simulation des systemes de production
TRANSCRIPT
SIMULATION - SYSTĂMES DE PRODUCTION
RĂSEAUX DE PETRI - ARENA
âAll models are wrong but some are usefulâ Georges E.P. Box, statisticien 1919-2013
Si le problĂšme que vous rencontrez Ă une solution, il ne sert Ă rien de sâinquiĂ©ter. Mais sâil nâen a pas, alors sâinquiĂ©ter ne change rien.
Adage tibétain
Jean-Louis Boimond
Table des matiĂšres
I INTRODUCTION Ă LA SIMULATION ........................................................................................................... 4
I.1 LâĂTAPE DE MODĂLISATION ............................................................................................................. 5 I.2 LES LIMITES DE LA SIMULATION .................................................................................................... 6 I.3 LES SYSTĂMES Ă ĂVĂNEMENTS DISCRETS ................................................................................... 6 I.4 LA SIMULATION DES SYSTĂMES DE PRODUCTION .................................................................... 7 I.5 UTILISATION DE LâINFORMATIQUE ................................................................................................ 8
II RAPPELS DE PROBABILITĂS ET STATISTIQUES ..................................................................................... 8
II.1 VARIABLES ALĂATOIRES CONTINUES ........................................................................................ 10 II.2 LOIS DE DISTRIBUTION STANDARD ............................................................................................. 11 II.3 VARIABLES ALĂATOIRES DISCRĂTES ......................................................................................... 13
III DONNĂES D'ENTRĂE DU SYSTĂME ........................................................................................................ 15
III.1 CONNAISSANCE PARTIELLE DES DONNĂES ............................................................................ 15 III.2 DONNĂES EXISTANTES (accessibles Ă la mesure) ......................................................................... 16
IV VĂRIFICATION ET VALIDATION DES MODĂLES ................................................................................. 17
IV.1 VĂRIFICATION ................................................................................................................................... 17 IV.2 VALIDATION ....................................................................................................................................... 18
V INTERPRĂTATION DES RĂSULTATS ........................................................................................................ 19
V.1 ANALYSE DES SYSTĂMES FINIS ..................................................................................................... 21 V.2 ANALYSE DES SYSTĂMES QUI NE SE TERMINENT PAS .......................................................... 22
VI NOTIONS ELĂMENTAIRES SUR LES RĂSEAUX DE PETRI ................................................................. 23
VI.1 GĂNĂRALITĂS .................................................................................................................................... 23 VI.2 GRAPHES D'ĂVĂNEMENTS ............................................................................................................. 25 VI.3 EXEMPLES ........................................................................................................................................... 25 VI.4 AUTRES CLASSES DE RĂSEAUX DE PETRI ................................................................................ 27
VII LE LANGAGE DE SIMULATION ARENA ............................................................................................... 28
VII.1 NOTIONS DE BASE ........................................................................................................................... 28 VII.2 BLOCS PERMETTANT LA CONSTRUCTION DâUN MODĂLE ................................................ 31 VII.3 BLOCS PERMETTANT LâANALYSE DâUN MODĂLE ................................................................ 43 VII.4 ANIMATION GRAPHIQUE .............................................................................................................. 47 VII.5 DONNĂES D'ENTRĂES ..................................................................................................................... 50 VII.6 ANALYSE DES RĂSULTATS ........................................................................................................... 51
2
Bibliographie
âȘ Discrete Event Systems - Modeling and Performance Analysis, Christos G. Cassandras, Aksen Associates
Incorporated Publishers, ISBN 0-256-11212-6.
âȘ Handbook of Simulation: Principles, Methodology, Advances, Applications, and Practice, J. Bank, Wiley
Interscience, 1998.
âȘ Introduction to Simulation Using SIMAN. Second Edition, C. Dennis Pegden, R.E. Shannon, R.P. Sadowski,
Ed. Mc Graw-Hill.
âȘ Simulation Modeling and Analysis with ARENA. T. Altiok, B. Melamed, Elsevier, 2007.
âȘ Optimisation des flux de production : MĂ©thodes et simulation, A. Ait Hssain, Ed. Dunod, 2000.
âȘ Du Grafcet aux rĂ©seaux de Petri. R. David, H. Alla, HermĂšs, 1989.
âȘ Cours de « Simulation informatique des systĂšmes de production », P. Castagna, A. L'Anton, N. Mebarki,
97/98 - IUT OGP Nantes.
âȘ Cours de « RĂ©seaux de files d'attente et simulation », J. P. Chemla, 96/97 - UniversitĂ© de Tours.
âȘ ProbabilitĂ©s et statistiques. 3Ăšme Ă©dition, A. Ruegg, Presses Polytechniques Romandes.
3
Arena : blocs, lois de probabilité, variables
bloc ASSIGN ........................................................................................................................................................ 36
bloc BATCH ........................................................................................................................................................ 40
bloc CREATE ...................................................................................................................................................... 31
bloc DECIDE ....................................................................................................................................................... 37
bloc DELAY ........................................................................................................................................................ 33
bloc DISPOSE ..................................................................................................................................................... 32
bloc MATCH ....................................................................................................................................................... 39
bloc PROCESS .................................................................................................................................................... 41
bloc QUEUE ...................................................................................................................................................34, 39
bloc RECORD ..................................................................................................................................................... 43
bloc RELEASE .................................................................................................................................................... 35
bloc RESOURCE ................................................................................................................................................ 35
bloc SEIZE ........................................................................................................................................................... 33
bloc SEPARATE ................................................................................................................................................. 41
bloc STATION .................................................................................................................................................... 48
bloc STATISTIC ................................................................................................................................................. 45
bloc VARIABLE ................................................................................................................................................. 37
loi DISCrete ......................................................................................................................................................... 14
loi EXPOnential .................................................................................................................................................. 12
loi NORMal .......................................................................................................................................................... 13
loi TRIAngular .................................................................................................................................................... 11
loi UNIFform ....................................................................................................................................................... 10
variable NQ .......................................................................................................................................................... 45
variable NR .......................................................................................................................................................... 45
4
I INTRODUCTION Ă LA SIMULATION
La simulation est un processus qui consiste Ă :
- Concevoir un modÚle du systÚme (réel) étudié,
- Mener des expérimentations sur ce modÚle (et non pas des calculs),
- Interpréter les observations fournies par le déroulement du modÚle et formuler des
décisions relatives au systÚme.
Le but peut ĂȘtre de comprendre le comportement dynamique du systĂšme, de comparer des
configurations, dâĂ©valuer diffĂ©rentes stratĂ©gies de pilotage, dâĂ©valuer et dâoptimiser des
performances.
La simulation est une technique permettant d'Ă©tudier le comportement d'un systĂšme dynamique
en construisant un modĂšle logiciel de celui-ci.
