Thorie des files dattente

Introduction

Les rseaux de file dattente constituent

un outil de modlisation des systmes
vnements discrets. Ils sont
particulirement adapts pour
modliser les systmes de production

Arrive des clients

File dattente Serveur

Dpart des clients

Dfinitions

Une station : elle se compose dune file

dattente et dun ou plusieurs serveurs.
Les clients arrivent de lextrieur,
attendent ventuellement dans la file
dattente, reoivent le service, puis
quittent la station
Un rseau de file dattente est un
ensemble de stations inter-connectes.
3

Dfinitions (suite)

Une station est dfinie par :

Un processus darrive : distribution de probabilit

pour les temps inter-arrives : A(t) = probabilit
(temps entre deux arrives conscutifs t)
Un processus de service : B(x) = probabilit (temps
de service x)
Une structure et une discipline :

Nombre de serveurs disponibles : C

Capacit de la file : K (ventuellement ). Il sagit du nombre
de clients dans la file et du nombre de clients dans le serveur.
Discipline de service :

PAPS (Premier arrive, premier servi)

DAPS (dernier arrive, premier servi)

Notation de Kendall pour une file dattente :

A/B/C/K
4

Rseau de file dattente ouvert

Un rseau ouvert : les clients arrivent de

lextrieur, circulent dans le rseau travers les
diffrentes stations puis quittent le rseau. Le
nombre de clients est variable
Un rseau ouvert (mono-classe) est dfini par :

La description de chacune des stations

Le processus darrive des clients dans le rseau
Le cheminement des clients dans le rseau

Dans un rseau ouvert capacit limite, le

nombre total de clients est born

Exemple
S1

S3

Arrive des
clients

S2

Dpart des
clients

Rseau de files dattente ferm

Dans un rseau ferm, le nombre de clients

est constant, il ny a ni arrive, ni dpart de
clients
Un rseau ferm mono-classe est dfini par :

La description de chacune des stations

Le nombre de clients prsents dans le rseau
Le cheminement des clients dans le rseau

Exemple de rseau ferm

S1

S2

S3
8

Remarques

On peut distinguer plusieurs classes de clients. Dans ce

cas, il faut :

Dfinir le processus darrive et de service pour chaque classe

La discipline de service entre les classes (modliser les
priorits entre les clients)

Une classe de clients est un ensemble de clients

stochastiquement quivalent
On distingue :

Rseau mono-classe (ouvert, ferm)

Rseau multi-classes (ouvert, ferm)

Dfinir les processus de cheminement des clients (taux de visite

moyen pour chaque station i et classe r : vir), les processus de
service (taux de service moyen : sir) et pour chacune des classes
ventuellement, le processus de changement de classe dun client
9

Comment calculer le nombre de

visites pour un rseau ouvert/ferm ?

Dans un rseau ouvert, le nombre de

visites sera compt entre lentre et la
sortie dun client du rseau
Dans un rseau ferm, le nombre de
visites est comptabilis entre deux
passages conscutifs dun mme client
par rapport une station prise comme
rfrence
10

Les paramtres tudier

Lors de lvaluation de la performance

dun rseau de files dattente, on peut
tudier :

Le dbit des clients chaque station

Le taux dutilisation de chaque serveur
Le nombre moyen de clients prsents
chaque station
Le temps moyen de rponse dun client
une station
11

Terminologie et Notations

Ltat du systme = Nombre de client dans le systme

de file dattente
Longueur de la file dattente = nombre de clients en
attente de service = tat du systme nombre de
clients en service
N(t) : Nombre de clients dans le systme linstant t
P(n) : Probabilit davoir n clients dans le systme
linstant t (en rgime permanent, le nombre de clients
dans le systme est indpendant du temps) = Pn
: Taux darrive moyen des clients
: Taux de service moyen des clients
12

Indicateurs de performance

np(n)

Q : Nombre moyen de clients dans le systme

n =0

Qf : Longueur de la file dattente

X : Dbit moyen

W : Temps de rponse moyen

( n c) p ( n)

n =C

(en rgime
permanent)
Q/X (loi de Little)

