CHAPITRE 2

ÉLÉMENTS DE BASE DE LA SIMULATION

2.1 Technique de Monte Carlo :

Méthode développée durant les années 40 par Von Neuman, Vlan et Fermi pour résoudre
certains problèmes de design d'écrans anti-rayonnement. Elle est coûteuse expérimentalement et
difficile à résoudre analytiquement.

Elle consiste à représenter un problème déterministe par un processus stochastique dont les
distributions de probabilité satisfont les relations mathématiques du problème déterministe
complexe. La première étape consiste à construire un modèle analytique qui représente
l'investissement considéré (exemple: une équation pour la valeur présente).

Dans la deuxième étape, l'analyste développe une distribution de probabilité pour chaque
facteur qui est sujet à l’incertitude dans le modèle. Il peut utiliser des données historiques ou une
approche subjective.

À partir des distributions de probabilités pour chaque facteur dans le modèle. Il génère au hasard
une réponse tentative. La répétition de ce mode d'échantillonnage un nombre important de fois,
permet de générer une distribution de fréquence pour la réponse. On peut utiliser n'importe laquelle
des méthodes de mesure de rentabilité. La distribution de fréquence résultant peut être utilisée pour
obtenir des données probabilistiques sur le problème original.

Exemple 2.1 : Calcul de Œ

Si on met aléatoirement un certain nombre de points (n) dans le carré, un certain nombre de
points appartiendront au cercle et d'autres non.
- Quand n est grand, la surface du carré sera couverte.

Nbr. pts dans cercle surface cercle

n → ∞ alors, ≅
Nbr. total des pts surface du carré
a
π⋅
(2 ⋅ a)
2

Nbr. pts dans cercle 4

=
Nbr. total des pts (2 ⋅ a )2

GPA-662 Modélisation et simulation de systèmes de production 2-1

 Nbr. pts dans cercle r 
π = 4⋅ ; a = 1 M =  1
Nbr. pts dans carré  r2 
Le point généré admet des coordonnés r1 et r2 qui sont des nombres aléatoires entre -1 et 1.

Le point appartient au cercle si r12 + r12 ”

Comme exemple, nous avons généré 30 points dont 24 appartiennent au cercle. Alors :

24
π = 4* = 3.2
30

Si n :’DORUVŒ 

Exemple 2.2 : Le pari

Supposons que l'on vous propose de jouer au jeu suivant: pour une mise de 20 dollars, on
vous permet de jouer à pile ou face avec une pièce bien équilibrée et de gagner 2x; x étant le nombre
de lancés nécessaires pour avoir pile. Accepterez-vous de faire la mise pour jouer? Quel est le
montant maximum (supérieur ou inférieur à 20 $) que vous accepterez de risquer pour jouer? Votre
réponse dépendra de votre goût pour ce type de risque. Je n'ai encore jamais rencontré quelqu'un qui
dit accepter de miser jusqu'à 100 $. Pourtant...

Une approche analytique de ce problème de pari suggèrera le recours à l'espérance

mathématique. Dans ce cas, on arrivera à la conclusion qu'il faut toujours jouer à ce jeu quel que soit
le montant de la mise demandée, car l'espérance mathématique du gain est infinie!

GPA-662 Modélisation et simulation de systèmes de production 2-2

C'est ce qui ressort du calcul ci-après.

n  i  1  i −1 1  ∞
E (gain) = ∑  2   2 
 ⋅ ⋅  ; si n → ∞ , alors E (gain) = ∑1 = ∞
i =1  2  i =1

Une approche de simulation est facile à concevoir et à mettre en oeuvre: essayez sans frais, avec une
pièce de monnaie, de jouer à pile ou face et déterminez ce qu'auraient été vos revenus si vous aviez
réellement joué.

Vous pourriez obtenir les résultats suivants :

Numéro de l'essai Côtés obtenus Gains correspondants

1 fffp 24 = l6
2 fp 24 = 4
3 ffffp 25 = 32
4 p 21 = 2
5 p 21 = 2

Chaque essai est bien terminé avec une sortie de pile et les montants gagnés sont de 2 à une
puissance égale au nombre de fois qu'il a fallu lancer la pièce pour avoir pile.

À la vue de ces résultats on va être frappé par le gros gain comme 32 ou le petit 2 selon
qu'on a le tempérament de joueur ou non. En faisant la moyenne des gains on trouve 56/5, soit
environ 11. Même si ces résultats ne sont pas très significatifs (échantillon trop petit et
probablement biaisé par la manipulation), ils livrent néanmoins un message intéressant: au delà de
30 la mise est trop risquée.

La simulation ne nous donne pas LA solution; elle nous donne des indications nous
permettant de prendre une décision selon notre tempérament. Cette situation est confortable pour le
décideur car on ne lui impose pas une solution fut-elle optimale.

L'exemple du pari va nous permettre d'illustrer aussi un aspect essentiel de la simulation

Monte Carlo : la simulation de la réalisation d'un événement à partir de la probabilité attachée à la
réalisation de cet événement. Une pièce de monnaie permet normalement de bien simuler le
comportement d'une autre pièce de monnaie équivalente.
 Cependant les résultats obtenus par le jet d'une pièce de monnaie ne sont pas tout à fait
aléatoires: les façons de jeter la pièce, de la saisir sont propres à l'opérateur et non au hasard. Une
autre limitation de la technique de simulation par le jet de la pièce de monnaie apparaît lorsque l'on
envisage de simuler la réalisation non pas de deux événements équiprobables (pile-face) mais de
plusieurs (pile 1 fois ou 2 fois ou 3 fois ou 4 fois en 4 lancés).

La simulation Monte Carlo permet d'arriver au même résultat que la simulation manuelle du jet de
la pièce de monnaie. En faisant la correspondance suivante :

pile = {0, 1, 2, 3, 4}
face = {5, 6, 7, 8, 9}

et en supposant que lors d'un tirage au sort parmi ces nombres équiprobables la sortie d'un chiffre
traduit le fait que la pièce de monnaie a montré le côté (pile ou face ) correspondant. Par exemple, si
le nombre tiré est 2, c'est pile; 8 c'est face, etc. Il ne restera plus alors qu'à trouver un système de
génération de nombres aléatoires pour simuler le jet de la pièce de monnaie.

Ce procédé a l'avantage d'être plus neutre. En plus, il permet de faire face au cas où il y a
plus de deux événements. Si nous avons trois événements par exemple, il suffit de connaître la
probabilité attachée à chacun de ces événements et de faire la correspondance des chiffres
conséquemment.

Exemple 2.3 : Estimé des ventes annuelles

On a estimé que les ventes annuelles d'un produit d'entretien ménager ont 60% de chance
d'atteindre 200,000 dollars, 30% de chance d'atteindre 300, 000 dollars et 10% de chance d'atteindre
400,000 dollars.

Pour simuler le comportement des ventes annuelles, on fera les correspondances suivantes
sur la base de 10 :

200 000 $ 60% {0, 1, 2, 3, 4, 5}

300 000 $ 30% {6, 7, 8}
400 000 $ 10% {9}

Il ne restera plus qu'à tirer les nombres aléatoires pour simuler le comportement des ventes
annuelles. Si les pourcentages n'étaient pas arrondis, il aurait fallu faire la correspondance sur la
base de 100 nombres. Essayez pour l'exemple précédent : 61%, 29% et 10% respectivement.
Essayez ensuite 61.5%, 28.5% et 10%.
Exemple 2.4 : Planification des besoins en ressources « infirmières »

Une clinique médicale dispose de 5 centres.

Une (1) infirmière est affectée à chaque centre.

Il y a 3 infirmières réservistes qui peuvent être appelées pour remplacer celles qui
s'absenteraient.

Une surcharge de travail et de stress peut engendrer l’absence de certaines infirmières. La

distribution de probabilité des infirmières absentes est représentée dans le tableau suivant :

Nb. d’infirmières absentes 0 1 2 3 4 5

Probabilité .2 .25 .2 .15 .1 .1

On désire simuler 25 jours de fonctionnement de la clinique à l'aide de la technique

MONTE CARLO pour obtenir des estimés de :

le taux d'utilisation des infirmières réservistes;

la probabilité qu'au moins un centre médical soit fermé par manque d'infirmières.