Les domaines d'application sont divers. Sont listĂ©s ci-dessous quelques classes dâapplications
et quelques exemples de problÚmes typiques rattachés à ces classes :
âȘ SystĂšmes de flux de production
- Ă©quilibrage de lignes dâassemblage,
- conception de systĂšmes de transfert entre des postes,
- dimensionnement des stocks dâun atelier,
- comparaison de pilotage de lignes de production.
âȘ Flux logistiques et systĂšmes de transport
- conception et dimensionnement dâentrepĂŽts,
- dimensionnement dâune flotte de camions,
- étude de procédures de contrÎle des flux de véhicules en circulation.
âȘ Production des services
- Ă©tude de transactions bancaires,
- gestion de cantines, de restaurants,
Calendrier SCHEDULES
CREATE
Operateur SEIZE
10 DELAY
DISPOSE
Date de sortie VARIABLES
Date de sortie ASSIGN
NR(Machine) NR(Operateur)
DSTATS
Operateur RELEASE
1
DELAY
1
DELAY
Modélisation Analyse des
résultats
5
- comparaisons de politiques de maintenance des avions.
âȘ SystĂšmes informatiques et tĂ©lĂ©communications
- Ă©tude de la file dâattente mĂ©moire dâun serveur,
- Ă©tude des comportements des utilisateurs,
- conception et dimensionnement de hubs.
âȘ Autres classes dâapplications
- domaine militaire (support logistique, coordination des opĂ©rations, âŠ),
- gestion dâhĂŽpitaux (personnel, lits, service dâurgence, âŠ),
- le nucléaire, la météo, les jeux, ...
⹠Méthodologie générale
Quatre phases sont classiquement considérées durant le processus de simulation : La
modélisation (représenter le comportement du systÚme), la programmation, l'expérimentation
et l'interprĂ©tation des rĂ©sultats (accompagnĂ©e dâactions).
(a) ExpĂ©rimentation : Il s'agit de construire des thĂ©ories, dâĂ©mettre des hypothĂšses, qui
prennent en compte le comportement observé.
Dans ce cours, les modÚles conceptuels seront représentés par des réseaux de Petri, cf. chp. VI ;
les programmes/modĂšles de simulation, ainsi que les expĂ©rimentations Ă mĂȘme dâextraire des
résultats, se feront dans le cadre du logiciel Arena, cf. chp. VII.
I.1 LâĂTAPE DE MODĂLISATION
LâĂ©tape de modĂ©lisation est une phase essentielle Ă la simulation au sens oĂč la qualitĂ© des
rĂ©sultats fournis Ă lâissue des expĂ©rimentations est principalement liĂ©e Ă la qualitĂ© de la
modélisation.
DiffĂ©rents points doivent ĂȘtre abordĂ©s :
⹠Définir l'objectif de la modélisation (lié au cahier des charges) : Pourquoi modélise-t-on ?
Qu'étudie-t-on ? Que veut-on faire ou améliorer ?
Figure 1 : MĂ©thodologie d'une simulation.
RĂ©sultats
ModĂšle conceptuel
(conditionnĂ© par lâobjectif de lâĂ©tude)
Programme de simulation
Analyse & Modélisation
Interprétation
& Action
Correction
Correction
VĂ©rification
Programmation
Expérimentation(a)
Validation SystÚme (réel)
6
⹠Définir les limites du systÚme (les entrées, les sorties) et les éléments (via la réalisation d'une
fonction, ou d'un processus) qui le composent.
⹠Définir les interactions entre ces éléments (hiérarchie).
I.2 LES LIMITES DE LA SIMULATION
La simulation n'est pas une technique d'optimisation au sens propre. Elle ne peut qu'Ă©tablir les
performances d'une solution conçue et imaginée par l'utilisateur. C'est une technique itérative
qui ne propose pas de solution finale mais qui permet seulement Ă l'utilisateur d'envisager des
choix possibles. En tout état de cause, c'est lui qui devra décider de ce qui répond le mieux aux
problÚmes posés.
Les résultats de simulation sont souvent complexes à interpréter. On étudie des phénomÚnes
aléatoires et les techniques d'analyse demandent de la rigueur ; il est souvent difficile de faire
la part du crucial et de l'anecdotique (le modĂšle doit ĂȘtre ni trop grossier, ni trop prĂ©cis), ceci
dans un temps de réalisation souvent contraint.
I.3 LES SYSTĂMES Ă ĂVĂNEMENTS DISCRETS
Les systĂšmes que nous allons considĂ©rer, notamment les systĂšmes de production, sont dits Ă
événements discrets. Un tel systÚme est représenté par un modÚle à événements discrets.
Lâespace d'Ă©tat est rĂ©gi par des Ă©vĂ©nements discrets au sens oĂč les transitions entre Ă©tats sont
associĂ©es Ă l'occurrence d'Ă©vĂ©nements discrets asynchrones. Les changements dâĂ©tat de tels
systĂšmes sâopĂšrent instantanĂ©ment, Ă des moments discrets dans le temps. Par exemple, si une
variable représente le nombre de piÚces présentes dans un stock alors ses valeurs varient
seulement aux instants oĂč des piĂšces entrent, ou sortent, du stock.
Les systĂšmes de trafic (aĂ©rien, ferroviaire, naval, âŠ), les systĂšmes de communication, les
systÚmes informatiques sont d'autres exemples de systÚmes dynamiques dont l'activité est due
Ă des Ă©vĂ©nements discrets, dont certains sont provoquĂ©s (dĂ©part dâun train, appui sur une touche
d'un clavier) et d'autres pas (panne d'un Ă©quipement).
Le modÚle reproduit l'évolution au cours du temps de l'état1 du systÚme sous l'effet des activités
qui y sont rĂ©alisĂ©es. LâĂ©volution d'une simulation Ă©vĂ©nementielle se fait Ă travers la gestion
dâun Ă©chĂ©ancier : Le modĂšle du systĂšme passe au cours du temps d'un Ă©tat Ă un autre Ă©tat suite
au déclenchement d'un événement. A chaque événement est associée une fonction à exécuter
laquelle peut modifier l'état du systÚme à travers le déclenchement d'un, ou de plusieurs
événements.
1 LâĂ©volution de lâĂ©tat est rĂ©gie par des Ă©vĂ©nements discrets contrairement aux systĂšmes continus (rĂ©gis par des
Ă©quations diffĂ©rentielles) oĂč lâĂ©tat Ă©volue continĂ»ment au cours du temps.
7
I.4 LA SIMULATION DES SYSTĂMES DE PRODUCTION
Un systÚme de production est constitué d'un systÚme opérant (physique), d'un systÚme de
conduite (partie commande) et d'un systĂšme d'informations reliant ces deux derniers. Il est
traversé par un flux d'informations (présence d'une piÚce, état d'une machine) et un flux physique
(matiĂšre premiĂšre, piĂšces). Le systĂšme Ă simuler peut ĂȘtre existant, Ă modifier ou non encore
construit.
