Université Aube Nouvelle

Modélisation et simulation

Approche modélisation
des systèmes
[Link] NIBENAON : Doctorant en IA Tel : 61275837 / 67662595 @mail : nibenaons@[Link]
 Université Aube Nouvelle

Modélisation et simulation

Prof : [Link] NIBENAON

Doctorant en Intelligence Artificielle
Ingénieur en IA et science de données
@mail : nibenaons@[Link]

1
 Université Aube Nouvelle

Contenu

 Introduction à la théorie de modélisation et simulation

 Les chaines de Markov

 Les files d’attente

 Simulation à événements discrets

2
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Notion du système

Un système est un ensemble d'éléments interagissant entre eux pour atteindre un objectif spécifique.

Il est défini par ses composantes, ses relations internes, et son environnement. Un système peut être :

 Naturel (ex. : écosystème, climat, biologie),

 Artificiel (ex. : réseau informatique, organisation humaine).

3
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Notion du système

4
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Notion du système

Les systèmes possèdent :

 Des entrées (inputs),

 Des sorties (outputs),

 Un état interne qui évolue au fil du temps

5
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation

Systèmes discrets et systèmes continus

 Système discret : Change d’état à des instants spécifiques et discontinus (ex. : une

file d’attente, un réseau informatique, une chaîne de production).

 Système continu : Évolue de manière fluide sans interruption (ex. : la température

d’un réacteur, le débit d’un fluide, un modèle météorologique).

6
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Systèmes discrets et systèmes continus

Systèmes continus Systèmes discrets 7

 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Modèles et modélisation de systèmes

 Un modèle est une représentation simplifiée de la réalité permettant d’étudier le comportement d’un système.

 Modélisation est le processus de création d’un modèle à partir des caractéristiques du système réel.

 La simulation est une technique moderne de modélisation qui permet d’étudier, analyser et prédire le

comportement de systèmes complexes ou réels

 Types de modèles : Physique, mathématique, informatique, conceptuel.

 Objectifs : Explication, prévision, optimisation.

8
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Types de modèles / Paradigmes de modélisation

 Modèles mathématiques : Basés sur des équations (différentielles, algébriques).

 Modèles basés sur les événements discrets : Utilisent des files d’attente et des transitions d’état.

 Modèles multi-agents : Simulent les interactions d’individus autonomes dans un environnement.

 Modèles basés sur des règles : Systèmes experts, automates cellulaires.

 Modèles hybrides : Combinent plusieurs approches.

9
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Types de modèles / Paradigmes de modélisation

Modèle analytique Modèle coneptuel

10
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Notion de simulation

 Simulation : Exécution d’un modèle pour analyser le comportement d’un système sans l’expérimenter

directement.

 Types de simulations :

 Simulation discrète (événements discrets).

 Simulation continue (équations différentielles).

 Simulation hybride (mélange des deux).

 Applications : Industrie, climatologie, médecine, finance, logistique.

11
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation

Notion de simulation
Simulation graphique

Simulation numérique Simulation virtuel

12
 Université Aube Nouvelle
Chapitre 1 : Introduction à la théorie de modélisation et simulation
Étapes de simulation

1. Définition des objectifs : Pourquoi simuler ?

2. Modélisation du système : Choix des variables et des relations.

3. Collecte et traitement des données : Paramètres et hypothèses.

4. Implémentation du modèle : Programmation et exécution.

5. Validation et vérification : Comparaison avec la réalité.

6. Expérimentation et analyse : Tests et scénarios.

7. Interprétation des résultats : Décision et amélioration du système.

13
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Introduction aux chaînes de Markov

Une chaîne de Markov est un processus stochastique dans lequel l’état futur d’un système ne dépend que de son état

présent et non de son passé (propriété de Markov).

Formellement, si {Xt​}t≥0​ est un processus stochastique, alors :

P(Xt+1​∣Xt​,Xt−1​,...,X0​)=P(Xt+1​∣Xt​)

Les chaînes de Markov sont utilisées dans de nombreux domaines : finance, génétique, intelligence artificielle,

modélisation des files d’attente, etc.

