Files Attente

Chapitre 4 : Files d’attente
Alexandre Blondin Massé
Laboratoire d’informatique formelle

Université du Québec à Chicoutimi
23 mai 2014
Cours 8INF802
Département d’informatique et mathématique
A. Blondin Massé (UQAC) 23 mai 2014 1 / 59

Table des matières
1. Introduction
2. Mesures
3. Processus de Poisson
4. Simulation
5. SimPy

Files d’attente
Les problèmes de files d’attente surviennent dans des contextes

très variés :
I Lignes aériennes;
I Transplantation d’organes;
I Cour de Justice;
I Traitement de processus informatiques;
I Prendre de l’essence dans une station-service;
I Transactions quotidiennes à la banque, etc.

Intérêt
I Plusieurs problèmes de files d’attente ont des solutions

analytiques;
I Autrement, on peut toujours recourir à des simulations;
I Dans les applications concrètes, les solutions permettent de
réduire substantiellement les coûts;
I Elles facilitent également la prise de décision.

Trois entités de base
I Les trois entités de base d’un système de file d’attente

sont :
1. Le client, qui est la personne ou la chose qui attend un

service;
2. Le serveur, qui est la personne ou la chose qui fournit
un service;
3. La file d’attente, qui est un groupe de clients attendant
un service. Elle peut être ordonnée ou non.
I L’identification de ces entités est parfois complexe.

Client
I La description du temps d’arrivée des clients s’appelle

processus d’arrivée;
I Est-ce que les arrivées sont indépendantes ? par groupe ? Y
a-t-il des moments de grand achalandage ?
I Souvent, on choisit une loi de probabilité qui décrit les
arrivées en question;
I Certaines actions peuvent être effectuées par les clients;
I Renoncer (en anglais, reneging) : le client quitte avant
d’être servi;
I Changer de file (en anglais, jockeying);
I Ces actions rendent souvent l’analyse plus complexe.

Serveur
I Il s’agit de l’entité qui accède aux requêtes des clients;

I Le temps de service peut aussi être décrit par une loi de
probabilité ou être entièrement déterministe;
I Est-ce que le service se fait à l’unité ? par groupe ?
I Est-ce que le temps de service dépend du type de client ?
du moment de la journée ?
I La configuration des serveurs peut également influencer :
I Combien y a-t-il de serveurs ?
I Sont-ils identiques et peuvent offrir le service en
parallèle ? Ou plutôt en série ?

Files d’attente
I Plusieurs façons de gérer la file;

I Premier arrivé, premier servi (FIFO);
I Avec priorité ?
I Il peut y avoir différents types de files;
I Combien y en a-t-il ?

Banque
I Client ? Celui qui effectue une transaction ou la transaction

elle-même;
I Serveur ? Le commis, l’ordinateur central ou le guichet
automatique;
I Typiquement, on a une file d’attente et plusieurs serveurs.
Supermarché
I Client ? Celui qui achète, les items achetés, le paiement;

I Serveur ? Le caissier, la caisse-enregistreuse, le scanner,
l’emballeur;
I Typiquement, on a une file d’attente par serveur.
SAAQ
I Client ? Plusieurs types possibles (renouvellement, nouveau

permis, etc.);
I Files d’attente ? Différents types aussi (prise de photo,
traitements courants, transferts de véhicule).

Table des matières
1. Introduction
2. Mesures
4. Simulation
5. SimPy

Mesures de performance
I Lorsqu’on modélise un système de file d’attente, plusieurs
statistiques sont intéressantes;
I Temps d’arrivé : le temps où le client arrive dans la file;
I Temps de départ : le temps où le client quitte la file, après
avoir été servi;
I Temps de départ de la file : le temps où le client quitte la
file et commence à être servi;
I Temps d’attente : le temps de départ de la file moins le
temps d’arrivée;
I Temps de service : le temps de départ moins le temps de
départ de la file;
I Temps dans le système : le temps d’attente plus le temps
de service.
Critères du client
I Temps d’attente : idéalement le plus court possible;

I Temps de service : parfois considéré moins coûteux que le
temps d’attente;
I Coût d’attente : certains clients ont un coût d’attente plus
élevé que d’autres;
I Services complétés à temps : Le nombre de services
complétés avant une limite;
I Retard : Si le service est terminé en retard, l’importance du
retard peut aussi être considérée.