W f : Temps dattente moyen

U : Taux dutilisation moyen du serveur

Qf/X
1 p(0)
13

Quelques rappels sur les

processus stochastiques

14

Processus alatoire (stochastique)

Un processus alatoire est une famille de

variables alatoires Xt, t T
Exemple 1:
Xt : le niveau deau dans un rservoir
linstant t, aprs sa mise en service
Xt, t 0 est un processus stochastique
paramtre continu t et espace dtat
continu [0,c], c tant la profondeur deau
dans le rservoir
15

Processus alatoire (stochastique)

Exemple 2 :
Nt : le nombre de pices dans un
systme linstant t
Nt est un processus alatoire
paramtre continu t et tats discrets
(nombre de pices)
Fonction de rpartition
FX(x,t) = P(Xtx)=FXt(x)
16

Processus Markovien

Xt : un processus stochastique espace dtats

discrets ou continus et paramtres discrets ou
continus

Dans les cas des systmes de production considrs

comme des Systmes vnements discrets, nous
nous intressons aux processus stochastiques
paramtre continu et espace dtat discret.

Un processus stochastique est dit Markovien si

P(Xt+1 = j/X0=k0, X1=k1,Xt-1=kt-1,Xt=i) =
P(Xt+1 = j/Xt=i) t et squence k0, k1, ..kt-1,
i, j
17

Proprits dun processus Markovien

tant donn des vnements passs et un vnement

prsent, tout vnement futur est indpendant des
vnements passs et dpend uniquement de ltat
prsent.
Pour dfinir un processus Markovien :
P(Xt+dt = j / xt = i) = ij dt i,j
Avec ij : le taux de transition de ltat i ltat j
Une chane de Markov est un graphe n sommets
(reprsentant les tats 1,2,..n). Les arcs (i,j)
reprsentent les transitions entre ltat i et j (ij 0)
18

Proprit sans mmoire de la loi

exponentielle
t0

t0+t

P(Xt+t0/Xt0)= P(Xt+t0 et Xt0) / P(Xt0)

= [P(Xt+t0) + P(Xt0) P(Xt+t0
ou Xt0)] / P(Xt0)
= [P(Xt+t0) + P(Xt0) 1] / P(Xt0)
= [1-e-(t+t0) +(1-(1-e-(t0)))1] / (1 (1-e-(t0)))
= (e-(t0)) [-e-(t) +1] / (e-(t0))
= [1 - e-(t)] = P(Xt)
19

Exemple de processus Markovien

On considre une machine deux tats :

Panne (P)
Marche (M)

La dure de bon fonctionnement est une

loi exponentielle de taux (peut tre 1)
La dure de rparation est une loi
exponentielle de taux (peut tre 1)
20

10

Exemple (Suite)

P(Xt+dt=P/Xt=M) = dt
Cest la probabilit pour que la machine
tombe en panne entre t et t+dt sachant
qu t, elle tait en marche
P(Xt+dt=M/Xt=P) = dt
Cest la probabilit pour que la machine
fonctionne entre t et t+dt sachant qu
t, elle tait en panne
21

Exemple (Suite)

La chane de Markov pour cette exemple peut

tre reprsente par :

22

11

Mise en quation dune Chane de Markov

N

p(Xt+dt=j)=p(Xt=j)(1- ji dt) + p(Xt=i) ij dt

i=1,i j
i=1,i j

d p(X =j)=
dt
t

i=1,i j p(Xt=i) ij - i=1,i j p(Xt=j) ji

Cette quation est crire j=1..N

1j
j1
j

Nj

jN

23

Rgime limite
Thorme :
Il existe un rgime limite indpendant de ltat initial si
et seulement si il existe une seule classe dtats
ergodiques

3 classes dtats
ergodiques

24

12

Rgime limite
d p(X =j)= 0)
Rgime limite : t , p(Xt=j) p(j) ( dt
t
N

p(i) ij =

i=1,i j

p(j) ji : quations dquilibre

i=1,i j

Dans ce cours, on sintressera au rgime permanent

Il suffit dcrire les quations dquilibre et
N

lquation de normalisation : p(i)=1

i=1

25

Processus de renouvellement
t0=0

t1

t2 t3

t4

t5

T={ti} : suite dinstants alatoires

Processus darrive.
Xi = ti+1 ti : Temps inter-arrives
Le processus darrive T est un processus de
renouvellement si les variables alatoires Xi
sont indpendantes et identiquement
distribues
26