Feuilles de statistiques pour la simulation du cas des infirmières.

JOUR 1 2 3 4 5 6 7 8 9 10 11 12 13 14
NIA
NRU
NJCF

JOUR 15 16 17 18 19 20 21 22 23 24 25
NIA
NRU
NJCF
Disque d'échantillonnage pour le cas des infirmières :

D NIA(j) =0
I NIA (j) =1

S
72O
Q 90o
U
72o 36o
E NIA (j) =5
NIA (j) =2
o
54 36o

NIA (j) =4
NIA (j) = 3

NIG (J) = nombre d'infirmières absentes au jour j

 Logigramme du modèle de simulation

DÉBUT

INITIALISATION
NRU = NJFC = 0
NIA = 0

DO J = 1,25

GÉNÉRER NIA (j)

À L'AIDE DU DISQUE

>3
NIA (j)

NRU = NRU + NIA (j)

NIA = NIA + NIA (j)
NJCF = NJCF + 1
NRU = NRU + 3
NIA = NIA + NIA (j)

UIR = NRU / 75
PCF = NJCF / 25

GLOSSAIRE

NJCF = # jour où au moins 1 centre fermé

RÉSULTATS NRU = # réserviste – jours utilisés
NIA (j) = # infirmière en grève au jour j
UIR = utilisation des infirmières de réserve
PCF = probabilité qu’au moins un centre soit fermé

FIN
Analytiquement

Nombre d'infirmières absentes =

Nombre moyen d'infirmières réservistes utilisées =

Expérience de simulation

Nombre moyen d'infirmières en grève =

Nombre moyen d'infirmières réservistes utilisées =

2.2 Considérations dans la simulation de Monte-Carlo

Une question importante à connaître dans la simulation de Monte-Carlo est le nombre

d'essais (ou d'exécution) nécessaire pour avoir une réponse satisfaisante. La réponse est que le
nombre d'essais doit être assez élevé pour atteindre le régime permanent. On peut définir les
conditions de régime permanent comme une situation dans laquelle le résultat d'essais consécutifs
ne varie pas significativement.

Dans un simulateur, on utilise habituellement une période de réchauffement avant de

collecter les statistiques, l'utilisation des simulations de Monte-Carlo présente des avantages pour:

- Les situations dans lesquelles des méthodes de résolution analytique n'ont pas encore été
trouvées;
- Des cas où les modèles analytiques sont très complexes à résoudre;
- Ne pas perturber le fonctionnement de la compagnie;
- Des situations pour lesquelles il est très difficile ou dangereux de créer les mêmes conditions
d'opération pour chaque expérience;
- Faciliter l'expérimentation de plusieurs possibilités qui ne peuvent être réalisée en vraie vie;
- Des situations qui peuvent coûter chères et/ou prennent beaucoup de temps pour générer le
résultat voulu.

Les modèles analytiques et la simulation de Monte-Carlo ont les mêmes problèmes, à

savoir, la validité du modèle. Cependant, dans le cas de la simulation de Monte-Carlo, la taille de
l'échantillon doit être assez grande pour décroître la variation d’échantillonnage à un niveau
acceptable. Les probabilités des événements doivent être basées sur les jugements de personnes
impliquées dans le projet, par la suite, l'analyse doit être dosée sur ces estimés bien qu'ils soient
subjectifs étant donné que chaque modèle est aussi bien que les estimés de ses paramètres d'entrée,
la simulation de Monte-Carlo doit être utilisée avec le jugement du décideur.
2.3 GÉNÉRATION DE NOMBRES ALÉATOIRES

Les systèmes habituellement simulés comportent des processus stochastiques;

ex. : - demande pour un produit;

- temps d'opération sur une machine;
- arrivé de clients à une station de service;
- temps de réalisation d'un projet.
- etc.

Pour simuler adéquatement la réalisation des événements dont on connaît les probabilités de
réalisation, il ne suffit pas de faire les correspondances que nous venons de voir. Il faut avoir aussi
un système de génération de nombres équiprobables (ou aléatoires). Malgré l'abondance des séries
de chiffre dans notre entourage: bottin de téléphone, numéro de rue, etc., on ne compte que deux
sources fiables de nombres aléatoires: les tables de nombres aléatoires publiées (on en trouve dans
les annexes de la plupart des manuels de statistiques et de simulation) et les générateurs de nombres
aléatoires des ordinateurs.

Les tables se prêtent à l'utilisation manuelle. Les nombres contenus dans ces tables ont été
soumis à divers tests statistiques pour s'assurer de leur caractère aléatoire dans toutes les directions:
horizontale, verticale et oblique. Tous les chiffres sont équiprobables; il en est de même des
nombres de deux chiffres, de trois chiffres. Lorsque l'on veut utiliser ces tables, il est conseillé de
fixer la direction de lecture de nombres et la position de départ et de ne pas revenir sur ses pas. Voir
la table de nombres aléatoires, à la page 2-11.

Les ordinateurs possèdent des générateurs de nombres aléatoires. Il suffit généralement de

les évoquer. On peut aussi programmer la génération des nombres aléatoires ou les calculer soi-
même.

On a donc besoin de générer des variables aléatoires (dépendantes ou indépendantes)

ayant des distributions spécifiées. C'est-à-dire un échantillonnage d'une certaine population.

L'idée est : générer des variables aléatoires uniformément distribuées;

→ générer des variables d'autres distributions.
2.3.1 Distributions uniformes

Ses caractéristiques sont :

1) Chacun des nombres de la population a la même probabilité d'être dans la série :

2) Chacun des nombre est complétement indépendant de tous les autres déjà générés.

→ Variables aléatoires indépendantes uniformément distributées.

2.3.1.1 Méthode manuelle

Pile ou face, dés, cartes, roulette, etc.

Avantages : Très simples, honnêtes.

Désavantages : Lentes, peu pratiques, impossible à reproduire.

2.3.1.2 Tables

Pris dans n'importe quelle direction prédéterminée, à partir de n'importe quel point.

Avantage : reproductibilité

Désavantages : Lenteur de l'emploi, utilisation continuelle des mêmes séquences (tables

limitées).

2.3.1.3 Utilisation d'un processus physique aléatoire

Ex.: radioactivité, bruit thermique de composantes électroniques, ...

Avantage : Possibilité de connection directe avec un ordinateur (au début de l'ère des
ordinateurs).

Désavantages : Non-reproductibilité, instabilité du procédé, ...

 Table.1 : de nombres aléatoires

2.3.1.4 Utilisation de formules récursives

Utilisation d'équations mathématiques de récursion (ex. : à partir d'un nombre, un

autre nombre de la série est généré). Puis qu'on peut reproduire ces nombres, ils sont appelés
pseudo-aléatoire. Cette reproductivité est leur avantage majeur.
2.3.1.4.1 Méthode du centre du carré

Chaque nombre aléatoire composé de n chiffres est formé des n chiffres du centre du carré
du nombre précédent.

Exemple : nombre aléatoire de 2 chiffres (0 # xi # 99).

Nombre Source = 12

x0 = 12 x02 = 144
x1 = 44 x12 = 1936
x2 = 93 x22 = 8649
x3 = 64
(N.B. On pourrait aussi alterner)

Désavantage : Dégénérescence rapide (cycle court) notons qu'aussitôt qu'un nombre

apparaît pour la 2ième fois, il y a création d'un cycle.

2.3.1.4.2 Méthode du centre du produit

Chaque nombre aléatoire xi composé de n chiffre est formé des n chiffres du centre de
Xn-1*Xn ou de KXn-1 où K est une constante :

Exemple : Nombre de 2 chiffres (0#Xi#99).

Nombre source x1=8; x2 = 82.

x1 = 8
x2 = 82
x3 = 56
x4 = 59
x1x2 = 656
x2x3 = 4592

2.3.1.4.3 Méthodes congruentielles

Additives : xn+1 = (a xn + C) (modulo m)

Multiplicatives : xn+1 = (a xn) (modulo m)

{I(modulo m) = reste de la division de I par m}

 Exemple : 13 (mod 5) = 3.

m, c, a, sont des entiers positifs.