Performance du serveur
I Temps de service : plus il est court, plus efficace le service

est;
I Proportion d’utilisation : pourcentage du temps où le
serveur est en service;
I Rythme de service : le rythme auquel les clients sont servis;
I Proportion d’abandon : le pourcentage de clients qui
quittent avant d’être servis;
I Longueur de la file : une longue file demande plus d’espace.

Diagrammes cumulatifs (1/2)
On introduit la notation suivante :
I A(t) est le nombre de clients arrivés entre 0 et t;
I Ds (t) est le nombre de clients qui ont quitté le système
entre 0 et t;
I Ds (t) est le nombre de clients qui ont quitté la file entre 0
et t;
Client Arrivée Service Départ du système

1 9:36 9:36 9:40
2 9:37 9:40 9:44
3 9:38 9:44 9:48
4 9:40 9:48 9:52
5 9:45 9:52 9:56

0
9:30 9:40 9:50 10:00

A(t)
5
0
9:30 9:40 9:50 10:00

A(t)
5 Dq (t)
0
9:30 9:40 9:50 10:00

A(t)
5 Dq (t)
Ds (t)
4
0
9:30 9:40 9:50 10:00

A(t)
5 Dq (t)
Ds (t)
4
0
9:30 9:40 9:50 10:00
I Les temps d’attente correspondent à des distances

horizontales;

A(t)
5 Dq (t)
Ds (t)
4
0
9:30 9:40 9:50 10:00
I Les temps d’attente correspondent à des distances

horizontales;
I La longueur de la file correspond à des distances verticales.

Nombre de clients
On utilise la notation suivante :
I Lq (t) est le nombre de clients dans la file au temps t;

Nombre de clients
I Ls (t) est le nombre de clients dans le système au temps t;

Nombre de clients
0
9:30 9:40 9:50 10:00

Nombre de clients
1
Lq (t)
0
9:30 9:40 9:50 10:00

Nombre de clients
1
Lq (t)
Ls (t)
0
9:30 9:40 9:50 10:00

Temps d’attente (1/2)
Les fonctions A, Dq et Ds sont inversibles :

I A−1 (n) est le temps de la n-ième arrivée d’un client;
I Dq−1 (n) est le temps du n-ième départ de la file;
I Ds−1 (n) est le temps du n-ième départ du système;
n A−1 (n) D−1

q (n) D−1
s (n)
1 9:36 9:36 9:40
2 9:37 9:40 9:44
3 9:38 9:44 9:48
4 9:40 9:48 9:52
5 9:45 9:52 9:56

Temps d’attente (2/2)
I On en vient naturellement à définir les quantités suivantes :
I Wq (n) est le temps d’attente dans la file du n-ième

client;
I Ws (n) est le temps d’attente dans le système du
n-ième client.
I Clairement, si la file d’attente est du type FIFO, alors
Wq (n) = Dq−1 (n) − A−1 (n)

Ws (n) = Ds−1 (n) − A−1 (n).