Les systÚmes automatisés de production - à l'initiative de l'Homme - sont caractérisés par une
forte complexitĂ© et flexibilitĂ©. La simulation de ces systĂšmes nĂ©cessite souvent dâavoir une
approche globale prenant en compte, à la fois, les aspects techniques (caractéristiques des
ressources de production, des capacités de stockage, géométrie du réseau de transport, ...) et
humains (contraintes sociales, travail en équipe, heures supplémentaires, ...).
Le modÚle décrit le fonctionnement du systÚme (sa structure et son comportement dynamique)
avec le degré de détail nécessaire à la résolution du problÚme posé. C'est une représentation de
la circulation des flux de produits :
- Le flux est ralenti par des activités qui mobilisent des ressources (aprÚs avoir attendu
leur disponibilité) pendant un certain temps (durées opératoires, temps de transfert, ...),
- Le flux est contraint par des rÚgles opératoires (gammes, contraintes technologiques),
- Le flux est dirigé par les rÚgles de conduite (systÚme de contrÎle).
L'historique et les statistiques portent sur les déplacements (temps de séjour des piÚces, temps
de transports des piĂšces d'un lieu Ă un autre, ...), les taux d'engagements des ressources, les
longueurs des files d'attente, ...
Historique, statistiques
Evaluation de performances
SystĂšme de production
ModĂšle
Programme
ĂvĂ©nement X
ĂvĂ©nement C
ĂvĂ©nement B
ĂvĂ©nement A
ĂvĂ©nements
datables
ĂchĂ©ancier
Moteur : Exécution de
lâĂ©vĂ©nement dont
la date
dâoccurrence est la
plus proche du
temps courant de
la simulation
8
L'évaluation de performances2, en termes de circulation de produits, exploite ces données pour :
- DĂ©terminer des performances absolues (volume de production, temps de cycle
maximum),
- Prédire des performances dans certaines conditions (présence de pannes),
- Faire une analyse de sensibilité (parmi des choix semblables),
- Comparer des alternatives (parmi des choix possibles).
Ces indicateurs de performances sont ensuite agrĂ©gĂ©s pour des prises de dĂ©cisions relatives Ă
l'aide Ă la conception, Ă la conduite, ...
I.5 UTILISATION DE LâINFORMATIQUE
Trois approches sont habituellement utilisées pour réaliser une simulation : 1. Ecrire le programme correspondant au problÚme et au systÚme donnés. Les moyens
informatiques sont les langages de programmation généraux (C, Fortran, Pascal, ...). La mise
en Ćuvre peut ĂȘtre longue, par contre on dispose dâune grande flexibilitĂ©. 2. Le dĂ©veloppement d'un modĂšle de simulation est rĂ©alisĂ© au travers d'un programme Ă©crit par
l'utilisateur à partir de primitives de modélisation offertes par le langage (les langages de
simulation). Ce type de logiciel offre une grande flexibilité mais avec des coûts de
développement parfois importants. Certains langages, comme ARENA (un des principaux
logiciels standards de simulation en France), proposent des primitives de modélisation
particuliÚrement adaptées aux systÚmes de production (primitives de modélisation des
ressources et fonction de transport). 3. Utiliser un logiciel, appelé simulateur, dédié à un type de systÚmes et un type de problÚme.
Le modÚle est donné et il suffit de le paramétrer pour l'adapter au cas étudié. Cette alternative
prĂ©sente lâavantage de ne pas programmer (seules des donnĂ©es sont Ă entrer), par contre il
nâest pas toujours simple de trouver le logiciel dĂ©diĂ© adaptĂ© au systĂšme et au problĂšme
concernés.
II RAPPELS DE PROBABILITĂS ET STATISTIQUES
Sachant qu'il est impossible â quelle que soit la puissance des ordinateurs - de simuler toutes
les déviations possibles d'un systÚme, l'outil statistique est une alternative pour prendre en
compte, étudier et maßtriser les conséquences des variations aléatoires des systÚmes.
La théorie des probabilités, branche des mathématiques, permet de modéliser et d'étudier des
phénomÚnes aléatoires. On parle alors d'événements aléatoires, de lois de probabilité, de
variables aléatoires, ...
Dans un systÚme de production, de nombreux phénomÚnes ont un caractÚre aléatoire, par
exemple :
- La durée opératoire d'une opération manuelle,
2 LâĂ©valuation de performances se base souvent sur le taux de production (nombre moyen de piĂšces par unitĂ© de
temps), le WIP (Work In Process, nombre total de piĂšces dans le systĂšme Ă chaque instant), le makespan (intervalle
de temps entre le début et la fin de la production des piÚces).
9
- La durée de vie d'un outil,
- L'absentéisme des opérateurs,
- La période d'arrivée des ordres de fabrication déclenchant une production.
La statistique repose sur l'observation de phénomÚnes concrets. Le but est de recueillir des
données d'observation, de les traiter et de les interpréter. On parle alors de population
d'individus, de variables caractéristiques, d'échantillons, de moyennes, ...
Les modÚles probabilistes permettent de représenter approximativement les données observées
(imprécision, erreurs, répartition dans la population) comme des variables aléatoires suivant
une certaine loi de probabilitĂ© â modĂšles simplificateurs.
L'échantillon étant tiré au hasard, les caractéristiques des données à traiter sont des variables
alĂ©atoires â application de thĂ©orĂšmes de probabilitĂ©s (par exemple, le thĂ©orĂšme central
limite3).
La simulation utilise les résultats des probabilités-statistiques essentiellement pour :
- Approcher des données empiriques par des distributions de probabilités
â des fonctions intĂ©grĂ©es dans le modĂšle de simulation (lois de distributions),
- Interpréter statistiquement les données générées par le modÚle
â moyennes, intervalles de confiance, ...
Définition de la probabilité
On considÚre l'ensemble Ω des éventualités possibles résultant d'une épreuve (expérience,
observation ou simulation), chacune de ces éventualités étant appelée événement élémentaire.
Un Ă©vĂ©nement quelconque est dĂ©fini comme un sous-ensemble đŽ de Ω contenant tous les
Ă©vĂ©nements Ă©lĂ©mentaires de Ω composant l'Ă©vĂ©nement đŽ. La probabilitĂ© attachĂ©e Ă un
Ă©vĂ©nement đŽ est un nombre đ(đŽ) compris entre 0 et 1, obĂ©issant Ă certaines rĂšgles
axiomatiques, en particulier :
- L'événement de l'ensemble vide a une probabilité nulle.
- L'événement Ω a une probabilité égale à 1.
- ââđŽ â â , on a 0 †đ(đŽ) †1.
- ââđŽ, đ” â â , on a đ(đŽ âȘ đ”) = đ(đŽ) + đ(đ”) si đŽ â© đ” = â .