13

Processus de poisson

Un processus de poisson est un processus de

renouvellement o les temps inter-arrives
sont distribus selon une loi exponentielle.
Pour un processus de poisson de taux , la
probabilit dune arrive entre t et t+dt est
dt (ne dpend pas du pass : sans
mmoire)


Un processus de poisson de taux est un

processus Markovien et peut tre modlis par
une chane de Markov.
27

tude dune M/M/1

28

14

tude dune M/M/1

Temps inter-arrives suit une loi exponentielle de

paramtre
Temps de service suit une loi exponentielle de paramtre

Proprit sans mmoire de la loi exponentielle

Temps inter-arrives et de service indpendants du
pass
N(t) : nombre de clients dans la file linstant
t est indpendant du pass : Processus Markovien
29

Modlisation dune M/M/1 par une

Chane de Markov
Hypothse : dt petit Un seul vnement entre t et t+dt

n-1

n+1

quations dquilibre :
p(0)= p(1)
(+) p(n)= p(n-1)+ p(n+1) n1
On peut montrer par rcurrence que :
p(n)= p(n+1) n0
30

15

Modlisation dune M/M/1 par une

Chane de Markov
On pose : = (taux de charge)

Si 1 : le systme est satur

Si <1 : on peut calculer ltat dquilibre

p(n)= p(n+1) n0 On peut montrer par

rcurrence que : p(n)=n p(0) n0

Pour dterminer p(0), on utilise lquation de

normalisation :
p(n)=1

n=0

p(n) = 1 p(0)
n =0

p(0) *

n =0

p(n)=

1
= 1 p(0) = 1
1

(1-) n0
31

Performances dune M/M/1

Taux dutilisation du serveur : U=1-p(0)=

Dbit : X=*(1-p(0))=

Nombre moyen de clients dans le systme :

n =0

n=0

Q= np(n) = n

(1 ) = (1 )

d n
d
1

( ) = (1 )
(
)=
d n =1
d 1 1

Temps de rponse moyen : W=

=
= 1
X (1).

Loi de Little
32

16

tude dune M/M/C

C serveurs

33

valuation des performances

On peut dmontrer par rcurrence :

n

P0

n!
Pn =
c
n


n c


c! c P0 = c!c n c P0

Do

pour n = 1...c

pour n = c + 1...

n c
c1

P0=
+
n=0 n! c!(1 )
c

Avec : =

c
34

17

valuation des performances

Le nombre moyen de clients

dans la file

j +c

n =c

j =0

j =0

Q f = (n c )Pn = jPj + c =
c

=
P0
c!
j =0

j
c!c j

P0
c

j 1
j =
P0 j ( )
c
c!
c

j
=
0

j

c +1

c +1

c +1

c +1

j

d
j

=
P0 =
P0

c c!
d
c c!
d j = 0
j =0

d
1
=
P0
(
)=
c c!
d 1
c c!

(1 )2

P0

c +1

1
=
P
2 0
(c 1)!
c

35

Optimisation des files dattente :

Exemple dapplication
Le directeur logistique voudrait dterminer le nombre
de magasiniers, affecter au magasin nouvellement
implant dans lusine, qui fournit les ouvriers en
outils et en pices. Les magasiniers reoivent un
salaire de 9$ lheure (y compris les avantages
sociaux). Une heure de travail dun ouvrier est
value 30$ (y compris les avantages sociaux et le
temps attendre les pices). Par exprience, le
directeur de la logistique estime que les demandes
des ouvriers sont de lordre de 18 lheure alors que
la capacit de service est de 20 demandes lheure
par magasinier. Combien de magasinier devrait-on
affecter au magasin, si on suppose que le processus
darrives et de services sont des processus de
poisson et que le nombre douvriers qui se prsentent
au magasin est trs lev.
36

18

Optimisation des files dattente :

Exemple dapplication (suite)

Cot total (CT) = Cot dattente (Ca) + Cot de service (Cs)

= 20

C? serveurs

= 18

Calculer le cot total en fonction de diffrentes valeurs qui

correspondent au nombre de magasiniers (nombre de serveurs)

Le cot dattente est fonction du nombre moyen de clients dans le

systme.
Le cot de service dpend du nombre de serveurs.