14
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Graphe de transition et représentations des états

Une chaîne de Markov peut être représentée sous forme de graphe orienté où :Les sommets sont les états possibles

du systè[Link] arcs représentent les probabilités de transition entre les états.

Matrice de transition 𝑃 :

où 𝑝𝑖𝑗 est la probabilité de transition de l’état 𝑖 vers l’état 𝑗.

Chaîne absorbante : un état qui, une fois atteint, ne peut plus être quitté.

État récurrent : état auquel on revient avec probabilité 1.

15
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Graphe de transition et représentations des états
1 2 3 4 5
1
2
P= 3
4
5

16
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Distributions d’ordre n et transitions d’ordre n

Distribution d’ordre 𝑛 : Probabilité de trouver le système dans un état donné après n transitions en tenant compte des

probabilités initiales.

Transition d’ordre 𝑛 : Calcul de la probabilité de passer d’un état 𝑖 à un état 𝑗 en 𝑛 étapes :

où 𝑃𝑛 est la puissance 𝑛 de la matrice de transition.

17
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Chaînes irréductibles et périodicité

Une chaîne de Markov est irréductible si tout état est accessible à partir de tout autre état avec
une certaine probabilité. Un état 𝑖 a une période 𝑑(𝑖) si :𝑑(𝑖)=gcd{𝑛≥1∣𝑃𝑛(𝑖,𝑖)>0}

Si 𝑑(𝑖)=1, l’état est apériodique (aucun cycle régulier).Si tous les états ont la même période, la chaîne est
périodique.

18
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Stationnarité et distribution invariante

Une distribution stationnaire 𝜋 est un vecteur de probabilités tel que :𝜋𝑃=𝜋

Cela signifie que si le système suit la distribution 𝜋, il la conserve à chaque transition.

Une distribution stationnaire est dite invariante si elle ne change pas au fil du temps. Dans une chaîne de Markov

ergodique, la distribution stationnaire est unique et correspond à la limite des distributions après un grand nombre

d’étapes.

19
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Applications et exemples pratiques des chaînes de Markov

 Modélisation des files d’attente : Gestion des ressources dans les systèmes informatiques et industriels.

Reconnaissance de formes et NLP : Modélisation du langage avec des modèles comme les HMM (Hidden

Markov Models).

 Biologie : Étude des mutations génétiques et des dynamiques de populations.

 Finance : Évaluation des risques et modélisation des prix d’actifs.

 Jeux et IA : Algorithmes de planification et prise de décision (ex. : algorithme de Monte-Carlo).

20
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Chaînes de Markov à temps continu

 Contrairement aux chaînes de Markov à temps discret, ici, les transitions se produisent à des
instants aléatoires plutôt qu'à des pas de temps fixes.
 Utilisation des processus de Poisson pour modéliser les transitions.
 La dynamique des transitions est décrite par une matrice génératrice 𝑄

Solution

 Applications : Modélisation des files d’attente avec service à durée variable.

 Dynamique des réactions chimiques.
 Fiabilité des systèmes et modélisation de la défaillance des composants.

21
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Chaînes de Markov à temps continu

22
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Chaînes de Markov à temps continu

23
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Chaînes de Markov à temps continu

24
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Conclusion et perspectives

Les chaînes de Markov sont un outil fondamental pour la modélisation des processus aléatoires dans de nombreux
domaines. Elles permettent de représenter et d’analyser l’évolution d’un système basé sur des transitions probabilistes
entre différents états.
Résumé des points clés
 Une chaîne de Markov repose sur la propriété de Markov, où l’état futur dépend uniquement de l’état actuel.
 La matrice de transition et le graphe de transition facilitent la visualisation des changements d’état.
 Les concepts d’irréductibilité, de périodicité, et de stationnarité sont essentiels pour analyser le comportement à
long terme des chaînes.
 Les chaînes de Markov trouvent des applications variées en intelligence artificielle, finance, biologie, traitement du
langage naturel, etc.
 Les chaînes à temps continu généralisent les chaînes discrètes en prenant en compte des événements aléatoires dans
le temps. 25
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Comparaison entre modèle déterministe et stochastique