Exemple : a = 2; m = 11; xo = 4; c = 0.

x1 = (2*4) mod 11 = 8
x2 = (2*8) mod 11 = 5
x3 = (2*5) mod 11 = 10 ...

Notons que les nombres générés sont entre 0 et 10. 0 ≤ xn ≤ m-1.

TOUTES CES MÉTHODES POSSÈDENT 1 OU PLUSIEURS DES CARACTÉRISTIQUES:

- les nombres peuvent être reproduits;

- possibilité de cyclage;
- possibilité de dégénérescence (toujours même nombre);
- les n.a. sont ∀ uniformes.

Il existe des tests pour vérifier l'uniformité et l'auto-corrélation des séries (pas dans le cadre du
cours).

La méthode Congruentielle la plus utilisée en pratique :

Poser m = 2b (b entier positif)

a = 8t ∀ 3 (t entier positif)
a ≈ 2 b/2
k0 = entier impair.

Tous les nombres seront ≤ 2b - 1.

Il y aura au maximum 2b-2 récursions avant de former un cycle.

Exemple : Si b = 21; 219.

Pour obtenir U(0,1), diviser les nombres par 2b - 1.
Exemple 2.5

Considérons la distribution des probabilités de la durée de vie utile d'une pièce

d'équipement:

An Probabilité

3 .20
5 3 
7 .25
10 .15

Pour simuler la vie utile on assigne un nombre pris au hasard à chaque valeur de façon à ce qu'il soit
proportionnel aux probabilités respectives. On prend le même nombre de chiffres significatifs que
pour les probabilités.

A Nombres

3 00-19
5 20-59
7 60-84
10 85-99

On simule une durée de vie utile en prenant un nombre au hasard dans une table à cet effet.
Si on obtient un nombre entre 00 et 19 la vie utile serait de 3 ans.
Exemple 2.6 : Prévision de la demande

La compagnie SOW Inc. cherche à se faire une idée plus précise de ce que sera la demande
pour son nouveau modèle d'ordinateur. Ce type de produit informatique étant vite désuet, la
compagnie ne veut pas se retrouver avec des invendus à la fin de la période de planification de trois
mois.
Utilisons des données historiques pour simuler la demande trimestrielle.

Nombre d'appareils vendus Nombre de semaines Fréquences relatives

0 1 .09
1 3 .27
2 4 .37
3 2 .18
4 1 .09

Total = 11

Correspondances : 0 = {00, 01, 02, 03, 04, 05, 06, 07, 08} (9)
1 = {09, 10, 11, 12, 13, 14, ... , 35} (27)
2 = {36, 37, 38, 39, 40, 41, ... , 72} (37)
3 = {73, 74, 75, 76, 77, 78, ... , 90} (18)
4 = {91, 92, 93, 94, 95, 96, 97, 98, 99} (9)
Tirage de nombres aléatoires:

Dans la table des nombres aléatoires, prenons la colonne formée par les chiffres à
l'extrême droite et associons chaque nombre trouvé avec sa demande correspondante. Simulons
20 semaines.

Nombre aléatoire Demande simulée

95 4
31 1
13 1
86 3
02 0
79 3
85 3
87 3
87 3
64 2
54 2
59 2
39 2
03 0
52 2
53 2
22 1
34 1
74 2
38 2
Total ===> 39

Ce qui donne une demande de 1.95 en moyenne, arrondie à 2.

On pourrait penser utiliser l'espérance mathématique pour faire l'estimé de la demande à

partir des probabilités attachées à la réalisation de chaque volume de demande hebdomadaire. Il
faut remarquer cependant que l'espérance mathématique est figée. Elle indique ce vers quoi tend
la moyenne des demandes sur le long terme sans permettre à dame nature d'être capricieuse. La
simulation permet ce caprice de la nature: par exemple, même si la demande de 1 unité ne
survient normalement que 9 fois sur 100, la simulation peut générer plus ou moins que cette
proportion, donnant à ce volume de demande un poids plus grand ou plus petit dans la moyenne
calculée. L'espérance mathématique figera ce poids à 9 pour cent.
Exemple 2.7 : Gestion des stocks

Modèle analytique de base

Le problème de la gestion des stocks est bien classique: minimiser le coût total de cette
gestion en faisant le trade-off entre le coût occasionné par les lancements de commandes
d'approvisionnement et le coût de conserver des niveaux élevés d'inventaire. Un modèle très
simple a été mis au point par l'approche analytique sur la base de quelques hypothèses
simplificatrices.

Soient :

D la demande annuelle
A le coût de lancement d'une commande
H le coût unitaire de maintient des inventaires
L le délais de livraison
R le niveau de stocks à partir duquel on doit commander
Q la quantité à commander à chaque fois qu'il faut le faire

La quantité optimale à commander notée Q* pour minimiser le coût total de la gestion

des stocks est donnée par la formule suivante :

Q* = (2 AD H )
et
R = dL (d étant la demande durant le délais de livraison R)

Exemple :

D = 1 000 unités par an; A = 20 $ par commande; H = 4 $ par unité;

L = 2 semaines; alors :
Q* = 2*20*1000 4
= 100 unités
R = (1 000 unités/50 semaines) * 2 semaines = 40 unités

On le voit : la formule de la quantité optimale à commander est élégante et facile à

utiliser. Cependant on comprend aussi qu'elle n'est appropriée que pour des cas d'une simplicité
rarement rencontrée dans la vie réelle: demande connue, fixe et régulière; délais de livraison
connus et constants, etc. La simulation permet de faire face aux situations plus réalistes.

Modèle de simulation

Ici on va supposer que la demande varie à la semaine, que les délais de livraison sont
susceptibles de changer; que des ruptures de stocks peuvent survenir et que cela comporte un
coût estimé à 30 dollars par unité manquante. Le lancement d'une commande coûte comme
précédemment 20 $; on suppose que l'on commence avec 40 unités en inventaire; le coût de
maintient des inventaires est de 4 $ par unité par semaine.
 Par ailleurs on a obtenu les données suivantes sur les demandes hebdomadaires et les délais
de livraison observés par le passé.

Demande Fréquence Délais Fréquences

hebdomadaire de livraison
10 10 1 4
20 20 2 8
30 10 3 4
40 10

La simulation nous permettra de comparer plusieurs politiques alternatives dans la

gestion des stocks, chacune des politiques consistant dans une réponse aux 2 questions :

Combien commander (Q = ?)
Quand (R = ?)

Dans cet exemple manuel, on se contentera de faire la simulation pour la politique qui
consiste à prendre Q = 40, R = 10.

Les semaines successives traduisant le déroulement du temps; les nombres aléatoires

pour simuler la demande de chaque semaine; les nombres aléatoires pour simuler les délais de
livraison lorsqu'une commande est lancée; les demandes simulées; les délais simulés; les
commandes lancées; les commandes reçues; les unités en stock; les coûts de maintien; les coûts
de commandes et les coûts de rupture.
 N.A. ACTIVITÉS COÛTS
t R1 R2 D C ar B H A ru Tot
0 40
1 69 45 30 40 10 40 20 60
2 48 52 20 40 (10) 20 300 320
3 84 11 40 40 40 20 20
4 46 19 20 80 60 240 240
5 66 76 30 30 120 120
6 27 38 20 40 10 40 20 60
7 49 41 20 40 (10) 20 300 320
8 69 74 30 40 40 10 40 20 60
9 68 95 30 40 20 80 80
10 33 46 20 40 40 160 160
11 20 52 20 20 80 80
12 09 77 10 40 10 40 20 60
13 05 10 10 40 20 20
14 72 52 30 40 40 10 40 20 60
15 80 98 40 40 40 160 160
16 24 59 20 40 60 240 240
17 08 27 10 50 200 200
18 50 42 20 30 120 120
19 08 37 10 20 80 80
20 69 50 30 40 (10) 0 20 300 320

t: temps de simulation (en semaine)

R1: les nombres aléatoires pour simuler la demande de chaque semaine;
R2: les nombres aléatoires pour simuler les délais de livraison lorsqu'une commande est
lancée; 
' ODGHPDQGHKHEGRPDGDLUHVLPXOpHV
& ODQFHPHQWG¶XQHFRPPDQGHTXDQGLOIDXWOHIDLUH
DU OHPRPHQWGHO=DUULYpHGHODFRPPDQGH
% /HQLYHDXGHVWRFNGDQVOHPDJDVLQ
+ OHFR€WXQLWDLUHGHPDLQWLHQWGHVLQYHQWDLUHV
$ OHFR€WGHODQFHPHQWG
XQHFRPPDQGH
UX FR€WGHUXSWXUHGHVWRFN
7RW FR€WWRWDOSDUVHPDLQHGHODSROLWLTXHGHJHVWLRQGHVVWRFNV
 2.3.2 Autres distributions de probabilité

La méthode utilisée le plus fréquemment est la méthode de la transformation inverse.

