MODELISATION DES

SYSTEMES
X4
Par Pr ELOUNDOU Etienne François
Chargé de Cours
 Plan du séminaire

1-Comprendre un Business Process Diagram (BPMN 2.0)

2- Les systèmes dynamiques
3- Du phénomène au modèle
4-La construction des modèles mathématiques.
5- Le fonctionnement du Design Pattern (DP) Procédural
6- Le fonctionnement du DP Advanced Branching and Synchronization
7-La modélisation orientée objet (Matériel et logiciel)0
)
Comprendre un Business Process Diagram (BPMN
2.0)

 Le standard Business Process Management and Notation est la norme de notation qui
encadre la modélisation des processus et l’automatisation des workflows dans une
organisation.
 Son objectif principal est de simplifier la représentation des processus, qu’il s’agisse
de processus métiers ou de processus applicatifs, pour faciliter leur compréhension et
leur exécution par tous leurs utilisateurs.
Comprendre un Business Process Diagram (BPMN
2.0)

 Il s'agit de créer un Business Process Diagram comportant :

- Task (User, Script, Send, Receive, Business Rule)
- Event
- Gateway (Data, Event, Complex, Parallel)
- Sequence (Flow, Default)
 Message
Comprendre un Business Process Diagram (BPMN
2.0)

 Le standard BPMN, ou norme BPMN, est une norme de notation en matière

de modélisation des processus. Elle définit une manière de représenter les
processus graphiquement pour les rendre clairs et compréhensibles auprès de toutes les
personnes susceptibles d’avoir recours auxdits processus :
 collaborateurs,
 managers responsables de la mise en place et du suivi des processus,
 techniciens responsables de la mise en place des outils,
 intervenants externes, etc.
Les systèmes dynamiques

L’être humain est habitué à construire et à utiliser des modèles mentaux de la réalité qui
l’entoure. Chaque fois que nous conduisons une voiture, que nous traversons la rue, que nous
prévoyons qu’il pleuvra ou que nous attrapons un objet au vol, nous utilisons des modèles
prédictifs qui ont été construits sur base de nos expériences et de nos erreurs passées. Dans les
sciences, il est particulièrement intéressant d’étudier et de modéliser des phénomènes, dont la
configuration où les propriétés changent avec le temps.
 Les systèmes dynamiques

Dans cette conférence nous appellerons systèmes dynamiques ces phénomènes. Des exemples
de systèmes dynamiques sont le mouvement des planètes, la croissance d’une plante, la
propagation d’un virus, l’oscillation d’un pendule ou le flux de clients dans une banque. De
manière qualitative, la notion de système fait référence à un assemblage d’éléments
fonctionnant de manière unitaire et en interaction permanente. La notion de système est
utilisée dans plusieurs domaines différents.
 Les systèmes dynamiques

Des exemples de systèmes sont:

— L’ensemble de propositions, d’axiomes, de principes et de conclusions qui forment un
corps de doctrine ou un tout scientifique (par exemple le système d’Aristote ou le système
newtonien en physique).
— L’ensemble de méthodes, de procédés organisés ou institutionnalisés pour assurer une
fonction (par exemple le système d’éducation, le système de production ou le système de
défense).
— L’ensemble d’éléments qui se coordonnent pour concourir à un résultat (par exemple le
système nerveux).
— Un appareillage, un dispositif ou une machine assurant une fonction déterminée (ex. :
système d’éclairage, système automobile, système d’exploitation).
 Les systèmes dynamiques

Si nous rajoutons l’attribut dynamique, nous mettons l’accent sur le fait que les phénomènes
qui concernent le système ont lieu dans le temps. Dans la suite nous appellerons système
dynamique une entité physique qui jouit des propriétés suivantes :
(i) elle évolue dans le temps,
(ii) elle est soumise à un ensemble de signaux d’entrée (inputs) et
(iii) elle renvoie un ensemble de signaux de sortie (outputs). Notons que l’entrée est
normalement associée à une cause (par exemple une force) et la sortie à un effet (par exemple
une accélération).
 Les systèmes dynamiques