26
 Université Aube Nouvelle
Chapitre 2 : Les Chaînes de Markov
Conclusion et perspectives

Perspectives et évolutions
 Modélisation avancée : Extension vers les processus de décision markoviens (MDP), qui incluent des actions et
récompenses, et sont utilisés en intelligence artificielle (ex. : apprentissage par renforcement).
 Chaînes de Markov cachées : Utilisées en reconnaissance de parole, génomique et détection d’anomalies.
 Approches hybrides : Combinaison des chaînes de Markov avec d’autres modèles statistiques et d’apprentissage
profond pour améliorer la prédiction et la modélisation des systèmes complexes.
 Applications en big data : Exploitation des chaînes de Markov pour analyser de grandes quantités de données,
notamment dans le clustering et l’analyse des comportements utilisateurs.

27
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
1. Introduction aux Files d’Attente

Les files d’attente sont omniprésentes dans divers systèmes du monde réel : guichets de banque, serveurs
web, centres d’appels, stations-service, etc. L’analyse des files d’attente permet d’optimiser la gestion des
ressources et de réduire les temps d’attente.
L'objectif principal de la théorie des files d’attente est d’étudier les performances des systèmes où des
entités (clients, tâches, requêtes) attendent un service. Elle permet de répondre aux questions suivantes :
 Combien de temps un client passe-t-il en moyenne dans le système ?
 Quelle est la longueur moyenne de la file d’attente ?
 Quelle est la probabilité que le système soit saturé ?

28
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
2. Définition des Systèmes de Files d’Attente

Un système de files d’attente est caractérisé par les éléments suivants :

 Les arrivées : Elles peuvent être aléatoires et suivre des lois statistiques comme la distribution de Poisson.

 Le service : Chaque client est pris en charge par un ou plusieurs serveurs selon une distribution temporelle donnée.

 La discipline de service : Elle définit la manière dont les clients sont servis (FIFO, LIFO, priorité, etc.).

 La capacité du système : Certains systèmes ont une file d’attente de taille limitée.

29
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
3. Notation de Kendall
Pour caractériser un système de files d’attente, la notation de Kendall est couramment utilisée :

A/B/S/K/N/D
où :
 A : Processus d’arrivée (M pour Poisson, D pour déterministe, G pour général).
 B : Processus de service (M pour exponentiel, D pour déterministe, G pour général).
 S : Nombre de serveurs.
 K : Capacité maximale du système (si non précisé, K = ∞).
 N : Population totale des clients (si non précisé, N = ∞).
 D : Discipline de service (par défaut FIFO).

Exemple : M/M/1 signifie un système avec :

 Arrivées selon un processus de Poisson.
 Temps de service exponentiel.
 Un seul serveur.
 File d’attente illimitée.
30
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
4. Modèle M/M/1

Le modèle M/M/1 représente un système avec :

 Arrivées suivant un processus de Poisson à un taux λ.

 Temps de service exponentiel avec un taux μ.

 Un seul serveur.

 Capacité et population infinies.

31
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
4. Modèle M/M/1

32
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
Modèle M/M/S

Le modèle M/M/S généralise M/M/1 en ajoutant plusieurs serveurs (S). Il est adapté aux
situations où plusieurs clients peuvent être servis simultanément.

33
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
Modèle M/M/S

34
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
Modèle M/M/1/K
Ce modèle introduit une capacité maximale de K clients dans le système. Si la file est pleine, les nouveaux arrivants
sont rejetés.

35
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
Modèle M/M/S/K

Ce modèle combine plusieurs serveurs (S) et une capacité maximale (K). Il est utilisé lorsque le nombre de places
disponibles est restreint (ex : parkings, hôpitaux).