Supposons qu'une variable aléatoire X a une distribution définie par :

x
P[X ≤ x] = F x =
∫ f (x)dx 0
-∞
x

La fonction cumulative de distribution est définie de 0 à 1 inclusivement.

Puisqu'on veut obtenir des valeurs successives de x qui correspondent à fX(x), il suffit de
générer un nombre aléatoire uniforme entre 0 et 1, U(0,1) et de l'égaler à FX(x). La
transformation inverse nous donnera x selon la distribution fX(x).

La Figure 2.2 présente une illustration graphique du procédé.

f x(x) aires égales

à noter ci-dessous:
(rc - r b )=(r b-ra )

<
xa xb xc x
1 Fx (x)

r c =Fx (x c )
-1
x= fx (r)
r b = Fx (x 0 )

r a = Fx (xa )
1
0 <
xa xb xc x
Figure 2.2 : Génération des n.a. xa et xb à partir de ra et rb ~ N (0,1)
Mathématiquement,

générer r ~U(0,1)
fixer r =FX(x)
ainsi x =FX-1(r)

X ~ Exp (λ )

ainsi
f x (x) = λ e
-λ x
, pour 0<x<∞

0 autrement

x
et Fx (x) = ∫ f x (t) d t = 1 - e- λ x
0

fixons r = 1 - e- λ x ou r - U (0,1)

1 - r = e- λ x

1 n (1 - r) = λ x

- 1 n (1 - r )
=x
λ

- 1 n (1 - r)
donc x = = F-x1 (r)
λ

Ainsi pour obtenir un échantillon d'une distribution exponentielle ayant une moyenne égale à 1
il suffit de générer R~U(0,1) et d'effectuer la transformation inverse.

Génération d'une distribution normale x ~N( µ 2)

La génération de nombres aléatoires normalement distribués n'est pas aussi simple que
pour la distribution exponentielle, car il est plus difficile d'obtenir la fonction inverse de FX(x).

Pour cette raison, on utilise la propriété suivante :

«Si r1 et r2 sont 2 nombres aléatoires ~ U(O,1) indépendants, on a que

 X1 = (-2ln r1)1/2 cos 2Πr2
X2 = (-2ln r1)1/2VLQŒU2

sont deux variables aléatoires normalement distribuées avec  HW12=1.

Pour générer des nombres d'une distribution N(12) on utilisera l'une ou l'autre des identités
pour obtenir un X ~ N(0,1) et on le transformera comme suit :

X = (-2 ln r1)1/2 cos 2Πr2

< 1 ;

3RXUREWHQLU<a112). Notons que cette transformation est basée sur l'identité

Y- =Z~N(0,1), expression connue pour la loi normale.

1

Génération de variables stochastiques de distributions empiriques.

Il est habituellement utile de pouvoir générer des nombres entiers selon une distribution
empirique (données expérimentales par exemple) non-exprimée sous forme analytique.

Les données peuvent être regroupées sous la forme suivante :

i
Valeur b P (x = bi) = P i f x ( b i) = ∑P
j =1
j

b1 P1 P1
b2 P2 P 1 + P2
b3 P3 P 1 + P2 + P3
: : :
bn Pn P1 + P2 + P3 + ... + Pn = 1

Ou sous forme graphique:

Fx (bi)

1 - Pn

P1 + P2 +P3

P1 + P2

P1
b1 b2 b3 bn-1 bn bi
2.4 RÉGIME TRANSITOIRE ET PERMANENT

On s'intéresse au système, via le modèle de simulation dans son régime permanent :

(c'est-à-dire dans ses conditions normales d'opération). Mais, les 1er «moments» d'opération ne
représentent que très peu les conditions normales d'opération car :

1- Les conditions initiales du modèle sont généralement vides (inoccupé, zéro). Ces
conditions peuvent être assez différentes des conditions normales de fonctionnement de
système réel:

- atelier rarement sans ouvrage;

- file d'attente rarement vide (dépend du taux d'arrivée)
- hôpital rarement sans malade.

2- Simuler consiste à générer des N.A. et les faire interagir : ce processus nécessite un
certain nombre de valeur avant d'obtenir des états significatifs.

Dans un simulateur on utilise habituellement une période de réchauffement avant de

collecter les STATISTIQUES.

Notons qu'il y a des systèmes qui n'entrent jamais en régime permanent ex.: économie
nationale et industrielle, un régime permanent peut consister en une oscillation.
 Tableau d'une expérience

- - - - -
# ϑ ) # ϑ ) # ϑ ) # ) ϑ )

1 10 10 10.0 41 10 290 81 4 546 6.7 121 4 814

2 4 14 7.0 42 4 294 82 10 556 122 4 818
3 10 24 8.0 43 4 298 83 10 566 123 10 828
4 4 28 7.0 44 4 302 6.9 84 4 570 124 10 888
5 10 38 7.6 45 4 306 85 10 580 125 4 842
6 4 42 7.0 46 4 310 86 4 584 126 10 852 6.8
7 4 46 6.6 47 10 320 87 10 594 127 10 862
8 10 56 7.0 48 10 330 88 10 604 6.9 128 10 872
9 10 66 49 4 334 89 4 608 129 4 876
10 4 70 50 4 338 90 4 612 130 4 880
11 10 80 51 4 342 91 10 622 131 4 884
12 10 90 52 4 346 92 4 626 132 4 888
13 10 100 7.7 53 4 350 6.6 93 4 630 133 4 892
14 4 104 54 10 360 94 10 640 134 4 896 6.7
15 4 108 55 4 364 95 4 644 135 10 906
16 4 110 56 4 368 96 4 648 6.8 136 10 916
17 10 122 57 10 378 97 10 658 137 4 920
18 4 126 58 10 388 98 4 662 138 4 924
19 10 136 59 4 392 99 4 672 139 10 934
20 10 146 60 4 396 100 4 682 140 10 944
21 4 150 7.1 61 4 400 6.6 101 10 692 141 4 948 6.7
22 4 154 62 10 410 102 4 696 6.8 142 4 952
23 10 164 63 10 420 103 4 706 143 10 962
24 10 174 64 10 430 104 10 716 144 10 972
25 10 184 65 10 440 105 4 720 145 4 976
26 10 194 66 10 450 6.8 106 4 724 146 10 986
27 10 204 7.6 67 4 454 107 4 728 147 10 996 6.8
28 4 208 68 10 464 108 10 738 148 10 1006
29 10 218 69 10 474 109 4 742 149 4 1010
30 10 228 70 4 478 110 10 752 6.8 150 10 1020
31 4 232 71 10 488 111 4 756 151 4 1024
32 4 236 72 4 492 112 10 766 152 10 1034
33 4 240 73 4 496 6.8 113 4 770 153 10 1044
34 10 250 7.4 74 10 506 114 4 774 154 4 1048 6.8
35 10 260 75 4 510 115 4 778 155 4 1052
36 4 264 76 10 520 116 4 782 156 4 1056
37 4 268 77 10 530 117 10 792 157 10 1066
38 4 272 78 4 534 118 4 796 6.8 158 10 1076
39 4 276 79 4 538 119 10 806 159 10 1086
40 4 280 90 4 542 120 4 810 160 10 1096
Exemple : Arrivée de clients à la caisse.

Intervalle de 10 min. avec une probabilité de .5

Intervalle de 4 min. avec une probabilité de .5
Simule à l'aide d'une pièce de monnaie.
Si pile prochaine arrivée dans 10 min.
Si face prochaine arrivée dans 4 min.