Le problĂšme de l'attribution de probabilitĂ©s Ă un ensemble d'Ă©vĂ©nements peut ĂȘtre rĂ©solu dans
un certain nombre de cas de la façon suivante :
- Si les événements élémentaires sont en nombre fini, on peut procéder à une série de
répétitions de l'épreuve : La fréquence d'apparition de chaque événement permet de
disposer d'une estimation de sa probabilité.
- Si les événements sont en nombre infini, on peut définir sur cet ensemble une densité
de répartition de probabilité.
3 La moyenne d'un Ă©chantillon de taille đ extrait d'une population quelconque de moyenne đ et d'Ă©cart type đ est
distribuĂ©e selon une loi pratiquement normale de moyenne đ et d'Ă©cart type đ
âđ quand la taille de l'Ă©chantillon est
suffisamment grande. Pour une population de départ de distribution normale, le théorÚme centrale limite est valable
pour tout đ. Pour les distributions rencontrĂ©es dans la pratique courante, plus la taille de l'Ă©chantillon est grande,
plus la loi se rapproche de la loi normale. On peut considĂ©rer qu'Ă partir de đ Ă©gale Ă 30, la moyenne d'un
échantillon est distribuée de façon sensiblement normale.
10
II.1 VARIABLES ALĂATOIRES CONTINUES
Une variable alĂ©atoire continue đ est une fonction Ă valeurs rĂ©elles dĂ©finie sur un ensemble Ω
(ensemble des Ă©vĂ©nements possibles) telle que l'ensemble des valeurs prises par đ, notĂ© đ(Ω), est un intervalle fini ou infini. Soit par exemple Ω un intervalle [đ, đ] reprĂ©sentant lâensemble
des valeurs possibles du diamĂštre des piĂšces en sortie dâun tour dâusinage.
Exemple de la loi uniforme (UNIF) continue : Soit đ une variable alĂ©atoire susceptible de
prendre toutes les valeurs d'un intervalle fini [đ, đ], sans privilĂ©gier aucune rĂ©gion de [đ, đ] (on
parle d'Ă©vĂ©nements Ă©quiprobables). Aussi, la probabilitĂ© que đ prenne une valeur appartenant
Ă l'intervalle [đą, đŁ] (â [đ, đ]) est proportionnelle Ă la longueur de [đą, đŁ], d'oĂč
đ(đą †đ †đŁ) = (đŁ â đą)/(đ â đ),
soit đ(đą †đ †đŁ) = â« đđ(đ„)đđ„âđŁ
âđą oĂč đđ(đ„) = {
1/(đ â đ) si đ †đ„ †đ0 sinon
.
La fonction đđ(đ„), appelĂ©e densitĂ© de probabilitĂ©, dĂ©finit le comportement alĂ©atoire
(stochastique) de la variable alĂ©atoire đ et permet ainsi de caractĂ©riser sa loi de probabilitĂ©
(distribution).
La loi uniforme (distribution of maximum ignorance) est utilisée lorsque l'on a aucune
information exceptĂ©e la connaissance du domaine [đ, đ].
đđ(đ„) est une densitĂ© de probabilitĂ© de la variable alĂ©atoire đ si, et seulement si,
â đ, đ â đ 2, đ(đ †đ †đ) = â« đđ(đ„)đđ„.âđ
âđ
Remarque : Pour une variable alĂ©atoire continue, considĂ©rer un Ă©vĂ©nement du type « đ = đ„ »
n'a pas de sens (en effet, on a : đ(đ„ †đ †đ„) = 0).
La densitĂ© de probabilitĂ© đđ(đ„) est telle que :
{đđ(đ„) â„ 0, â đ„ â đ ,
â« đđ(đ„) đđ„+â
ââ= 1 (correspondant Ă la probabiitĂ© de l'Ă©vĂ©nement certain = 1).
Remarque : đđ(đ„) est continue sur đ sauf (Ă©ventuellement) en un nombre fini de points (par
exemple, la densité de la loi uniforme est continue, exceptée en 2 points).
On dĂ©finit la moyenne đ, aussi appelĂ©e espĂ©rance mathĂ©matique đž(đ), par :
đ = â« đ„âđđ(đ„)âđđ„â+â
âââ.
On dĂ©finit la variance đ2 (đ2 â„ 0), aussi notĂ©e đđđ(đ), par :
đ2 =â(â« đ„2đđ(đ„)âđđ„â+â
âââ)âââđ2, encore Ă©gale Ă â« (đ„ â đ)2đđ(đ„)âđđ„
â+â
âââ.
1
đ â đ
đđ(đ„)
0 a u v b x
aire =đ(đą †đ †đŁ)
11
Rappel (Moyenne, variance) : La moyenne constitue un paramĂštre de position qui renseigne
sur l'ordre de grandeur des valeurs prises par la variable alĂ©atoire đ. La variance est une mesure
de la dispersion de ces valeurs autour de leur moyenne. Plus la variance est faible (â„ 0), plus
les valeurs prises par đ sont concentrĂ©es autour de la moyenne.
Exemple : Dans le cas de la loi uniforme précédente, on a :
đ = â« âđ„
đâđâđđ„ =â
đ+đ
2
âđ
âđ et đ2 = â« â
đ„2
đâđ
âđ
âđâđđ„â ââ(
đ+đ
2)2
=(đâđ)2
12.
On dĂ©finit l'Ă©cart type (standard deviation) par đ=âđ2.
La plus grande partie des phĂ©nomĂšnes alĂ©atoires rencontrĂ©s dans la pratique peut ĂȘtre Ă©tudiĂ©e
via un nombre restreint de lois de distribution. Nous allons à présent voir les principales lois de
distributions.
II.2 LOIS DE DISTRIBUTION STANDARD
a) LOI TRIANGULAIRE (TRIA)
{
đđ(đ„) =
2(đ„âđ)
(đâđ)(đâđ)âsiâđ †đ„ †đ,
đđ(đ„) =2(đâđ„)
(đâđ)(đâđ)âsiâđ †đ„ †đ,
đđ(đ„) = 0 sinon.
đ· =â [đ, đ]â; âđ =đ+đ+đ
3â;âđ2 =â
đ2+đ2+đ2âđđâđđâđđ
18.
Application : On utilise cette loi lorsqu'on dispose d'une estimation du minimum, du maximum
et de la valeur la plus probable.
Exercice : Soient đ = 0,đ = 2, đ = 3, calculer đ(1 †đ †2,5).
2
đ â đ
a m b x
đđ(đ„)
aire = 1
12
b) LOI EXPONENTIELLE (EXPO)
{đđ(đ„) =
1
đœđâđ„/đœ siâđ„ > 0ââ(đœ > 0),
đđ(đ„) = 0 sinon.
đ· =â [0, +âââ[â; âđ = đœâ;âđ2 =âđœ2.