Le taux dutilisation du systme : le rapport entre la demande

(mesure grce au taux ) et la capacit de service (produit du
nombre de serveurs C et du taux de service )
Choisir c / =

1
c

37

Optimisation des files dattente :

Exemple dapplication (Suite)
Cot total

Nombre optimum

Nombre de serveur

38

19

Optimisation des files dattente :

Exemple dapplication (suite)
Nombre de
magasiniers
(M)

Nombre moyen de
clients en attente
dans la file (nf)

Nombre moyen de
clients en attente
dans le systme
(ns = nf + /)

Cot de
service =
9$ x M

Cot
d'attente =
30$ x ns

Cot total

8,1

9,00 $

270,00 $

279,00 $

0,229

1,129

18,00 $

33,87 $

51,87 $

0,03

0,93

27,00 $

27,90 $

54,90 $

* Pour calculer nf utiliser les transparents 32 et 33 ou voir table

Lidal est demployer 2 magasiniers

39

Cas particulier : File dattente de

capacit finie (K)

La file dattente est a une capacit

limite

Exemple : Service durgence dun hpital

Le nombre maximum de client dans le

systme = K
Le nombre maximum de client en
attente dans la file = K-C (CK)
pour n = 0,1,..., K - 1
n =
0 pour n K

40

20

M/M/1/K

n-1

n+1

p(n) = p(0) = n p(0)

p ( n) = 1
n =0

p ( 0) =
p ( n) =

p ( 0) = 1 p ( 0) *

n =0

1 K +1
=1
1

1
K +1

1
1
1

K +1

41

M/M/C/K

42

21

Modle de ligne de fabrication

43

Introduction

Lorsque la structure du systme de production est simple il

nest pas ncessaire de faire appel des outils de
modlisation tels que les rseaux de files dattente
Modle ligne de fabrication

Ce modle doit prendre en compte des

phnomnes tels que les pannes des machines et
les blocages dus la capacit de stockage

44

22

Modle de rfrence
M1

B1

B2

M2

Taille C1

Bk-1

Taille C2

Mk

Taille Ck-1
sk : taux de production moyen
k : taux de panne
k : taux de rparation

Hypothses

Distribus exponentiellement

Toutes les pices passent successivement sur toutes les

machines
La machine M1 a toujours des pices en attente de service
La machine Mk a toujours de la place pour dposer sa
production
45

Taux de production de la ligne

Ci=, i=1..k
En rgime stationnaire, si une machine tombe en panne, la
production continue
On considre ti : le temps opratoire moyen de Mi (si = 1/ti)

Taux de production pour

une machine i

1
1 1
Ui = P(Mi ) = .
ti
ti 1+ i

Mi

Taux de production de la ligne

U max=Min
(1. 1 )
i
ti 1+ i
i

Pi
i

46

23

Taux de production de la ligne

Ci=0, i=1..k
Si une machine tombe en panne, la production sarrte
p(Pi) i=p(M) i
p(Pi)+p(M)=1

P(M ) =

1+
i =1

max

1
k

1
t max

P1

i
i

Pk

.P ( M )
47

Exercice

48

24

nonc

On considre un atelier flexible

comportant cinq stations de travail qui
sont les suivantes :

Station
Station
Station
Station
Station

1
2
3
4
5

:
:
:
:
:

chargement/dchargement (CD)
centre dusinage n1 (CU1)
centre dusinage n2 (CU2)
centre dusinage n3 (CU3)
poste dinspection (IN)

49

nonc (suite)

Latelier fabrique simultanment les deux types de

pices p1 et p2. Les ratios de production dsirs sont
1/3 de p1 et 2/3 de p2. Les pices sont transports
sur des palettes qui sont toutes identiques (10
palettes). Les gammes de fabrication des pices p1
et p2 sont respectivement donnes par G1 et G2, les
temps de service dans chacune des stations est celui
prcis entre parenthse.