En effet, presque tous les phénomènes qui nous entourent ont d’importants aspects dynamiques et
peuvent être décrits par un ensemble d’entrées et sorties. Considérons par exemple :
— un local chauffé (où l’entrée est le degré d’ouverture des vannes des radiateurs ainsi que le nombre
de personnes et la sortie est la température dans la pièce),
— un circuit électrique (où l’entrée est le courant et la sortie est la tension),
— un système masse-ressort (où l’entrée est la force appliquée à la masse et la sortie est la position de
la masse),
— un réservoir (où l’entrée est le débit en entrée et la sortie est le débit en sortie),
— un supermarché (où l’entrée est le flux de marchandises apportées par les camions
d’approvisionnement et la sortie est le flux de produits achetés par les clients),
— un système économique, un écosystème ou un organisme. Notons que dans tous ces exemples les
grandeurs caractéristiques changent dans le temps.
 Du phénomène au modèle

Plusieurs systèmes dynamiques peuvent être étudiés et analysés d’une façon intuitive. Pour
d’autres un prototype (ou une maquette) suffit à nous éclairer sur le fonctionnement. Il existe
toutefois des systèmes dynamiques pour lesquels la relation entrée-sortie est souvent
compliquée et/ou incertaine
 Du phénomène au modèle

Des exemples sont les systèmes constitués par un grand nombre de sous-systèmes et les
systèmes pour lesquels l’effet d’une action de contrôle est difficilement prévisible (par
exemple l’effet d’un mouvement de gouvernail sur la position d’un navire-citerne ). Aussi,
l’expérimentation par prototype a plusieurs désavantages : coût, lenteur, impraticabilité,
risque.
Une alternative réside dans l’étude abstraite du système. Ceci demande une description
formelle du phénomène en question. La construction d’un modèle formel est souvent une
procédure compliquée et peu standardisée.
 Du phénomène au modèle

Considérons un phénomène environnemental qui est décrit verbalement (en anglais) de la

manière suivante : Worldwide we observe today an increasing stress on natural resources and
the natural environment. The reason for this is a constant increase in population and economic
activity and, as a consequence, the consumption of the different resources and the dumping of
wastes in the environment.
An important determinant of this resource and environmental load is the consumption of
resources and energy per capita. This consumption has the tendency to increase as the
pollution stress increases since resource exploitation becomes more difficult. As consumption
increases, the material standard of living also improves with a corresponding effect on
population development. However, pollution and the diminishing natural resource have
feedback effects on the health and life expectancy of the population .
 Du phénomène au modèle

Un premier effort de formalisation pourrait passer par la transposition du texte dans la

représentation graphique en Figure ci-dessous qui a pour but de résumer les aspects les plus
intéressants de la description verbale.
Cette représentation (connue sous le nom de diagramme d’influence ) met en évidence les
variables les plus importantes et l’effet que le changement de chacune d’entre elles a sur les
autres. Par exemple la flèche labellisée par le signe
− entre pollution et population sert à représenter le concept exprimé par la phrase ...pollution
and the diminishing natural resource have feedback effects on the health and life expectancy of
the population
 Du phénomène au modèle
Figure 1: Diagramme d’influence
+
Population consumption
- +
+ +

pollution
 Du phénomène au modèle

Cela signifie qu’une augmentation de la pollution entraînerait une diminution de la

population. Le formalisme du diagramme d’influence est une manière non quantitative de
décrire le comportement d’un système. Si par contre la loi sous-jacente à un système
dynamique est décrite de manière quantitative par un formalisme mathématique, nous
obtenons un modèle mathématique.
Dans la suite nous entendrons par modèle d’un phénomène physique l’expression dans un
langage formel de tout ce que l’on connaît sur ce phénomène. La relation entre la réalité, le
modèle et la personne qui utilise le modèle est à la base de la notion de modélisation.
La construction des modèles
mathématiques
L’histoire de la science a montré que la formalisation des problèmes est avantageuse dans
plusieurs domaines.
Dans le passé l’activité de modélisation était plutôt liée à la physique. Un exemple typique est
la modélisation dans le domaine de la mécanique (Newton, 1687).
Aujourd’hui toutes les sciences (mathématiques, humaines et appliquées) sont caractérisées
par une activité de définition, d’analyse et d’utilisation de modèles. A titre d’exemple, citons
les modèles utilisés en physique, économie, finance, médecine, sociologie et toutes les
sciences de l’ingénieur.
La construction des modèles mathématiques

Les motivations d’un effort de modélisation sont multiples :