Application : Cette loi est souvent utilisée en pratique. Par exemple, dans le cas de temps
séparant les arrivées de 2 « clients » successifs dans l'étude d'un phénomÚne d'attente, ou dans
le cas d'une durée de bon fonctionnement d'un équipement technique.
La loi exponentielle est la seule loi continue à permettre la prise en compte de phénomÚnes sans
mĂ©moire ou sans vieillissement ou sans usure. En effet, la probabilitĂ© que đ soit supĂ©rieure, ou
Ă©gale, Ă đ„ + đ„0, sachant que đ est supĂ©rieure, ou Ă©gale, Ă đ„0, dĂ©pend de la valeur de đ„, et est
indĂ©pendante de la valeur de đ„0, soit : đ(đ â„ đ„ + đ„0â|âđ â„ đ„0) = đ(đ â„ đ„). Par exemple, il est souvent admis que la durĂ©e de vie đ d'un dispositif Ă©lectronique obĂ©it Ă une
loi exponentielle. Aussi la probabilité de bon fonctionnement du dispositif dans un intervalle
de temps [Î0, Î0 + Î], c'est-Ă -dire, đ(đ â„ Î + Î0|âđ â„ Î0), dĂ©pend uniquement de la
longueur de cet intervalle, et non de sa position par rapport Ă l'axe des temps, soit :
đ(đ â„ Î + Î0â|âđ â„ Î0) = đ(đ â„ Î)).
DĂ©monstration : Soient l'Ă©vĂ©nement đŽ correspondant au fait que đ â„ đ„0 et l'Ă©vĂ©nement đ”
correspondant au fait que đ â„ đ„0 + đ„. On a đ(đ â„ đ„0) = â« đđ(đ„)âđđ„â+â
âđ„0 et đ(đ â„ đ„0 + đ„) =
â« đđ(đ„)âđđ„â+â
âđ„0+đ„. Aussi đ(đ”â|âđŽ) Ă©quivaut Ă đ(đ â„ đ„0 + đ„â|âđ â„ đ„0).
Sachant que : đ(đŽ â© đ”) = đ(đŽ) Ă đ(đ”â|âđŽ) = đ(đ”) Ă đ(đŽâ|âđ”) (probabilitĂ© conditionnelle),
on a đ(đ”â|âđŽ) =đ(đ”)Ăđ(đŽâ|âđ”)
đ(đŽ).
Sachant que đ(đŽâ|âđ”) Ă©quivaut Ă đ(đ â„ đ„0â|âđ â„ đ„0 + đ„) = 1, on a đ(đ”â|âđŽ) =đ(đ”)
đ(đŽ).
Ainsi đ(đ”â|âđŽ) =đ(đ”)
đ(đŽ)=
đ(đâ„đ„0+đ„)
đ(đâ„đ„0)=
â«1
đœâđââđąđœâđđą
â+âââđ„0+đ„
â«1
đœâđââđąđœâđđą
â+âââđ„0
=
âââ[đââđąđœ]âđ„0+đ„
â+ââ
âââ[đââđąđœ]âđ„0
â+ââ =đââ(đ„0+đ„)đœ
đââđ„0đœ
= đââđ„
đœ qui est
fonction de đ„ uniquement (indĂ©pendant de đ„0).
đđ(đ„)
0 x
1
đœ
13
c) LOI NORMALE (NORM)
đ· = ]ââ, +â[ ; moyenne = đ ; variance = đ2.
Application : Cette loi s'applique dans le cas de processus dont la distribution est symétrique et
pour lesquels la moyenne et l'écart type sont estimés. Exemple : Variations de la longueur de
piÚces fabriquées en série.
Cette loi permet de modéliser une donnée qui est la somme d'un grand nombre de données
aléatoires (théorÚme central limite).
Rappel : A la place de la densitĂ© de probabilitĂ© đđ(đ„), on peut utiliser la fonction de rĂ©partition
đčđ(đ„) pour caractĂ©riser la distribution d'une variable alĂ©atoire đ.
On a : đčđ(đ„) = đ(đ †đ„) = â« âđđ(đą)âđđąâđ„
ââââ pour ââ < đ„ < +â.
đčđ(đ„) est une fonction continue, monotone croissante, telle que đčđ(âââ) = 0 et đčđ(+ââ) = 1,
đčđâČ (đ„) = đđ(đ„). Elle permet de calculer des probabilitĂ©s de la forme đ(đ < đ †đ) sans
effectuer une intĂ©gration (ce qui est le cas en utilisant đđ(đ„)) ; en effet đ(đ < đ †đ) =đčđ(đ) â đčđ(đ).
II.3 VARIABLES ALĂATOIRES DISCRĂTES
Une variable aléatoire est discrÚte si elle ne peut prendre qu'un nombre fini de valeurs (par
exemple : Ω ={pile, face} dans le cas du lancer d'une piÚce de monnaie). Pour chaque valeur
đ„đ, on associe la probabilitĂ© đ(đ„đ) d'apparition de cette valeur.
Pour đ valeurs, l'ensemble des probabilitĂ©s associĂ©es est tel que :
â âđ(đ„đ)âđđ=1 = â1 si đ couvre l'ensemble des valeurs.
Exemple : On définit un systÚme capable de produire quatre types de produits notés 1, 2, 3, 4.
Lors de l'arrivée des ordres de fabrication, on sait que la probabilité d'avoir un produit 1 est
Ă©gale Ă 1 6â , celle d'avoir un produit 2 est Ă©gale Ă 1 3â , celle d'avoir un produit 3 est Ă©gale Ă 1 3â
et celle d'avoir un produit 4 est Ă©gale Ă 1 6â .
đđ(đ„)=1
đâ2đâđââ(đ„âđ)
2/2đ2
points d'inflexion
1
đâ2đ
đđ(đ„)
0 đ„ đ â đ đ đ + đ
đ đ„
đđ(đ„)
68% des valeurs
đ2 petit
đ2 grand
14
La loi est reprĂ©sentĂ©e soit par le diagramme en bĂątons suivant indiquant đ(đ„đ) en fonction de
đ„đ :
soit par un histogramme4 :
DĂ©finitions
La moyenne (arithmĂ©tique) đ est Ă©gale Ă â đ„đđ(đ„đ)đđ=1 .
Exercice : Calculer la moyenne considérée dans l'exemple précédent.
La variance đ2 est Ă©gale Ă (â đ„đ2đ(đ„đ)) â đ
2đđ=1 .
On définit la probabilité cumulée (notion utilisée dans le logiciel ARENA) par
đđ(đ„đ) = â âđ(đ„đ)đđ=1 .
Dans l'exemple prĂ©cĂ©dent, on a : đđ(đ„1) =1
6, âđđ(đ„2) =
1
2, âđđ(đ„3) =
5
6,âđđ(đ„4) = 1.