Utilisation du serveur
I En tout temps, le nombre de serveurs occupés est donné
par Dq (t) − Ds (t), qui correspond au nombre de clients en
service;
I L’utilisation moyenne est le nombre moyen de serveurs
occupés par rapport au temps;
I La proportion d’utilisation est égale à l’utilisation moyenne
divisée par le nombre total de serveurs disponibles;
I Le temps d’inactivité est le temps pendant lequel
1. Dq (t) − Ds (t) est plus petit que le nombre de serveurs

et
2. A(t) − Dq (t) = Lq (t) est plus grand que 0.
I Pour mesurer le nombre de clients qui renoncent, il faut
utiliser un diagramme supplémentaire.
Statistiques sur le temps d’attente
I La distribution du temps d’attente est une mesure très
précieuse de la performance du système;
I Les temps d’attente moyen sont calculés comme suit :
PN
n=1 Wq (n)
Wq = ,
N
PN
n=1 Ws (n)
Ws = .
N
I Et pour évaluer la dispersion des données, on calcule
l’écart-type :
s
PN 2
n=1 [Wq (n) − Wq ]
σWq = ,
N
s
PN 2
n=1 [Ws (n) − Ws ]
σWs = .
N
Statistiques sur la longueur de la file
I Il en va de même pour la distribution de la longueur de la
file;
I La longueur moyenne est donnée par
Rb
Lq (t)dt
Lq = a ,
b−a
Rb
Ls (t)dt
Ls = a .
b−a
I Et l’écart-type est
s
Rb
− Lq ]2 dt
a [Lq (t)
σLq = ,
b−a
s
Rb
− Ls ]2 dt
a [Ls (t)
σLs = .
b−a
Formule de Little (1/2)
5
4
3
2
1
0
I Il est clair que

N
X Z b
Wq (n) = Lq (t)dt.
n=1 a
où [a, b] commence/termine avec 0 client.

5
4
3
2
1
0
I Il est clair que

N
X Z b
Wq (n) = Lq (t)dt.
n=1 a
où [a, b] commence/termine avec 0 client.

I De la même façon
N
X Z b
Ws (n) = Ls (t)dt.
n=1 a
I Par conséquent,
N Wq = (b − a)Lq .
I Soit λ = N/(b − a) le nombre moyen de clients qui arrivent
par unité de temps;
I Alors les formules suivantes sont vérifiées peu importe le
type de file d’attente impliquée :
Formules de Little
Lq = λWq
Ls = λWs .

Remarques additionnelles
I Lorsqu’il y a plusieurs serveurs, les diagrammes cumulatifs

sont également adéquats;
I En revanche, si la file n’est pas de type FIFO, la lecture du
diagramme doit être faite différemment;
I Par exemple, si on a un système LIFO, alors le temps
moyen est le même, mais l’écart-type augmente;

Techniques de mesure
I La mesure des différentes quantités pour évaluer la

performance d’un système peut être très simple ou
compliquée;
I Lorsque le système n’est pas complètement informatisé,
certaines informations peuvent être difficiles ou impossibles
à enregistrer :
I Un tourniquet dans un métro;
I Une carte magnétique;
I L’anonymat de certains systèmes;
I La taille importante;
I etc.

Table des matières
1. Introduction
2. Mesures
4. Simulation
5. SimPy

Arrivée des clients
I Lorsqu’on simule l’arrivée des clients, il faut évidemment

un modèle approprié;
I Il s’avère que le processus de Poisson est souvent un
excellent candidat :
I Il s’agit d’un processus très simple;
I Il donne des résultats très réalistes.
I Permet de modéliser de nombreux phénomènes physiques
ou issus d’autres domaines.

Processus
I Un processus de comptage est une fonction N (t) telle que
1. N (t) ≥ 0, pour t ∈ R;
2. N (t) est entier pour t ∈ R;
3. Si s ≤ t, alors N (s) ≤ N (t) peu importe s, t ∈ R.
I On dit d’un processus de comptage qu’il a des incréments
indépendants si le nombre d’événements de toute paire
d’intervalles de temps disjoints sont statistiquement
indépendants;
I On dit d’un processus de comptage qu’il a des incréments
stationnaires si le nombre d’événements dans un intervalle
de temps ne dépend que de la longueur de l’intervalle.

