’expression
mais plus pratiques
L’industrie du logiciel dispose de nombreux langages de modélisation
Adaptés aux systèmes procéduraux (MERISE…)
Adaptés aux systèmes temps réels (ROOM, SADT…)
Adaptés aux systèmes à objets (OMT, BOOCH,UML…)