Soit đ„1, ⯠, đ„đ un ensemble de đ valeurs discrĂštes possibles, la distribution empirique discrĂšte
DISC(đđ(đ„1), đ„1, ⯠, đđ(đ„đ), đ„đ , ⯠, đđ(đ„đ), đ„đ) est telle quâelle retourne la valeur đ„đ avec une
probabilitĂ© cumulĂ©e Ă©gale Ă đđ(đ„đ)5. Par exemple, la loi DISC(0.3,1, 0.4,2, 1,4) retourne : la
valeur 1 avec une probabilitĂ© Ă©gale Ă 0.3 ; la valeur 2 avec une probabilitĂ© Ă©gale Ă 0.1(= 0.4 â0.3) ; la valeur 4 avec une probabilitĂ© Ă©gale Ă 0.6(= 1 â 0.4).
4 Ensemble de rectangles de mĂȘme largeur dont les surfaces sont proportionnelles aux probabilitĂ©s đ(đ„đ). 5 Par construction, on a : đđ(đ„1) = đ(đ„1) et đđ(đ„đ) = 1.
đ(đ„đ)
1/3
1/6
đ„đ 0 1 2 3 4
1/3
1/6
1 2 3 4 0
đ(đ„đ)
đ„đ
15
Application : Les variables aléatoires discrÚtes s'appliquent dans le cas d'injection directe de
données empiriques dans le modÚle. Exemples : Types de piÚces, taille des lots.
III DONNĂES D'ENTRĂE DU SYSTĂME
La qualité des données est aussi importante que la qualité du modÚle (garbage in - garbage
out) ; ceci concerne, par exemple dans le cas d'un systÚme de production, les temps opératoires,
les temps de bon fonctionnement, les taux de rebut, ...
Deux problĂšmes se posent principalement :
P1) Collecte des données
â lesquelles ? disponibles ? pertinentes ? comment les collecter ?
P2) SystĂšmes stochastiques
â lecture directe des donnĂ©es empiriques ou tirage Ă partir d'une distribution
théorique associée ?
Les sources possibles de données sont de nature différente :
- Enregistrement du passĂ© â bases de donnĂ©es Ă interroger (problĂšmes de mise Ă jour).
- Observation du systĂšme â ressources humaines (erreurs, nĂ©gligence des extrĂȘmes et
oubli du passé).
- SystĂšmes similaires â attention aux infĂ©rences.
- Affirmation des fournisseurs de matériel (souvent optimistes).
- Estimation des concepteurs (à vérifier).
Deux cas sont à considérer : les données du systÚme (moyenne, minimum, maximum, ...) sont
disponibles ou partiellement connues.
III.1 CONNAISSANCE PARTIELLE DES DONNĂES
C'est le cas des systĂšmes qui n'existent pas encore, ou pour lesquels il est impossible de disposer
des données désirées (temps, ressources). On doit se baser sur l'estimation des opérateurs, des
concepteurs, des fournisseurs de matériel, ...
Trois cas se présentent souvent : On dispose seulement de la moyenne, on dispose seulement
du minimum et du maximum, ou on dispose seulement du minimum, de la valeur la plus
probable ( de la moyenne, voir la loi triangulaire) et du maximum.
1. Seule la moyenne đŽ est disponible
On peut alors utiliser (si cela est justifié) :
- Directement đ comme valeur constante de la variable si la dispersion (Ă©cart type) est petite,
- Une distribution exponentielle (grande dispersion : forte variabilitĂ©) de paramĂštre đ si la
nature du phénomÚne le justifie.
2. đŽđđ et đŽđđ sont disponibles
On peut alors utiliser (si cela est justifié) :
- Une distribution uniforme de paramĂštres đđđ et đđđ„, c'est la distribution de l'ignorance
(il n'y a pas de raison de penser que les probabilités ne sont pas équiprobables),
16
- Si les donnĂ©es sont centrĂ©es autour de la moyenne đ = (đđđ + đđđ„) 2â , on peut appliquer
une distribution normale centrĂ©e autour de đ ; Ă partir de l'Ă©tendue des donnĂ©es
(đžđĄđđđđąđ = đđđ„ âđđđ), on peut calculer l'Ă©cart type : Si les donnĂ©es sont nombreuses,
đ = đžđĄđđđđąđ/6, sinon đ = đžđĄđđđđąđ/4.
3. đŽđđ, đŽđđ et la valeur la plus probable đ sont disponibles
On peut alors utiliser (si cela est justifié) une distribution triangulaire de paramÚtres
đđđ,đ,đđđ„.
III.2 DONNĂES EXISTANTES (accessibles Ă la mesure)
Le problÚme P2 n'ayant pas de réponse claire, les logiciels de simulation proposent souvent les
deux possibilités.
Il est souvent intéressant, pour des raisons théoriques et pratiques, de pouvoir décrire une loi de
probabilité par une distribution théorique. Ceci revient à exprimer sous forme analytique les
probabilitĂ©s đ(đ„đ) en fonction de l'indice đ. On peut alors appliquer au calcul des probabilitĂ©s
des méthodes bien connues d'analyse mathématique, évitant ainsi des calculs numériques
fastidieux.
- Si les données empiriques sont directement utilisées, elles sont entrées sous forme de
distributions empiriques cumulatives (histogramme des fréquences : regroupement des
observations en classes, nombres de classes = (OâđđđđâđâČđđđ đđđŁđđĄđđđđ )). - Si on veut faire des tirages Ă partir des distributions thĂ©oriques, il faut :
a) Choisir une distribution en fonction de sa forme (et celle de l'histogramme des données),
b) Estimer ses paramĂštres,
c) Tester l'hypothÚse (la distribution correspond-elle bien aux données ?).
L'étape a) est effectuée, connaissant les caractéristiques des distributions courantes et en
comparant visuellement la distribution théorique et la distribution empirique (histogramme des
fréquences).
L'Ă©tape b) implique l'utilisation des estimateurs classiques.
L'Ă©tape c) peut s'effectuer visuellement, ou en utilisant des tests statistiques d'hypothĂšses (Khi-
deux, Kolmogorov-Smirnov).
17
Exemple : On s'intéresse au temps de traitement d'une machine. On dispose d'un ensemble de
500 valeurs représentant l'intervalle de temps (obtenu à l'aide d'un chronomÚtre) entre chaque
apparition d'une piÚce en sortie de la machine. L'entrée de la machine est toujours
approvisionnée. On considÚre 21 classes pour construire l'histogramme des fréquences.
REAL data Data pts =500 intervals = 21 Range : -1 to 12
Mean = 5,02 StdDev = 1,88 Min = -0,4531 Max = 11,3
NORMAL DISTRIBUTION : NORM.(5,02 ; 1,88)
Sq Error = 0,0008231
(*) HypothĂšse : Valeurs đđđ et đđđ„ finies.
Une valeur đ„ â đ¶đđđ đ đâđâ(1 †đ †21) âș đđđ + (đ â 1)đđđ„âđđđ
21†đ„ †đđđ + đ
đđđ„âđđđ
21.