Utilisation
Ce modèle est pertinent pour les systèmes ayant une contrainte physique sur le nombre total de clients
(ex : files d’attente dans un avion, nombre de chambres d’hôtel).
36
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

Conclusion

L’étude des files d’attente permet de mieux comprendre et optimiser les performances des systèmes de service.

Chaque modèle répond à des besoins spécifiques :

 M/M/1 pour un serveur unique avec file illimitée.

 M/M/S pour plusieurs serveurs sans limitation de place.

 M/M/1/K pour un serveur avec une capacité limitée.

 M/M/S/K pour plusieurs serveurs et une capacité limitée.

L’optimisation des files d’attente repose sur le choix du bon modèle et l’ajustement des ressources pour

minimiser le temps d’attente et maximiser l’efficacité du système.

37
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
Exemples concrets

exercice concret pour le modèle M/M/1 :

Exercice : Gestion d’une caisse unique dans un supermarché

Un supermarché dispose d’une seule caisse pour encaisser les clients. On observe que :
 Les clients arrivent selon un processus de Poisson avec un taux moyen de 15 clients par heure (λ=15).
 Le temps de service suit une loi exponentielle avec un taux moyen de 20 clients par heure (μ=20).
1. Calculer le taux d’occupation du serveur (ρ).
2. Déterminer la probabilité que le système soit vide (P0).
3. Trouver le nombre moyen de clients dans le système (L).
4. Calculer le temps moyen d’attente d’un client dans le système (W).

38
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

Correction de l'exercice :

Données :

 Taux moyen d’arrivée des clients : λ=15 clients/heure

 Taux moyen de service : μ=20 clients/heure

39
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

40
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

41
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

Exemples concrets

Un exercice concret pour le modèle M/M/S :

Exercice : Gestion d'un centre d'appels

42
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente
Exemples concrets

Un exercice concret pour le modèle M/M/S :

Un centre d’appels dispose de 3 opérateurs pour répondre aux clients. On observe que :
 Les clients appellent selon un processus de Poisson avec un taux moyen de 30 appels par
heure (λ=30).
 Chaque opérateur met en moyenne 10 minutes pour traiter un appel, soit un taux de service de 6
appels par heure par opérateur (μ=6).
 Les appels en attente sont mis en file d’attente s’il n’y a pas d’opérateur disponible.
1. Calculer le taux d’occupation global (ρ).
2. Déterminer la probabilité que le système soit vide (P0​) en utilisant la formule d'Erlang-C.
3. Trouver le nombre moyen de clients dans le système (L).
4. Calculer le temps moyen d’attente d’un client dans la file (Wq).
43
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

correction de l’exercice

Données du problème :

 Taux moyen d’arrivée des appels : λ=appels/heure

 Taux moyen de service par opérateur : μ=6 appels/heure

 Nombre d'opérateurs : c=3

44
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

correction de l’exercice

45
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

correction de l’exercice

2. Probabilité que le système soit vide (P0​)

Ici problème

46
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

correction de l’exercice

3. Nombre moyen de clients dans le système (L)

47
 Université Aube Nouvelle
Chapitre 3 : Les Files d’Attente

correction de l’exercice

4. Temps moyen d’attente d’un client dans la file (Wq)

48
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

1. Introduction à la simulation et ses avantages

1.1 Définition de la simulation

La simulation est une technique qui consiste à créer un modèle numérique d’un système réel et à l’expérimenter pour

mieux comprendre son fonctionnement ou en optimiser les performances. Elle est utilisée dans divers domaines tels

que l’ingénierie, la finance, la logistique, la médecine et l’intelligence artificielle.

49
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

1.2 Avantages de la simulation

 Réduction des coûts : permet d’évaluer des scénarios sans investir dans des tests réels.

 Analyse de scénarios complexes : permet d’expérimenter des conditions difficiles à tester dans la réalité.