— Compréhension de la réalité : le modèle pourrait apporter une connaissance additionnelle sur les
mécanismes de fonctionnement d’un phénomène (comportements oscillatoires, états d’équilibre, stabilité,
instabilité).
— Génération de solutions : les solutions du modèle fournissent des exemples et des prédictions sur le
comportement du système. Parfois une solution peut être obtenue de manière analytique alors que dans
d’autres cas il faut avoir recours à la simulation numérique.
— Étude de dépendances structurelles : une fois qu’il est possible d’obtenir aisément de solutions, il est
intéressant étudier et analyser le comportement des solutions en fonction des paramètres ou de la structure du
modèle. L’analyse se focalise sur des notions comme stabilité, sensibilité et robustesse.
— Contrôle : il arrive souvent que le but final de la modélisation ne soit pas uniquement une plus grande
compréhension d’un phénomène, mais aussi la conception de règles ou d’un système de contrôle capable
d’amener le système vers un état désiré. La construction et l’identification des modèles afin d’obtenir des
stratégies de régulation sont l’objet de l’automatique
La construction des modèles
mathématiques
L’utilisation courante des modèles ne doit pourtant pas nous faire oublier leur caractère
d’abstraction. Tout modèle est basé sur des hypothèses simplificatrices. Donc, il ne représente
jamais la réalité dans toute sa finesse, mais il fournit une approximation d’autant meilleure que
l’on considère des lois plus fines et qu’on dispose de données de meilleure qualité.
La construction des modèles
mathématiques
Lors de l’établissement d’un modèle, on est constamment tenu de trancher entre deux
exigences contradictoires :
1. Représenter la réalité avec précision et dans tous ses aspects,
2. Ne pas compliquer exagérément le modèle. Ces considérations peuvent être résumées de
manière compacte par la citation suivante :
All the models are wrong, but ... some of them are useful
(George Box)
La construction des modèles
mathématiques
Par exemple, supposons vouloir modéliser les lois qui régissent les mouvements des astres. Il
est reconnu que la mécanique quantique est une théorie plus exacte que la mécanique
classique, tout en restant beaucoup plus difficile à manier.
Il en suit que, puisque les effets quantiques sur les mouvements des astres semblent
négligeables, typiquement il est plus commode d’utiliser la mécanique classique afin de
décrire, comprendre et prédire l’évolution de ces phénomènes.
La construction des modèles
mathématiques
La précision d’un modèle doit donc être pondérée par sa complexité comme énoncé par le
principe de parcimonie, aussi connu sous le nom de rasoir d’Ockam, qui est un des principes
fondamentaux de la science. Selon ce principe :
Entia non sunt multiplicanda praeter necessitatem
c.-à-d. les modèles ne doivent pas être rendus excessivement compliqués si ceci n’est pas
nécessaire. En d’autres termes, parmi deux modèles avec le même pouvoir prédictif, c’est au
plus simple que nous devrions accorder notre préférence.
La construction des modèles
mathématiques
On peut répartir les modèles selon plusieurs critères. Une répartition qu’on retrouve souvent
dans la littérature scientifique distingue deux types de modèles.
Modèles structuraux ou comportementaux : ce sont les modèles caractérisés par leur
analogie avec le système réel. Leur but principal est de fournir une explication qualitative du
fonctionnement du système réel. Typiquement ils s’appuient sur la connaissance à priori de
l’expert. On retrouve des modèles de ce genre notamment dans la médecine et la biologie.
Modèles fonctionnels : parmi ceux-ci figurent les modèles qui représentent le comportement
d’un système sur la base de relations entrée-sortie. Typiquement, ces modèles négligent la
structure interne du système, en visant exclusivement une prédiction fiable du comportement
extérieur du système. Ils sont aussi nommés modèles boîte-noire car les paramètres qui les
caractérisent n’ont aucune signification physique. Les modèles boîte-noire sont couramment
utilisés dans l’identification des systèmes dynamiques, dans les procédés de régulation
automatique et pour la prédiction des séries temporelles (par exemple en finance).
La construction des modèles
mathématiques
Cette distinction soulève une question intéressante à propos du rôle du modèle en tant qu’outil
explicatif d’un phénomène par rapport à son pouvoir prédictif. Nous nous bornerons ici
simplement à rappeler au lecteur que le pouvoir explicatif d’un modèle ne doit jamais être
obtenu au détriment de son pouvoir prédictif. A ce propos l’anecdote suivante pourrait nous
éclaircir sur les enjeux de la question :
La construction des modèles
mathématiques
Quand Laplace eut publié sa Mécanique céleste, l’empereur le fit venir. L’empereur était
furieux :
“ Monsieur de Laplace, je ne trouve pas dans votre système mention de Dieu ?” Laplace
répondit : “Sire, je n’ai pas eu besoin de cette hypothèse. Cette hypothèse, Sire, explique en
effet tout, mais ne permet de prédire rien. En tant que savant, je me dois de vous fournir des
travaux permettant des prédictions.”
Le fonctionnement du Design Pattern (DP) Procédural
Le fonctionnement du Design Pattern (DP) Procédural