Processus de Poisson (1/2)
I Plus formellement, un processus de Poisson de moyenne λ

est un processus de comptage N (t) si
1. Le processus a des incréments indépendants;

2. Le processus a des incréments stationnaires;
3. Pour tout nombre dt suffisamment petit,
P (N (t + dt) − N (t) = 0) = 1 − λdt

P (N (t + dt) − N (t) = 1) = λdt
P (N (t + dt) − N (t) > 1) = 0
I Le paramètre λ indique le nombre moyen de clients qui

arrivent par unité de temps;
I Par exemple, si λ = 10/heure, alors on s’attend à ce qu’il y
ait 5 clients qui arrivent dans un intervalle de 30 minutes.

Processus de Poisson (2/2)
I Évidemment, le nombre de clients arrivant dans un

intervalle de temps donné peut être complètement différent
de λ = 10/heure;
I De plus, si on prend un petit intervalle de temps, par
exemple 1 seconde, alors la probabilité qu’un client arrive
dans cet intervalle est d’environ 10/3600 = 0.00278;
I En d’autres mots,
1. La probabilité qu’un client arrive à un moment donné

ne dépend pas de l’arrivée des autres clients;
2. La probabilité qu’un client arrive à un moment donné
ne dépend pas du temps en question;
3. Les clients arrivent un seul à la fois.

Distribution de Poisson
I Rappelons qu’une variable aléatoire X suit une loi de

Poisson si sa fonction de masse est
(λt)x −λt
f (x) = e , x = 0, 1, 2, . . . ,
x!
où λ est une constante;
I Une façon alternative de définir un processus de Poisson est
de dire que
1. C’est un processus avec incréments indépendants;

2. Le nombre d’événements dans n’importe quel intervalle
de temps de longueur t suit un loi de Poisson de
moyenne λt.

Temps entre arrivées des clients
I Rappelons que la distribution exponentielle est une loi

continue dont les fonctions de densité et de répartition sont
f (x) = λe−λx , x≥0

−λx
F (x) = 1 − e , x ≥ 0.
I En particulier, si X suit une loi exponentielle et que N (t)

est un processus de Poisson, alors
P (X ≥ t) = 1 − F (t) = e−λt = P (N (t) = 0).
I On en conclut donc que les temps entre les arrivées suivent

des lois exponentielles indépendantes de moyenne 1/λ.

Estimation des paramètres
I En pratique, on ne connaît pas λ et il faut l’estimer;

I Il existe de nombreux tests statistiques et techniques
d’estimation de paramètres pour calculer cette valeur :
I Maximum de vraisemblance;
I Intervalle de confiance;
I Test d’adéquation;
I Test d’indépendance.
I En particulier, on peut vérifier si un modèle par processus
de Poisson semble adéquat dans une situation;
I On peut aussi identifier les sous-intervalles pertinents (par
exemple, l’avant-midi, λ = 10, l’après-midi, λ = 15).

Table des matières
1. Introduction
2. Mesures
4. Simulation
5. SimPy

Simulation de variables aléatoires
Nous avons vu aux cours précédents comment simuler

I Une loi uniforme
I à l’aide d’un générateur pseudo-aléatoire;
I Une loi de Poisson et une loi exponentielle
I à l’aide de la transformation inverse;
I Une loi normale
I à l’aide du théorème de Box-Müller;

Simulation d’un processus de Poisson
I Première méthode :
I On calcule les temps entre les arrivées;
I Pour cela, il suffit de simuler des variables
exponentielles;
I Deuxième méthode :
I On simule d’abord une variable de Poisson sur un
intervalle [a, b];
I Puis on simule des variables uniformes autant de fois
que la valeur obtenu pour la variable de Poisson;
I Finalement, on trie en ordre croissant les temps
d’arrivée ainsi générés.

Simulation d’un processus de renouvellement
I Une généralisation naturelle d’un processus de Poisson est

appelée processus de renouvellement;
I Le temps entre les arrivées est toujours indépendant;
I De plus, le temps entre les arrivées est identiquement
distribué;
I Par contre, les temps d’arrivée ne sont pas indépendants;
I Autrement dit, les incréments ne sont pas indépendants;
I Cela permet d’avoir une distribution autre que la
distribution exponentielle pour les temps entre les arrivées.