 Optimisation des ressources : aide à identifier les points faibles et à améliorer l’efficacité.

 Prévision et planification : permet d’anticiper les résultats d’une stratégie avant de la mettre en œuvre.

1.3 Limites et défis de la simulation

 Modélisation complexe : nécessite une bonne compréhension du système étudié.

 Consommation en ressources : certains modèles nécessitent une forte puissance de calcul.

 Fiabilité des résultats : dépend de la qualité des données d’entrée et des hypothèses du modèle.
50
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

2. Comparaison entre simulation et modèles analytiques

2.1 Définition des modèles analytiques

Les modèles analytiques utilisent des formules mathématiques pour représenter le comportement d’un système.

Exemples :

 Modèle de files d’attente : calcul des temps d’attente moyens.

 Processus de Markov : modélisation des systèmes probabilistes.

51
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

2.2 Différences entre simulation et modélisation analytique

Critère Simulation Modèle analytique

Basée sur des expériences Basée sur des équations
Approche
numériques mathématiques
Peut modéliser des Fonctionne mieux avec des
Adaptabilité
systèmes complexes systèmes simples
Temps de calcul Peut être long Généralement rapide
Requiert des entrées Peut fonctionner avec peu
Données nécessaires
détaillées de données

2.3 Critères de choix

 Systèmes complexes et dynamiques → Simulation
 Problèmes bien définis avec équations connues → Modèle analytique
52
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

3. Types de gestion du temps en simulation

3.1 Simulation par incréments de temps (Time-Step Simulation)

 Le temps progresse par intervalles fixes.

 Approprié pour les systèmes continus (exemple : prévisions météorologiques).

3.2 Simulation basée sur les événements (Event-Driven Simulation)

 Le temps avance d’un événement à un autre.

 Approprié pour les systèmes discrets (exemple : files d’attente dans un supermarché).

53
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

3.3 Comparaison des approches

Critère Time-Step Event-Driven

Précision Peut être approximatif Plus précis
Peut nécessiter beaucoup de
Efficacité Plus efficace
calculs inutiles
Logistique, gestion de files
Domaine d’application Physique, biologie
d’attente

54
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

4. Simulation à événements discrets : principes fondamentaux

4.1 Définition et caractéristiques

La simulation à événements discrets repose sur une liste d’événements planifiés dans le temps qui affectent

l’état du système.

4.2 Structure d’un modèle à événements discrets

 Entités : objets du système (clients, machines).

 Événements : changements d’état du système (arrivée, départ).

 Files d’attente : entités en attente d’un traitement.

 Ressources : éléments nécessaires pour exécuter une tâche.

55
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

4.3 Cycle de vie d’une simulation

[Link] du système.

[Link]écution des événements dans l’ordre chronologique.

[Link] à jour de l’état du système.

4.Génération des événements futurs.

56
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

5. Méthode à trois phases dans la simulation

5.1 Présentation de la méthode à trois phases
Cette méthode organise la simulation en trois étapes claires pour optimiser son exécution.
5.2 Détails des trois phases
 Phase A : Exécution des événements en attente.
 Phase B : Avancement du temps au prochain événement.
 Phase C : Mise à jour du système et planification de nouveaux événements.
5.3 Exemples d’application
•Gestion des files d’attente dans les banques.
•Optimisation des chaînes logistiques.

57
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

6. Génération de données en entrée de la simulation

6.1 Sources de données

 Données historiques

 Mesures expérimentales

 Données synthétiques générées

6.2 Génération de nombres aléatoires

 Utilisation de générateurs pseudo-aléatoires

 Importance des séquences reproductibles

58
 Université Aube Nouvelle
Chapitre 4 : Simulation à événements discrets

6.3 Modélisation des distributions de probabilité

 Uniforme : événements équiprobables.

 Exponentielle : modélisation des temps d’attente.

 Normale : variabilité naturelle des processus.

6.4 Validation des données

 Comparaison avec des données réelles.

 Ajustement des paramètres pour améliorer la précision.

59