Le DP Procedural permet d’éviter qu’une instance du processus franchisse les activités les
unes après les autres sans parallélisation, synchronisation ou fusion,. Il permet généralement
de réduire le temps global de réalisation du processus.
 Le fonctionnement du DP Advanced
Branching and Synchronization

Le DP Advanced Branching and Synchronization permet de gérer plus efficacement les

processus parallèles dans lesquels des Gateway sont utilisés.
Le fonctionnement du DP Advanced
Branching and Synchronization
La modélisation orientée objet (Matériel et
logiciel)
Une grande défaillance des Systèmes informatiques;
80% de logiciel ;
20% de matériel;
31% des projets ont été abandonnés (les fonctionnalités, ,,) les critères de qualité de
l’utilisateur final
Depuis quelques années, la fabrication de matériel est assurée par quelques fabricants
seulement,
Le marché est relativement stable
Le marché est standardisé
Les problèmes liés à l’informatiques sont essentiellement des problèmes de logiciel
La modélisation orientée objet (Matériel et
logiciel)
La crise du logiciel:
Sur une étude de 8380 projets, (Standish Group, 1996)
Succès; 16%
Problématique: 53% ( budget dépassé, délais non respectés, défauts de fonctionnalités)
Echec: 31% abandonnés
Le taux de succès décroît avec la taille des projets et la taille des entreprises
Génie logiciel (Software engineering):
Comment faire des logiciels de qualité?
Qu’attent-on d’un logiciel? Qu'est ce qu’un logiciel de qualité?
La modélisation orientée objet (Matériel et
logiciel)
Critères de qualité d’un bon logiciel;
Utilité
Utilisabilité
Fiabilité
Interopérabilité
Performance
Portabilité
Réutilisabilité
Facilité de maintenance
La modélisation orientée objet (Matériel et
logiciel)
Le processus de fabrication est garant de la réussite du produit
Pour obtenir un système de qualité, il faudrait en maîtriser le processus d’élaboration.
La vie d’un logiciel est composé de différentes étapes, la succession de ces différentes étapes
forme le cycle de vie du logiciel.
il faudrait contrôler la succession de ces différentes étapes.
La modélisation orientée objet (Matériel et
logiciel)
Les Etapes de développement d’un logiciel:
Etudes de faisabilité
Spécification
Déterminer les spécifications du logiciel
Conception
Déterminer la façon dont le logiciel fournit les différentes fonctionnalités recherchées
Codage
Test
Essayer le logiciel sur des données d’exemple afin de s’assurer qu’il fonctionne correctement
Maintenance
 La modélisation orientée objet (Matériel et
logiciel) Modélisati
on
Une autre définition de la modélisation
Réalités Modèles
(Représentation (Représentatio
s mentales, ns
règlementations schématiques,
, connaissances) formulations
rigoureuses…)
Implémentati
on
La modélisation orientée objet (Matériel et
logiciel)
Un modèle
Un modèle est une représentation abstraite de la réalité qui exclut certains détails du monde
réel en assurant:
-La représentativité
-la généricité
-L’abstraction
Un sujet d’études peut avoir plusieurs modèles,
La modélisation orientée objet (Matériel et
logiciel)
Les langages de modélisation
Un langage de modélisation est un langage qui permet de définir un modèle, il doit définir:
-La sémantique des concepts
-la représentativité des concepts
-Les règles de construction et d’utilisation des concepts
Des langages différents à différents niveaux de formalisation
Langages formels (Z, B, VDM), le plus souvent mathématiques, avec un fort pouvoir d’expression, permettant des preuves
formelles sur la spécification
Langages semi-formels (MERISE, UML…) le plus souvent graphique, au plus faible pouvoir d’expression mais plus pratiques
L’industrie du logiciel dispose de nombreux langages de modélisation
Adaptés aux systèmes procéduraux (MERISE…)
Adaptés aux systèmes temps réels (ROOM, SADT…)
Adaptés aux systèmes à objets (OMT, BOOCH,UML…)
MODELISATION DES SYSTEMES

Je vous remercie pour votre attention