Si la valeur đđđ (respectivement đđđ„) = ââ (respectivement +â), on considĂšre une classe [ââ, valeur rĂ©elle] (respectivement [valeur rĂ©elle, +â]).
IV VĂRIFICATION ET VALIDATION DES MODĂLES
Les programmes de simulation se caractérisent par une évolution constante (tests de scénarii,
que se passe-t-il si ?, ...). La difficulté majeure est de savoir :
âą Comment avoir confiance dans le modĂšle ?
âą Comment le transmettre Ă l'utilisateur ?
Avant de tirer des inférences des résultats statistiques d'un modÚle/programme de simulation,
il faut s'assurer qu'il représente bien le systÚme. Ceci passe habituellement par deux étapes : la
vérification et la validation.
IV.1 VĂRIFICATION
La vérification consiste à s'assurer que le modÚle fonctionne comme le souhaite le concepteur
(sans erreur de logique), ce qui nécessite de pouvoir isoler les erreurs (étape la plus difficile)
afin de les corriger. La vérification est rendue plus facile si on commence par un modÚle simple
Nbre de valeurs
appartenant Ă la
classe
n°1, n°2, ... (*)
đđđ
Cl. 1 âŠ. Cl. 21
đđđ„
18
qu'on améliore (enrichi) progressivement. Les techniques (ou comportement à avoir) suivantes
permettent l'isolation des erreurs :
1. Considérer toujours que le modÚle contient des erreurs et les chercher (approche destructive,
plutĂŽt que constructive).
2. Impliquer des personnes non concernées par la conception et l'implémentation.
3. Réviser le modÚle et les données avec l'aide d'au moins un client et un connaisseur du langage
(en plus du développeur).
4. Effectuer des tests :
- Remplacer des temps aléatoires par des constantes,
- Tester seulement une partie du modĂšle,
- Tester le modĂšle dans des conditions limites. Pour cela :
- Augmenter le taux d'arrivée et/ou diminuer le taux de service pour créer des
congestions, ou des phénomÚnes de « famines » de machines,
- Réduire la taille des stocks pour créer des blocages,
- Modifier la distribution des types de piÚces (job mix) pour augmenter l'arrivée des
piÚces de types moins fréquents,
- Augmenter le taux d'occurrence des événements moins fréquents (par exemple
une panne).
5. Générer et analyser la trace du modÚle pour vérifier le cheminement des piÚces, les
changements d'état à l'issue d'une attente (au niveau d'une file, par une activité, ...).
6. Utiliser l'animation (technique puissante).
7. Corriger les erreurs en identifiant les vraies causes et ne pas traiter seulement les symptĂŽmes
(le raisonnement logique reste la meilleure approche).
8. Eviter des erreurs classiques, notamment vis-Ă -vis :
- De la saisie des données d'entrée,
- De la phase d'initialisation (unités de mesures),
- Du contrĂŽle du flux,
- De l'existence de blocages,
- Des erreurs arithmétiques (parenthÚses, conversion de types, ...),
- Des erreurs d'enregistrement (temps d'arrivée des piÚces, compteurs, ...),
- D'une mauvaise utilisation des primitives ou fonctions du langage.
IV.2 VALIDATION
Trois questions doivent ĂȘtre posĂ©es :
⹠Le modÚle représente-t-il correctement le systÚme réel (validité conceptuelle) ?
⹠Les données sur le comportement générées par le modÚle sont-elles caractéristiques
de celles du systÚme réel (validité opérationnelle) ?
⹠L'utilisateur a-t-il confiance dans les résultats du modÚle (confiance) ?
Trois points de vue sont Ă prendre en compte :
- Celui du développeur,
19
- Celui d'une personne Ă©valuant le modĂšle (superviseur, client),
- Celui de l'utilisateur final (décideur).
Trois types de tests :
1. Le comportement est-il raisonnable ?
- Continuité : Petits changements dans les paramÚtres d'entrée
â petits changements dans les variables de sortie et les variables d'Ă©tat.
- Consistance : Exécutions presque identiques
â rĂ©sultats presque identiques (exemple : GĂ©nĂ©rateur alĂ©atoire changĂ©).
- Dégénérescence : Suppression d'une composante (d'un « mode ») du modÚle
â effets sur les rĂ©sultats (exemple : Une machine supprimĂ©e).
- Conditions absurdes : ParamÚtres d'entrées absurdes
â rĂ©sultats absurdes (exemple : Porter le budget de la publicitĂ© Ă l'infini ne doit
pas entraĂźner des ventes infinies).
2. Test des données et de la structure du modÚle
Les thĂ©ories et les hypothĂšses doivent ĂȘtre correctes et la reprĂ©sentation du modĂšle doit ĂȘtre en
adéquation par rapport à l'utilisation désirée.
â ValiditĂ© de « façade » : Le comportement semble correct pour des personnes familiĂšres avec
le systÚme réel (logique, entrées-sorties).
â VĂ©rification de la structure et des limites : Correspondance entre le modĂšle conceptuel et le
systÚme de référence.
3. Test du comportement du modĂšle
Il consiste à étudier le comportement du modÚle en relation avec le systÚme de référence.
â Comparaison de comportements : Tests statistiques pour comparer les rĂ©sultats (Khi-deux,
Kolmogorov-Smirnov, ...).
â GĂ©nĂ©rer des symptĂŽmes :
- Le modÚle génÚre des difficultés déjà connues dans le systÚme ?
- Le modÚle produit des résultats connus pour des entrées données ?
â Anomalie de comportement : Une anomalie dans le modĂšle peut amener Ă dĂ©couvrir
l'anomalie équivalente dans le systÚme réel ?
â PrĂ©diction de comportement : PrĂ©diction du modĂšle contre des tests sur le terrain.
V INTERPRĂTATION DES RĂSULTATS
Selon le logiciel utilisé, l'exécution d'un programme de simulation peut générer :
20
- Un rapport de simulation comprenant les moyennes, les Ă©carts types, les minimums et
maximums des variables observées, ...
- Un historique de l'Ă©volution de ces variables au cours de la simulation.
La qualité de la moyenne (arithmétique) comme estimateur de la vraie moyenne dépend, entre
autres, du nombre des observations. De mĂȘme, l'Ă©cart type est biaisĂ© pour un petit nombre
d'observations. On peut utiliser son rapport Ă la moyenne pour mesurer la dispersion des valeurs
(en plus du minimum et du maximum).
Un tel rapport de simulation ne suffit pas pour tirer des conclusions crédibles sur les
performances du systÚme. Il suffit de changer le générateur de nombres aléatoires pour que le
mĂȘme modĂšle gĂ©nĂšre des rĂ©sultats diffĂ©rents. L'animation graphique n'est pas suffisante non
plus. En fait, on a souvent tendance Ă se contenter du rapport de simulation et/ou de l'animation,
surtout quand le projet est en retard.