(voir tableau des résultats de l'expérience)

- (min)

7.5

6.5

6
Transitoire Permanent
5.5 Permanent
200 400 600 800 1000

Stabilité croissante à partir de 400 à 500 min x ≈ 6.8 min. On sait qu’à la longue ça tend vers 7
min. = (0.5 x 4 + 0.5 x 10)

Le régime transitoire n?est pas très représentatif de la réalité 6 minimiser l’effet de l'état
transitoire.

1. Utiliser des expériences très longues; pour négliger l’effet des résultats transitoires sur
le total. Ceci peut être très coûteux en temps d’ordinateur.

2. Rejeter les résultats des premiers moments, ex. : ne pas compiler les premiers 50 jours,
on compte lorsque 1 000 commande sont traitées...

3. Utiliser des conditions initiales très proches de celles attendues en régime permanent.
Ca peut biaiser si le régime permanent n’est pas atteint.
 A quel moment le régime transitoire se termine-t-il?

Il n'y a pas de règle satisfaisante pour déterminer avec certitude et précision l’entrée en
régime permanent.
1. Effectuer des expériences pilotes
2. Observer le comportement du système
3. Décider quoi rejeter

Le nombre source est d’une grande influence sur la période d’instabilité.

Les méthodes suivantes ont été utilisées avec un certain succès :

1. Rejeter une suite de mesure. La première de la suite n’est ni maximum ni minimum

des données suivantes (Conway).

2. Observer une séquence de résultats : si les nombres d'obs où le résultat est > à µ est ≈
le nombre où le résultat est <µ alors le R.P. est probablement atteint (Emshoff, Sisson).

3. Calculer la période K la plus longue (durant une expérience pilote) pour laquelle les
résultats ont une auto-corrélation significative; rejeter une période initiale de même longueur
pour les expériences suivantes (Fishman).

4. Le plus long cycle du modèle doit avoir été exécuté au moins 3 à 4 fois avant que les
effets transitoires soient disparus (Tocher).

5. Calculer en moyenne mobile des résultats et supposer que le régime permanent est
atteint lorsque cette moyenne ne change pas de façon significative avec le temps.

6. Utiliser différents nombres sources pour constituer un échantillon de mesure à des

durées de simulation ≠ et effectuer des tests sur des moyennes.

Exemple :
# source 197 369 297 1561 2657
xi (1 000 jours) 288 277 264 256 294
xi (1 500 jours) 254 265 296 284 275
Si on veut vérifier que les 2 échantillons proviennent d’une même population (même
distribution), ou si on désire vérifier si le R x P est atteint à 1 000 jours, étant certain qu’il l’est à
1 500 jours (observation visuelle).

H0 : x (1 000 jours) et x (1 500 jours) proviennent tous les 2 échantillons tirés de

1 2
population ayant la même moyenne (on assume ó2 sont égales et populations
normales).

H1 : Ce n'est pas le cas.

x1 − x 2
t =
(n1 (
− 1) S12 + n 2 − 1 S 22 ) 1 1
+
n1 + n2 − 2 n1 n2

275.8 − 274.8
t = = 0.06
1012.8 + 1051,4
8

n
x
ou x =∑ ij
1 j =1
n

n = 5 = n1 = n 2

n (x )
− xi 2
∑
2
ij
S =
1 ni − 1
j = 1

8 = n1 + n2 –2 degrés de liberté

t 8, 0.995 = 3,36 > 0,06

Des tables → on accepte H0
t 8, 0.9 = 1,4 > 0.06

t = 0.04 < 1 très petit, on aurait pu déduire le non rejet de H0 immédiatement sans
recourir aux tables.
2.5 Simulation à événements discrets versus simulation continue

Les systèmes peuvent être classifiés comme étant discrets ou continus. Law et Kelton (1991)
mentionnent que peu de systèmes pratiques sont totalement discrets ou continus, mais puisqu'un
seul type de changement prédomine pour la majorité des systèmes, il sera souvent possible de
classifier un système comme étant soit continu ou discret.

La simulation à événements discrets modélise les systèmes dont les états changent seulement à
des instants discrets comme résultat d'événements spécifiques (Fig.2.3).

État 1 État 2 État n

. . . . . .

temps
Début Évén. Évén. . . . . . . Évén.
Figure 2.3 : Progression de la simulation d'un événement à l'autre
La majorité des systèmes manufacturiers et de Nbre de clients
service sont des systèmes à événements discrets. Par dans la banque

exemple, la banque est un système à événements 3

discrets puisque la variable d'état, définie par le 2
nombre de clients dans la banque, change seulement 1
temps
lorsqu'un nouveau client arrive ou bien lorsque le
service fourni à un client est achevé. La figure 2.4 Figure 2.4 Évolution du nombre
de clients dans une banque
montre comment le nombre de clients change
seulement à des instants discrets du temps.

La simulation continue modélise les systèmes dont les variables d'état changent continuellement
avec le temps. Le changement que subit les variables d'état est décrit par des équations
différentielles qui sont souvent résolues à chaque petit incrément du temps pour déterminer les
valeurs courantes des variables d'état jusqu'à une valeur limite qui déclenche une certaine action.

Il es souvent possible de modéliser les phénomènes continus en utilisant la logique discrète,

surtout si une grande précision n'est pas requise. Par exemple, les substances qui s'écoulent de
façon continue tels que les liquides ou les granulés peuvent être convertis, pour les fins de
simulation, en des unités de mesure discrètes tels que des litres ou des kilos. Une autre approche,
consiste simplement à mettre à jour la variable à des intervalles réguliers de temps qui comptent
pour un taux de changement constant qui se produit sur l'intervalle.

Considérons le cas de la pression d'eau derrière un

Pression d’eau
barrage. Durant et après l'occurrence d'une pluie
violente, l'eau coule dans le lac derrière le barrage.
L'eau est rétirée du barrage pour contrôler les
inondations et pour faire de l’électricité.
L'évaporation fait décroître à son tour le niveau de temps
l'eau dans le barrage. La figure 2.5 montre
Figure 2.5 Évolution de la pression de
comment la variable d'état, la pression de l'eau l'eau derrière un barrage
derrière le barrage, change pour ce système continu.

2.6 CONTRÔLE DU TEMPS

• Un événement est habituellement généré lorsque certaines conditions simulées se

produisent.

• Les événements peuvent être indépendants (ex. : arrivée de clients, arrivée de

commandes, fin de journée, ...) ou conditionnel (ou dépendants), ou bien s’ils produisent
comme conséquence d’autres événements :

Exemple : ÉVÉNEMENT "le client finit de se faire servir" (file non vide)

ÉVÉNEMENT "le client suivant commence à se faire servir"

L’horloge du simulateur avance au fur et a mesure que les évènements arrivent

 Déroulement d'une simulation

Début

Entrée des données

Initialisation

+ contrôle du temps
Do

Génération d'événement

Calcul et enregistrement
de statistiques

Résultats

Fin

Avance de temps : (intervalle fixe vs variable)

Supposons qu'un ensemble d'événements e1, e2, e3, ..., e6 se produisant lors d'une
simulation ils ne sont pas nécessairement exécutés au même temps d'horloge, avec les 2
mécanismes de contrôle de temps.
.
Ti = temps vue à l’horloge, dans le modèle.
 Avance variable
e5
e1 e2 e3 e4 e6

T1 T2 T3 T4 T6

Avance fixe
e5
e1 e2 e3 e4 e6

© t © t ©

T1 T2 T3 T4

Le choix de ∆ t avec le contrôle à avance fixe est critique. C’est ce qui déterminera la précision
des résultats. De façon générale le modèle à intervalle fixe devrait être choisi lorsque :

- Les événements se produisent de façon assez régulière à intervalles plutôt réguliers.

- Un grand nombre d’événements se produit durant le temps simulé T et la durée
moyenne des événements est courte.
- La nature exacte des événements significatifs n’est pas bien connue, ex. : début d’une
étude de simulation.