Temps d’arrivée dépendants
I On s’intéresse à l’achalandage de voitures sur une
autoroute;
I À une borne donnée, on enregistre le passage des voitures;
I On suppose que les intervalles de temps entre les arrivées
sont indépendants;
I Par contre, on remarque qu’il est impossible que deux
voitures passent au marqueur dans un intervalle plus petit
que 1 seconde.
I La distribution des temps entre arrivée Ti est donc une
exponentielle décalée
(
0, si h < a;
P (Ti ≤ h) = −λ(th−a)
1−e , si h ≥ a.

Simulation d’une file d’attente
I Il faut tenir compte
I du temps de service et
I des arrivées des clients.
I Le modèle le plus simple est celui où
I Le temps de service ne dépend pas des temps d’arrivée
ni de la longueur de la file;
I Les clients arrivent selon un processus de Poisson.
I Dans ce cas, on parle d’une simulation à événements
discrets;
I Un autre type de simulation est la simulation en temps réel
ou simulation chronologique.

Notation
On introduit la notation suivante :

I A(t) est l’ensemble des clients qui sont arrivés avant t;
I A(t) est l’ensemble des clients qui ne sont pas arrivés avant
t;
I D(t) est l’ensemble des clients qui ont quitté le système
avant t;
I D(t) est l’ensemble des clients qui n’ont pas quitté le
système avant t;
I S(n) est le temps de service pour le client n.

Exemple
I Considérons les données suivantes :

n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
I Alors
A(9:15) = {1, 2, 3}
A(9:15) = {4, 5}.

Calcul des événements (1/3)
I Tout d’abord, on calcule le moment du prochain événement

à partir de t;
I Il y a deux possibilités, (1) une nouvelle arrivée ou (2) un
départ du système;
I Le moment du prochain événement est donc
( )
−1
T (t) = min min A (n), min Ds−1 (n) .
n∈A(t) n∈D(t)
I Ensuite, on met à jour le système selon l’événement;

Si le prochain événement est une arrivée, alors
1. On incrémente A(t) de 1;
2. On met à jour les ensembles A(t) et A(t);
3. S’il y a un serveur disponible,
(a) On incrémente Dq (t) de 1;

(b) On enregistre le temps de départ du système de ce
client à t + S(n).

Si le prochain événement est un départ du système, alors
1. On incrémente Ds (t) de 1;
2. On met à jour les ensembles D(t) et D(t);
3. S’il y a un client dans la file,
(a) On incrémente Dq (t) de 1;

(b) On choisit le client le plus prioritaire;
(c) On enregistre son temps de départ à t + S(n).
Puis on recalcule T (t).

Exemple
Reprenons l’exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
Alors on obtient les valeurs suivantes :
Temps A(t) D(t) A(t) Dq (t) Ds (t) Événement
9:00 ∅ ∅ 0 0 0 Initialisation

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ
9:12 {1, 2, 3} {1} 3 2 1 Arrivée

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ
9:12 {1, 2, 3} {1} 3 2 1 Arrivée
9:16 {1, 2, 3} {1, 2} 3 3 2 Départ

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ
9:12 {1, 2, 3} {1} 3 2 1 Arrivée
9:16 {1, 2, 3} {1, 2} 3 3 2 Départ
9:18 {1, 2, 3} {1, 2, 3} 3 3 3 Départ

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ
9:12 {1, 2, 3} {1} 3 2 1 Arrivée
9:16 {1, 2, 3} {1, 2} 3 3 2 Départ
9:18 {1, 2, 3} {1, 2, 3} 3 3 3 Départ
9:20 {1, 2, 3, 4} {1, 2, 3} 4 4 3 Arrivée