G1 : CD(1) puis CU1 (3) puis CU2 (6) puis [IN (5) ou rien]
puis CD (1). Une pice sur deux est vrifie la station
dinspection.
G2 : CD (1) puis CU1 (6) puis CU3 (5) puis [IN (20) ou rien]
puis CD (1). Une pice sur dix est vrifie la station
dinspection.
50

25

nonc (suite)

Les transports des pices entre les stations se font

par des convoyeurs mais leurs dures sont
ngligeables devant les temps dusinage, sauf le
retour des pices de la station dinspection vers la
station de chargement/dchargement qui prend trois
units de temps.
Les stocks devant chacune des stations de travail
sont suffisamment grands pour viter des blocages.
A la station de chargement/dchargement lorsquune
palette arrive, elle est dcharge de la pice termine
et recharge aussitt par une nouvelle pice.
Toutes les files sont gres par la discipline PAPS.
51

Questions

Modliser latelier par un rseau de file

dattente et caractriser ce rseau.
Calculer le temps de service moyen et
le taux de visite moyen de chaque
station pour chaque type de produit et
pour chaque station.
52

26

Rseau de files dattente

forme produit

53

Introduction
Pour certains rseaux de files dattente simples on peut
utiliser pour le calcul de ses performances sur ce quon
appelle forme produit

Cest quoi une forme produit ?

On a M stations interconnectes dans le rseau de files

dattente en question
On considre ltat (n1, n2, , nM) o ni est le nombre de
clients la station i (le rseau tant monoclasse)
On veut connatre la probabilit p((n1, n2, , nM))
M

i(ni)
Forme produit : p((n1, n2, , nM)) = K.
i=1
Constante de
normalisation

ne dpend que de
la station i
54

27

Cas dun rseau ouvert monoclasse

Donnes
1

p12

p01

p24

p23
p03

p40

p34

p43

: taux darrive des clients de lextrieur

pij : proportion de clients qui, quittant la station i, vont la
station j
vi : taux de visite dun client une station i
i : taux de service la station i
55

Cas dun rseau ouvert monoclasse

Dbit des stations

Au rgime permanent on a :
M

i =1

p 0i = 1

p i 1 + p i 2 + ... + p iM 1, i = 1 .. M
pi0 = 1
vi = p 0i +

j =1

p ij , i = 1..M

v
j =1

p ji , i = 1 .. M

X i = vi
X i = p 0i +

j =1

X j p ji , i = 1 .. M

Ces quations sont

valables quelle que soit
la loi darrive
Les taux de service
ninterviennent pas
Mais ces quations
toutes seules ne
permettent pas de
dterminer les
performances du rseau
56

28

Cas dun rseau ouvert monoclasse

Hypothses de la forme Produit

1. Le processus darrive des clients extrieurs est un

processus de Poisson
2. Le cheminement des clients dans le rseau est Markovien
(les mouvements entre les stations ne dpendent que de la
dernire station visite et pas des autres)
3. Chaque station contient Ci serveurs de temps de service
moyen ti=1/i
4. Le temps de service est exponentiel
5. Les files dattente sont illimites
6. Les files dattente sont gres PAPS (sans premption)

57

Cas dun rseau ouvert monoclasse

Dans ces conditions on a :

Le nombre de clients dans une station donne ne dpend

pas du nombre de clients dans les stations voisines
La station i se comporte comme si elle tait alimente par
un processus de Poisson de taux Xi
M

pi(ni)
p((n1, n2, , nM))=
i=1
avec pi(ni) est la probabilit stationnaire davoir ni clients
dans une station M/M/Ci en isolation avec une charge i

i= Xi
i
58

29

Cas dun rseau ouvert monoclasse

Performances
Qi : Nombre moyen de clients dans la station i
Wi : Temps de rponse moyen la station i

Pour le rseau, on a :
M

Q=Qi
i=1

Q M
W = =vi Wi
i=1

59

Cas dun rseau ouvert multiclasses

Comme le cas dun rseau monoclasse

On tudie chaque station i en isolation avec un taux
de service ir et un taux darrive Xir, vrifiant :
M

X i = p0ri + X rj prji , i = 1..M ; r = 1..R

r

j =1

On dtermine les performances de chaque station

pour chaque classe
On dtermine les performances du rseau

60

30