Le modèle à intervalle variable :

- Économise du temps d?ordinateur lorsque le système est statique (ex. : il ne se passe

rien).
- Ne nécessite pas de prise de décision quand à la longueur de l’intervalle de temps, s’il
était fixe (ce qui affecte et le temps d’ordinateur, et la précision).
- Est avantageux à utiliser lorsque les événements ne se produisent pas à intervalles
réguliers ou lorsque la durée moyenne d’un événement est longue.

2.6 NOTION DE FILE D'ATTENTE

Une file d'attente est un ensemble ordonné d'entités (clients) qui attendent un changement
de statut (qu'un serveur se libère). On trouve le phénomène d'attente aussi bien dans les systèmes
manufacturiers que dans les banques, coiffeurs, postes, etc. Tous ces systèmes impliquent des
situations dans lesquelles des entités (clients) doivent attendre en file pour un service. Quand
une file d'attente se vide, le serveur devient libre.
Un système de file d'attente est représenté à la Figure 2.3.

client servi
Population file service
d'attente phase

Figure 2.3 : Système de file d'attente

- La population représente les clients qui vont aller au système de file d'attente. Elle
peut être finie ou infinie. Elle est caractérisée par le taux d'inter-arrivée des clients
dans le système.

- La file d'attente est l'endroit où les clients attendent pour le service. Elle est carac-
térisée par la capacité (ex.: espace d'entreposage devant un poste de travail) qui peut
être finie ou infinie et la gestion de la file (règle d'ordonnancement qui détermine quel
client dans la file sera le prochain à être servi. Ex.: premier arrivé, premier servi).

- Le service est la description du mécanisme de service. Il est caractérisé par le taux de

service et le nombre de serveurs en parallèle (ex.: nombre de machines identiques dans
chaque poste).

- La phase est composée de la file d'attente et du service dans un système de file

d'attente (ex.: le nombre de postes de travail qu'un produit visite avant de quitter le
système).
Les différents types de systèmes de file d'attente sont représentés à la Figure 2.4.

ËdËdËdËd

file d’attente serveur

un seul serveur, une seule phase

ËdËdËdËd

file d’attente serveurs

plusieurs serveurs, une seule phase

ËdËdËdËd
file d’attente serveurs

un seul serveur, plusieurs phases

ËdËdËdËd

file d’attente serveurs

plusieurs serveurs, plusieurs phases

Figure 2.4 : Les différents systèmes de files d'attente

Un système de file d'attente peut être représenté comme suit (Banks et Carson 1984):

A/B/S/N/K/D

A : représente la distribution de probabilité du temps inter-arrivée

B: représente la distribution de probabilité du temps de service
Des symboles communs pour A et B sont: M (exponentiel), D (constante ou déterministe), Ek
(Erlang d'ordre k) et G (arbitraire ou général).

S: représente le nombre de serveurs en parallèle

N: représente la capacité du système
K: représente la taille de la population
D: représente la discipline de file d'attente

2.6.1 Approche analytique

Par exemple, M / M / 1 / ∞ / ∞ : représente un système de file d'attente à un seul serveur

qui a une capacité et une population infinie. Les temps inter-arrivée et de service suivent des
distributions exponentielles. Les mesures de performance d'un système de file d'attente peuvent
être calculées en régime permanent (quand elles ne dépendent plus du temps) à l'aide de formules
appropriées. Par exemple, dans le cas du système M / M / 1 / ∞ / ∞ :
λ : taux d'arrivée des clients

µ : taux de service

λ
Taux d'occupation du poste : Φ =
µ

1
Temps moyen dans système : T s =
µ − λ

λ
Nombre dans système : N s =
µ − λ
λ
Temps moyen dans file : T f =
µ (µ − λ )

λ2
Nombre moyen dans file : N f=
µ (µ − λ )

Illustration :

Supposons un chantier de construction où les ouvriers arrivent, pointent leur présence et vont
chercher leurs outils de travail auprès d'un magasinier chargé de la conservation des outils.

Dans la situation de départ, les ouvriers arrivent au rythme moyen de 15 personnes par
heure (une arrivée toutes les quatre minutes). Le magasinier sert en moyenne 18 personnes à
l'heure. Si un magasinier est payé 10 dollars de l'heure et chaque ouvrier 15 dollars de l'heure, on
veut savoir s'il est opportun d'engager un deuxième magasinier pour accélérer la remise des
outils.

On utilisera la formule du temps d'attente dans la file pour comparer les coûts totaux de l'attente
et des salaires de magasinier selon que l'on a un ou deux magasiniers. Dans cette
illustration on supposera que le service de délivrer les outils est deux fois plus rapide avec deux
magasiniers qu'avec un seul.

Un serveur Deux serveurs

Tf = 15/(18(18-15)) Tf = 15/(36(36-15))
= 0.28 = 0.02
coût attente : 0.28*15*15 = 63 .02*15*15 = 4.5
coût magasinier : 10 2*10 = 20
coût total : 73 24.5

Conclusion : engager un deuxième magasinier. (Alors un troisième?)

Pour la représentation d'autres cas de système de file d'attente, voir Banks et Carson
(1984).

2.6.2 Réseaux de files d'attente

Un réseau de file d'attente est composé d'un ensemble (souvent fini) de postes de service
(file + serveur) et d'un ensemble généralement infini de clients (population).

Il est caractérisé par un processus stochastique représentant l'arrivée des clients au réseau,
les temps de service aléatoires des clients aux postes, le processus stochastique représentant le
cheminement des clients d'un poste à l'autre et les disciplines de service des clients à chaque
poste (ex.: premier arrivé, premier servi). On peut avoir des limites de la longueur des files
d'attente aux postes, ce qui entraîne des pertes de clients arrivant à une file déjà pleine ou le
blocage d'un poste ne pouvant acheminer les clients vers une file pleine. Il y a 2 types de réseaux
de file d'attente :

- Réseau ouvert : il comporte des arrivées de clients de l'extérieur du réseau et des

départs de clients quittant le réseau (Figure 2.5).
λi: taux d’arrivée
Si : nombre de serveurs au poste i
µ i: taux de service
α ij : probabililté d’aller au poste i vers le poste j ( ∑ a = 1 )
ij

En régime permanent le flux d’entrée λ 0 est égal au flux de sortie λ s

- Réseau fermé : il comporte un nombre fini de clients N circulant indéfiniment dans le

réseau (Figure 2.6).
 S1 , µ 1
α1i

Si , µ i

αni

Sn , µ n
αn1
Figure 2.6 : Réseaux de files d'attente fermés

ni : nombre de client dans le poste i. Alors ∑n

i = N.
2.6.2.1 Liste des logiciels de réseaux de files d'attente

Tableau : Logiciels de réseaux de files d’attente

Nom Application Type de Solution Discipline Distribution Distribution Taille

(année) réseaux de file temps de temps de la
d’attente service d’arrivée file

CAN-Q systèmes fermé exacte PAPS exponentielle fixé à N infinie

(1977) manufactu- produits
riers défaut = 3 *
nb de serveurs

RESQ usage fermé exacte PAPS Constante constante finie

(1977) général ouvert approx. DAPS discrète discrète ou
mixte simulation priorité uniforme uniforme infinie
entre exponentielle exponentielle
les clients Erlang Erlang
gérée à partir gérée à partir
des des
précédentes précédentes
hyperexpo- hyperexpo-
nentielles nentielles

PANACEA usage fermé expansion ------- ---------- ------------ infinie

(1977) général ouvert asympt. --- --
mixte approx.
simulation

QNA usage fermé approx. PAPS pas limité à pas limitée à infinie
(1983) général ouvert exponentielle Poisson

MVAQ systèmes fermé approx. PAPS exponentielle fixé à N infinie

(1984) manufactu- produits
riers

PMVA systèmes fermé approx. PAPS exponentielle fixé à N infinie

(1984) manufactu- priorité à produits
riers une
pièce
particulièr
e

Manuplan systèmes ouvert approx. PAPS générale générale infinie

(1986) manufactu-
Manuplan riers
II
(1987)
Les données à entrer ainsi que les résultats attendus de ces logiciels se présentent comme suit :