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ
9:12 {1, 2, 3} {1} 3 2 1 Arrivée
9:16 {1, 2, 3} {1, 2} 3 3 2 Départ
9:18 {1, 2, 3} {1, 2, 3} 3 3 3 Départ
9:20 {1, 2, 3, 4} {1, 2, 3} 4 4 3 Arrivée
9:25 {1, 2, 3, 4, 5} {1, 2, 3} 5 4 3 Arrivée

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ
9:12 {1, 2, 3} {1} 3 2 1 Arrivée
9:16 {1, 2, 3} {1, 2} 3 3 2 Départ
9:18 {1, 2, 3} {1, 2, 3} 3 3 3 Départ
9:20 {1, 2, 3, 4} {1, 2, 3} 4 4 3 Arrivée
9:25 {1, 2, 3, 4, 5} {1, 2, 3} 5 4 3 Arrivée
9:26 {1, 2, 3, 4, 5} {1, 2, 3, 4} 5 5 4 Départ

Exemple
n A−1 (n) S(n)
1 9:05 4 min
2 9:08 7 min
3 9:12 2 min
4 9:20 6 min
5 9:25 7 min
9:05 {1} ∅ 1 1 0 Arrivée
9:08 {1, 2} ∅ 2 1 0 Arrivée
9:09 {1, 2} ∅ 2 2 1 Départ
9:12 {1, 2, 3} {1} 3 2 1 Arrivée
9:16 {1, 2, 3} {1, 2} 3 3 2 Départ
9:18 {1, 2, 3} {1, 2, 3} 3 3 3 Départ
9:20 {1, 2, 3, 4} {1, 2, 3} 4 4 3 Arrivée
9:25 {1, 2, 3, 4, 5} {1, 2, 3} 5 4 3 Arrivée
9:26 {1, 2, 3, 4, 5} {1, 2, 3, 4} 5 5 4 Départ
9:33 {1, 2, 3, 4, 5} {1, 2, 3, 4, 5} 5 5 5 Départ
Temps de service
I Souvent, les temps d’arrivée sont modélisés par des

processus de Poisson;
I En revanche, les temps de service varient énormément :
I Temps constant;
I Loi exponentielle;
I Loi normale;
I Loi gamma, etc.
I Souvent, le temps de service peut être prédit si on connaît
le type de client;
I Par exemple, au supermarché, le temps dépend du nombre
d’articles.

Notation de Kendall
La notation de Kendall est utilisée pour décrire les paramètres
d’une file d’attente :
A/S/c/K/N/D
où
I A est la distribution de probabilité des temps entre les
arrivées;
I S est la distribution de probabilité du temps de service;
I c est le nombre de serveurs;
I K est la capacité de la file d’attente;
I N est la taille de la population de clients;
I D est la discipline de la file.
Valeurs classiques
I Pour les temps entre les arrivées et les temps de service :

I M : Markov, pour un processus de Poisson;
I M M P P : Markov modulated Poisson process, pour les
arrivées en groupes;
I D : déterministe;
I G : générale.
I Le nombre de serveurs : 1 ou c;
I La capacité de la file : finie ou infinie;
I La taille de la population : finie ou infinie;
I Discipline : FIFO, LIFO, avec priorité, aléatoirement.

Solutions analytiques
Des solutions analytiques (complètes ou partielles) sont connues

pour plusieurs types de files d’attente
I M/M/1;
I M/M/c;
I M/M/∞;
I M/M/c/K;
I M/G/1/∞
I etc.

Table des matières
1. Introduction
2. Mesures
4. Simulation
5. SimPy

SimPy
I SimPy est un ensemble de fonctions et de services

permettant de simuler des événements discrets;
I Il est basé sur le langage Python;
I Les générateurs Python permettent de modéliser les
processus ou les agents du système;
I Les simulations peuvent être exécutées en temps réel ou
manuellement;
I Pas approprié pour les simulations continues.