Tableau : Données et résultats de réseaux de files d’attente

LOGICIELS DONNÉES RÉSULTATS

CAN-Q - nombre de postes -taux de production du système
- nombre de pièces qui circulent -temps moyen passé dans le système
- nombre de serveurs à chaque poste par une pièce
- probabilité de routage -utilisation des machines
- temps de traitement moyen à -longueur moyenne des files d’attente
chaque poste -analyse de sensibilité :
temps de traitement - taux de
production
utilisation - taux de production
mélange de produits - taux de
production
RESQ - temps d’arrivée moyen Analytique et simulation :
- temps de service moyen et -utilisation des ressources et débits
distribution -longueur moyenne des files
- paramètre numérique -temps moyen dans les files
- paramètres de distribution Simulation seulement :
- paramètres de noeuds et chaînes -variance et valeur maximale des
résultats précédents
PANACEA ------------------------- -utilisation des noeuds à chaque classe
-longueur moyenne des files pour
chaque classe
-débit du système
-utilisation du centre de service
-variance des longueurs de file
QNA - nombre de noeuds dans le réseau -utilisation du noeud
- nombre de serveurs à chaque -nombre de serveurs occupés attendu
noeud -moyenne et variation de la longueur
- taux d’arrivée externe à chaque des files
noeud avec coefficient de -moyenne et variation du délai total
variation -moyenne et variation du temps de
- proportion de clients complétant réponse
service au noeud i et allant au
noeud j
LOGICIELS DONNÉES RÉSULTATS
PMVA - distribution d’arrivée -débit attendu/produit
- distribution de service -débit attendu/station
- distribution de routage -débit total
-utilisation des machines
-utilisation des transporteurs
-statistique sur la longueur des files
-temps dans la file
MANUPLAN - nombre d’heures d’opération/an -sommaire de production pour chaque
II - pour chaque groupe d’équipement type de pièce :
: -taux de production
- nombre dans le groupe -quantité de rebut produite
- temps moyen entre les pannes -temps de passage dans le système
- temps moyen de réparation -inventaire moyen
- facteur de temps supplémentaire -pour chaque groupe d’équipement :
- pour chaque produit : -utilisation de l’équipement
- demande annuelle -proportion de la capacité requise pour
- taille du lot l’utilisation, la réparation et la
- données de routage : mise en route
- nom de l’opération -inventaire devant chaque groupe
- opération suivante
- assignation à un groupe
d’équipement
- temps de mise en route et de
traitement
 2.7 SIMULATION D'UNE FILE D'ATTENTE

Logigramme du modèle de file d'attente à 1 serveur : avance de temps variable.

INITIALISATION TA = TF = TS = TAT = TLT = 0

A
Note : TS, TF : client I
Intervalle de temps de TA : client I + 1
GÉNÉRER
la nouvelle arrivée TA

TA= TA- TF

GÉNÉRER
TS
Nouveau client arrivé avant Nouveau client arrivé
Que le service soit complété après la fin du service

TS > TA TS > TA
TS TA

TS TA

TL = 0 TF = 0 TF = 0

TL = 0
TF = TS - TA TL = TA = TS

TLT = TLT + TL
TAT = TAT = + TF

TF = Intervalle de temps que le client doit passer en file d’attente avant d’être servi.
TL = Intervalle de temps pendant lequel le serveur est libre et attend pour la prochaine
 Logigramme du modèle de file d’attente à 1 serveur : avance de temps fixe.

TA= TS= TLT= TAT= TEMPS=0

INITIALISATION
FA = # client en file

A TA = intervalle de temps jusqu’à la

prochaine arrivée
FA = FA + 1
Faire entrer un client TPA = Temps arrivée prochain client

TS = Temps service du client actuel

Générer temps prochaine arrivée GÉNÉRER TA TLT = Temps total libre du serveur

Calcul temps réel de l’arrivée

TPA = TPA + TA

Serveur
(occupé)
Serveur
(libre) non
oui
TS>0

oui oui non

non
FA> 0 FA> 000
FA>
FA>

TLT = TLT + 1 FA =FA - 1 TAT = TAT + FA * 1

GÉNÉRER TS

Temps de service

TEMPS DE SERVICE RESTANT

TEMPS = TEMPS + 1

NON OUI

TS>0
TS = TS - 1

OUI NON
A
TEMPS = TPA B
2.8 NOTIONS DE MODÈLES ET SIMULATIONS

1. Définitions :

- Un modèle est défini comme une représentation d’un système dans le but d’étudier le
système en question.

- Un modèle est une subtitution mais aussi une simplification.

- Toutefois, le modèle doit contenir assez de détails pour tirer des conclusions valables
sur le système réel.

Remarque :

Jusqu’où peuvent aller les détails? C’est une tâche difficile dans l’étape de modélisation ...

ART !!!

2. Classification des modèles : (Figure 2.7)

a) Physique ou abstrait

Physique : Réplique physique de l’objet

ex. : maquette bâtiments, avions, autos, ponts, etc.

Abstrait : Représentation symbolique

- Modèles mathématiques ≡ Abstraits symboliques
- Description verbale ≡ Abstraits sensitifs
- Dessin ≡ Abstraits descriptifs

b) Statique ou dynamique

Statique : Décrit une situation que ne change pas avec le temps.

ex. : Maquette bâtiment (modèle physique statique)
Équation d’attraction (modèle abstrait statique) de 2 masses de l’espace

Dynamique : Décrit un système dont les interactions varient dans le temps.

ex. : Prototype moteur électrique = (prod. physique dynamique).
 SYSTÈME RÉEL

MODÈLE

ABSTRAIT PHYSIQUE

STATIQUE DYNAMIQUE STATIQUE DYNAMIQUE

LINÉAIRE NON-LINÉAIRE LINÉAIRE NON-LINÉAIRE

STABLE STABLE INSTABLE STABLE INSTABLE STABLE INSTABLE

Figure 2.7 : Classification des modèles

Chacun peut être redivisé selon les 2 divisions suivantes :

1. Stochastique ou déterministe
2. Prescriptif ou descriptif

Équation mathématique décrivant = (prod. Abstraite dynamique) le déplacement d’un corps dans
l’espace. Modèles d’entreprises industrielles seront tous dynamiques.
c) Linéaire, non-linéaire :

Linéaire : Représente un système dont les effets sont additifs

ex. : Vente de production : Augmentation du nombre de travailleurs ≡ augmentation
proportionnelle du taux de production (sans tenir compte des
besoins en machines, espace).

Utilisé dans l’industrie, mais n’a pas toujours une bonne approximation.

Non-linéaire : Système ou condition de linéarité ne s’applique pas toujours.

ex. : Temps de production d’un lot sur une machine = temps de mise en route + temps
d’opération.
Doubler le nombre d’opérateurs par 2 et le nombre de machines par 2 ≡ temps de
production = diminution par 2, mais seulement le temps d’opération.

Exemple de modèle mathématique simple :

Temps de production = temps set-up + temps opérateur unitaire * # de pièces
# d’opérateurs

d) Stable ou instable :

Stable : Système qui reprend sa condition initiale après une perturbation.

ex. : Diminution de la demande d’un produit ≡ Effet sur inventaire et taux de
production d’une industrie. Si stable ≡ reviendront à leur niveau initial.
En général, on dit qu’un système est stable si l’état du système reste constant à
l’intérieur de certaines limites.

Instable : Système dans lequel une perturbation sera amplifiée quand les changements
augmentent continuellement.
ex. : Un système de production non-linéaire instable réagira de la sorte jusqu’à ce que
des influences non-linéaires limitent la perturbation (manque d’ouvriers, capacité
limitée).

e) Stochastique ou déterministe :

Stochastique : Contient une ou plusieurs variables aléatoires (V.A.).

Déterministe : Ne contient pas de V.A. (Arrivée de patient selon le rendez-vous).

f) Prescriptif ou descriptif (Génératifs ou évaluatifs) :

Prescriptif : Modèle où il y a optimisation de la prise de décision ≡ Génère des solutions

optimales ≡ Programmation linéaire.

Descriptif : Décrit les situations du système.

Modèle de file d’attente.
L, Lq, w, wq (goulôt).

Remarque : Les systèmes de production seraient mieux représentés par des modèles :
abstraits, dynamiques, non-linéaires et stables.