Simulation de chronomètres
import simpy
# A Python generator simulating a clock

def clock(env, name, tick):
while True:
print(name, "{0:.2f}".format(env.now))
yield env.timeout(tick)
# Setting up the environment

env = simpy.Environment()
env.process(clock(env, ’fast’, 0.4)) # A fast clock
env.process(clock(env, ’slow’, 1)) # A slow clock
# Running the simulation

env.run(until=10)

Simulation de chronomètres
import simpy
# A Python generator simulating a clock

def clock(env, name, tick):
while True:
print(name, "{0:.2f}".format(env.now))
yield env.timeout(tick)

env = simpy.Environment()
env.process(clock(env, ’fast’, 0.4)) # A fast clock
env.process(clock(env, ’slow’, 1)) # A slow clock

env.run(until=10)
Résultat :
(’fast’, ’0.00’)
(’slow’, ’0.00’)
(’fast’, ’0.40’)
(’fast’, ’0.80’)
(’slow’, ’1.00’)
(’fast’, ’1.20’)
(’fast’, ’1.60’)
(’slow’, ’2.00’)
(’fast’, ’2.00’)
(’fast’, ’2.40’)
(’fast’, ’2.80’)

Chaîne de Markov
I On peut facilement modéliser des chaînes de Markov à

l’aide de SimPy;
I Essayons ensemble de modéliser l’exemple de la météo :
1/2
Neige
1/2 1/4
1/4 1/4
1/2
Soleil Pluie
1/4
1/2

File d’attente (1/3)
from simpy import Environment, Resource

from simpy.rt import RealtimeEnvironment
# In real-time?
realtime = True
# Deterministic data simulation

clients = [(5, 4), (8, 7), (12, 2), (20, 6), (25, 7)]
# Customers
def customer(environment, name, server, arrival_time, service_time,
waiting_times):
# Simulating arrival time
yield environment.timeout(arrival_time)
# Requesting server
print(’%s arriving at %d’ % (name, environment.now))
with server.request() as req:
yield req
# Updating waiting time log

waiting_times[name] = environment.now - arrival_time
# Receiving service
print(’%s receiving service at %s’ % (name, environment.now))
yield environment.timeout(service_time)
print(’%s leaving the server at %s’ % (name, environment.now))


if realtime:
environment = RealtimeEnvironment(factor=0.5)
else:
environment = Environment()
server = Resource(environment, capacity=1)
waiting_times = {}
for (i, (arrival_time, service_time)) in enumerate(clients):
environment.process(customer(environment, ’Customer %d’ % (i + 1),
server, arrival_time, service_time,
waiting_times))

print(’Simulation’)
print(’----------’)
environment.run()
print
# Display waiting times
print(’Waiting times’)
print(’-------------’)
plural = lambda v: ’’ if v in (0,1) else ’s’
for (customer, waiting_time) in sorted(waiting_times.items()):
print(’%s has waited %s minute%s’ % (customer, waiting_time, plural(
waiting_time)))

Résultat :
Simulation
----------
Customer 1 arriving at 5
Customer 1 receiving service at 5
Customer 2 arriving at 8
Customer 1 leaving the server at 9
Customer 3 arriving at 12 n A−1 (n) S(n)
Customer 3 receiving service at 16 1 9:05 4 min
Customer 4 arriving at 20 2 9:08 7 min
Customer 5 arriving at 25 3 9:12 2 min
Customer 5 receiving service at 26 4 9:20 6 min
5 9:25 7 min
Waiting times
-------------
Customer 1 has waited 0 minute
Customer 3 has waited 4 minutes

Deux exemples
I Simulation d’une banque :

I On illustre le cas où certains clients renoncent (en
anglais « reneging »);
I Voir fichier bank.py.
I Simulation d’une station-service :
I Dans ce cas, il y a plusieurs serveurs;
I Lorsqu’il n’y a plus d’essence dans les pompes, on
remplit le réservoir commun;
I Voir fichier gas_station.py.