Mais très complexes souvent approximés par des modèles abstraits dynamiques, linéaires
et stables.
 3. Modèles de simulation :

MODÈLES DE SIMULATION

Contient une ou
plusieurs V.A.,
plusieurs output
estimation
DETERMINISTE Ex : temps inter-arrivée des clients

Ne contient pas de V.A. # moyens de clients temps

- un seul input connu; STOCHASTIQUE moyens d’attente
- un output unique

ex : arrivée des patients selon

l’horaire des rendez-vous

DYNAMIQUE
STATIQUE

Simulation de Monté Carlo Représente le système avec

Représente un système à un certain changement dans le temps.
point du temps.
Ex : simulation d’une banque entre 9 h
Ex : évaluation d’expression 00 et 17 h 00.
analytique complexe
 4. Les composants du système :

Pour comprendre et modéliser un système, il est utile de définir les composants du

système.

Entité : Objet d’intérêt du système.

Attribut : Propriété de l’entité.

Activité : Période de temps déterminée.

État : Collection de variables nécessaire pour décrire le système à tout moment par rapport
aux objectifs de l’étude.

Événement : Réalisation instantanée qui peut changer le système.

Endogène : Description des activités et événements qui sont dans le système (dépendante).

Exogène : Description des activités et événements en dehors du système (indépendante).

Relations fonctionnelles : Décrivent les interactions entre les variables et les composants du
système.

Exemples de systèmes 8 composants

Système Entité Attribut Activité Événement Variable d’état
Banque Client Solde - Faire des Arrivée - Départ # serveurs occupés
client dépôts # clients en attente
Transport Voyageur Origine - Voyager Arrivée ÷ station
destination Arrivée ÷
destination
Production Machine Vitesse Fraisage Panne Statut machines
capacité moulage occupées
taux de inoccupées
panne pannes
Communication Message Longueur Transmettre Arrivée ÷ # messages en
destination destination attente
Inventaire Entrepôt Capacité Retrait Demande Niveau
d’inventaire
5. Déroulement d’une simulation :

Début

Entrée des données

Initialisation

+ contrôle du temps
Do

Génération d’événement

Calcul et enregistrement
de statistiques

Résultats

Fin

* Un événement est habituellement généré lorsque certaines conditions simulées se

produisent.

* Les événements peuvent être indépendants (ex. : arrivée de clients, arrivée de

commandes, fin de journée, ...) ou conditionnel (ou dépendants), s’ils produisent comme
conséquence d’autres événements :

Exemple : ÉVÉNEMENT «le client finit de se faire servir» (file non vide)

ÉVÉNEMENT «le client suivant commence à se faire servi»r

Notons que celles-ci forment un groupe de base qui pourrait évidemment être augmenté.

d’état : S : serveur occupé ou non

A : file d’attente ou non

Notons que celles-ci seront utilisées implicitement dans l’organigramme que nous
suggérons.

c) Relations fonctionnelles

1. Lorsqu’un client arrive, il se fait servir immédiatement si la file d’attente est vide
(serveur inoccupé), sinon il entre en file d’attente selon la discipline suggérée.

2. Lorsque le serveur finit de servir un client, ce dernier quitte le système et un nouveau

client vient se faire servir s’il en reste en attente, sinon le serveur devient inoccupé.
 6. Exemple : Modèle de file d’attente à un serveur

Revoyons d’abord les caractéristiques de base d’une file d’attente à un serveur :

• • •
arrivée
serveur sortie

FILE D’ATTENTE

SYSTÈME

Ce système est décrit par :

1. le taux d’arrivée des clients

2. la discipline de la file d’attente
3. le temps de service

Si un client arrive et que le serveur est inoccupé, il y va directement; s’il y a une file
d’attente ou que le serveur est occupé, le client entre en attente, se plaçant dans la file à une
position déterminée par la discipline. Quand un client arrive à la station de service, il est servi
en un temps déterminé par le taux de service; le service terminé, le client sort et un nouveau
client vient s’il reste en attente, sinon le serveur devient inoccupé.

Construisons d’abord un modèle général de simulation :

a) Composantes

Serveur, station de service, file d’attente, «clients»

b) Variables

exogènes : - distribution de probabilité des temps inter-arrivées (taux)

(indépendantes) - discipline de la file d’attente (ou relation fonctionnelle)
- disbribution de probabilité des temps de service

endogènes : FA : nombre de clients en file d’attente

(dépendantes) TA : intervalle de temps jusqu’à la prochaine arrivée
TPA : temps d’arrivée du prochain client
TS : temps de service de l’actuel client
TAT : temps d’attente total
TLT : temps libre total du serveur

GPA-662 Modélisation et simul. de systèmes de production

2.9 SIMULATION MANUELLE D’UNE FILE D’ATTENTE

Les clients arrivent au guichet d’une banque.

-se font servir si le serveur est libre.

-attendent en file si le serveur est occupé.

?> ⇒
Arrivée des clients File d’attente Service Client quitte le système

Les temps d’arrivée et de services sont :

CLIENT TEMPS D’ARRIVÉE SERVICE

(min.) (min.)
1 3,2 3,8
2 10,9 3,5
3 13,2 4,2
4 14,8 3,1
5 17,7 2,4
6 19,8 4,3
7 21,5 2,7
8 26,3 2,1
9 32,1 2,5
10 36,6 3,4

Simuler 40 minutes manuellement et déterminer :

- Temps moyen dans le système.

- Nombre de clients moyens dans la file et dans la banque.
- % de temps que le serveur sera libre.

GPA-662 Modélisation et simul. de systèmes de production

 Description des évènements de la simulation du guichet de banque
Temps Numéro du Type Nombre de file Nombre en Statut du serveur Temps libre du
d’évènement client d’événement banque serveur
0.0 - Début 0 0 Libre
3.2 1 Arrivée 0 1 Occupé 3.2
7.0 1 Départ 0 0 Libre
10.9 2 Arrivée 0 1 Occupé 3.9
13.2 3 Arrivée 1 2 Occupé
14.4 2 Départ 0 1 Occupé
14.8 4 Arrivée 1 2 Occupé
17.7 5 Arrivée 2 3 Occupé
18.6 3 Départ 1 2 Occupé
19.8 6 Arrivée 2 3 Occupé
21.5 7 Arrivée 3 4 Occupé
21.7 4 Départ 2 3 Occupé
24.1 5 Départ 1 2 Occupé
26.3 8 Arrivée 2 3 Occupé
28.4 6 Départ 1 2 Occupé
31.1 7 Départ 0 1 Occupé
32.1 9 Arrivée 1 2 Occupé
33.2 8 Départ 0 1 Occupé
35.7 9 Départ 0 0 Libre
36.6 10 Arrivée 0 1 Occupé 0.9
40.0 10 Départ 0 0 Libre ∑ 8 min.

GPA-662 Modélisation et simul. de systèmes de production

Chaque rectangle a une hauteur = 1 et une largeur = wi

N
Temps total dans le système de tous les clients = ∑ wi
i=l

T
= ∫ L (T ) dt
0

Statut du serveur – 8 min

occupé

libre

Le nombre moyen des clients dans le système = L = 1 ∫ L (t ) dt = ∑

T wi
T 0
T

GPA-662 Modélisation et simul. de systèmes de production

 Simulation manuelle d’un guichet de banque
Numéro du Temps Début du Temps de Temps en Temps dans
client D’arrivée Service départ file La banque
(1) (2) (3) (4) (5)=(3)-(2) (6)=(4)-(2)
1 3.2 3.2 7.0 0.0 3.8
2 10.9 10.9 14.4 0.0 3.5
3 13.2 14.4 18.6 1.2 5.4
4 14.8 18.6 21.7 3.8 6.9
5 17.7 21.7 24.1 4.0 6.4
6 19.8 24.1 28.4 4.3 8.6
7 21.5 28.4 31.1 6.9 9.6
8 26.3 31.1 33.2 4.8 6.9
9 32.1 33.2 35.7 1.1 3.6
10 36.6 36.6 40.0 0.0 3.4
∑ 26.1 min ∑ 58.1 min

GPA-662 Modélisation et simul. de systèmes de production