Files Attente

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Files Attente

Încărcat de

Drepturi de autor:

Formate disponibile

Chapitre 4 : Files d’attente

Alexandre Blondin Massé

Laboratoire d’informatique formelle

A. Blondin Massé (UQAC) 23 mai 2014 1 / 59

A. Blondin Massé (UQAC) 23 mai 2014 2 / 59

Les problèmes de files d’attente surviennent dans des contextes

A. Blondin Massé (UQAC) 23 mai 2014 3 / 59

I Plusieurs problèmes de files d’attente ont des solutions

A. Blondin Massé (UQAC) 23 mai 2014 4 / 59

I Les trois entités de base d’un système de file d’attente

1. Le client, qui est la personne ou la chose qui attend un

A. Blondin Massé (UQAC) 23 mai 2014 5 / 59

I La description du temps d’arrivée des clients s’appelle

A. Blondin Massé (UQAC) 23 mai 2014 6 / 59

I Il s’agit de l’entité qui accède aux requêtes des clients;

A. Blondin Massé (UQAC) 23 mai 2014 7 / 59

I Plusieurs façons de gérer la file;

A. Blondin Massé (UQAC) 23 mai 2014 8 / 59

I Client ? Celui qui effectue une transaction ou la transaction

I Client ? Celui qui achète, les items achetés, le paiement;

I Client ? Plusieurs types possibles (renouvellement, nouveau

A. Blondin Massé (UQAC) 23 mai 2014 11 / 59

A. Blondin Massé (UQAC) 23 mai 2014 12 / 59

I Temps d’attente : idéalement le plus court possible;

A. Blondin Massé (UQAC) 23 mai 2014 14 / 59

I Temps de service : plus il est court, plus efficace le service

A. Blondin Massé (UQAC) 23 mai 2014 15 / 59

Client Arrivée Service Départ du système

A. Blondin Massé (UQAC) 23 mai 2014 16 / 59

A. Blondin Massé (UQAC) 23 mai 2014 17 / 59

A. Blondin Massé (UQAC) 23 mai 2014 17 / 59

A. Blondin Massé (UQAC) 23 mai 2014 17 / 59

A. Blondin Massé (UQAC) 23 mai 2014 17 / 59

I Les temps d’attente correspondent à des distances

A. Blondin Massé (UQAC) 23 mai 2014 17 / 59

I Les temps d’attente correspondent à des distances

A. Blondin Massé (UQAC) 23 mai 2014 17 / 59

A. Blondin Massé (UQAC) 23 mai 2014 18 / 59

A. Blondin Massé (UQAC) 23 mai 2014 18 / 59

A. Blondin Massé (UQAC) 23 mai 2014 18 / 59

A. Blondin Massé (UQAC) 23 mai 2014 18 / 59

A. Blondin Massé (UQAC) 23 mai 2014 18 / 59

Les fonctions A, Dq et Ds sont inversibles :

n A−1 (n) D−1

A. Blondin Massé (UQAC) 23 mai 2014 19 / 59

I On en vient naturellement à définir les quantités suivantes :

I Wq (n) est le temps d’attente dans la file du n-ième

Wq (n) = Dq−1 (n) − A−1 (n)

A. Blondin Massé (UQAC) 23 mai 2014 20 / 59

1. Dq (t) − Ds (t) est plus petit que le nombre de serveurs

I Il est clair que

où [a, b] commence/termine avec 0 client.

A. Blondin Massé (UQAC) 23 mai 2014 24 / 59

I Il est clair que

où [a, b] commence/termine avec 0 client.

A. Blondin Massé (UQAC) 23 mai 2014 25 / 59

I Lorsqu’il y a plusieurs serveurs, les diagrammes cumulatifs

A. Blondin Massé (UQAC) 23 mai 2014 26 / 59

I La mesure des différentes quantités pour évaluer la

A. Blondin Massé (UQAC) 23 mai 2014 27 / 59

A. Blondin Massé (UQAC) 23 mai 2014 28 / 59

I Lorsqu’on simule l’arrivée des clients, il faut évidemment

A. Blondin Massé (UQAC) 23 mai 2014 29 / 59

I Un processus de comptage est une fonction N (t) telle que