Les résultats générés par un modÚle jouent le rÎle de mesures sur un échantillon. Il faut donc
les exploiter pour effectuer des procédures statistiques. A chaque variable (inconnue), il faut
associer un intervalle de confiance.
Rappel (Intervalle de confiance) : L'intervalle de confiance [đ1, đ2] du paramĂštre inconnu đ
est dĂ©fini Ă l'aide de 2 grandeurs statistiques đ¶1, đ¶2 de telle sorte qu'il recouvre, avec une
probabilitĂ© donnĂ©e 1 â đŒ, la (vraie) valeur inconnue de đ, soit :
đ(đ¶1 †đ †đ¶2) = 1 â đŒ.
La probabilitĂ© 1 â đŒ, associĂ©e Ă cette estimation par intervalle, est appelĂ©e niveau de confiance
ou seuil de confiance. Les valeurs les plus souvent utilisĂ©es pour 1 â đŒ sont : 0,90 ; 0,95 ; 0,99
et 0,999.
Chaque rĂ©alisation des deux statistiques đ¶1, đ¶2 donne lieu Ă un intervalle de confiance
numĂ©rique [đ1, đ2]. La notion de niveau de confiance est alors Ă interprĂ©ter dans le sens suivant.
Si l'on effectue un grand nombre de rĂ©alisations des deux statistiques (đ¶1, đ¶2), alors la valeur
inconnue du paramĂštre đ sera recouverte par environ 100(1 â đŒ)â% des intervalles [đ1, đ2] ainsi obtenus.
La longueur d'un intervalle de confiance diminue :
âą En augmentant la taille đ de l'Ă©chantillon,
âą En diminuant la dispersion de la variable alĂ©atoire đ Ă©tudiĂ©e,
⹠En choisissant un seuil de confiance moins élevé par exemple en prenant 0,90 au lieu
de 0,95. Dans Arena (lorsque le nombre de réplication est supérieur à 1), la demi-largeur
(half width) se rapporte Ă un intervalle de confiance dont le seuil est Ă©gal Ă 95%.
Il existe deux types de systĂšmes : Les systĂšmes finis â c'est-Ă -dire, ayant un Ă©vĂ©nement de fin
qui détermine la fin de la simulation - et les systÚmes qui ne se terminent pas - c'est-à -dire,
n'ayant pas d'événement de fin de simulation. Par exemple, un commerce qui ouvre et qui ferme
Ă intervalles rĂ©guliers est un systĂšme fini ; par contre, un hĂŽpital oĂč il y a toujours au moins un
patient est un systĂšme qui n'est pas fini.
21
V.1 ANALYSE DES SYSTĂMES FINIS
Ils sont plus faciles Ă analyser que les systĂšmes qui ne se terminent pas. On ne peut contrĂŽler
que le nombre des répétitions des expériences. A chaque répétition, on peut utiliser un autre
générateur des nombres aléatoires.
Deux sources de données d'observation :
a) Observations individuelles dans chaque répétition/expérience (par exemple, le temps de
traitement de chaque piĂšce),
b) Moyennes, écarts-types, maximums, minimums des observations dans chaque répétition
(par exemple, le temps de traitement moyen des piĂšces).
Si lâon change le gĂ©nĂ©rateur des nombres alĂ©atoires d'une rĂ©pĂ©tition Ă l'autre, on peut considĂ©rer
que les observations de type b) d'un ensemble de répétitions sont telles que :
- Elles sont indépendantes,
- Les moyennes sont normalement distribuées.
Cette derniÚre propriété est due au fait qu'elles sont sommes, ou moyennes, d'observations
individuelles (théorÚme central limite).
Les procédures classiques de statistiques peuvent alors s'appliquer pour les moyennes. Pour les
minimums et maximums, certaines procédures de statistiques s'appliquent encore.
A partir des observations de type b), on peut calculer en particulier :
- Des intervalles de confiance autour de la moyenne, du maximum et du minimum,
- Des intervalles de confiance autour de la différence entre les moyennes, les maximums et
les minimums de deux systÚmes différents.
Cette comparaison de deux systÚmes est utile pour évaluer par exemple la différence entre deux
dimensionnements, deux rĂšgles d'ordonnancement, ... (si l'intervalle de confiance ne contient
pas 0, on peut en déduire que les deux systÚmes sont différents).
Procédure générale :
- Simuler un grand nombre d'expériences/répétitions (minimum 20) et récupérer chaque fois les
observations souhaitées (moyennes, maximum, minimum, ...) ;
- Analyser le comportement du systĂšme en se basant sur la valeur moyenne pour chaque
expérience :
- Utilisation de l'histogramme,
- Calcul de l'intervalle de confiance.
- DĂ©terminer le nombre dâexpĂ©riences Ă l'aide de l'analyse des rĂ©sultats en fonction des
prĂ©cisions souhaitĂ©es pour l'intervalle de confiance. Utiliser la formule đ2 = đ1â(â1/â2)2 oĂč
đ1 est le nombre dâexpĂ©riences dĂ©jĂ rĂ©alisĂ©es,
đ2 est le nombre total dâexpĂ©riences,
â1 est la moitiĂ© de l'intervalle de confiance dĂ©jĂ obtenu,
â2 est la moitiĂ© de l'intervalle de confiance souhaitĂ©.
- Simuler encore : Soit tout recommencer, soit rajouter les rĂ©sultats des nouvelles simulations Ă
ceux des premiĂšres ;
- Analyser : Intervalle de confiance, histogramme.
22
V.2 ANALYSE DES SYSTĂMES QUI NE SE TERMINENT PAS
On sâintĂ©resse Ă l'Ă©tude des performances stationnaires dâun systĂšme du fait dâun rĂ©gime
transitoire souvent favorable aux performances du systĂšme ; ce peut ĂȘtre, par exemple, le cas
dâun atelier vide au dĂ©but de la simulation. L'Ă©tat stable du systĂšme correspond Ă son
comportement aprÚs un certain temps et est indépendant de l'état de départ.
Le but est de calculer un intervalle de confiance autour de la moyenne. Deux problĂšmes peuvent
se poser :
- Pas de point de passage précis entre le régime transitoire et le régime stationnaire,
- Corrélation entre les observations.
ProblÚme du régime transitoire
Il existe trois méthodes pour traiter le problÚme du régime transitoire :
- Choisir des conditions de départ qui ressemblent aux conditions de régime permanent
(par exemple : Charger les machines, mettre les piĂšces dans les files d'attente).
- Faire des simulations assez longues pour rendre le régime transitoire insignifiant.
- Ecarter les valeurs enregistrées pendant le régime transitoire. Pour cela, on peut
éventuellement utiliser le filtre de la moyenne glissante (moyenne arithmétique des k
observations récentes) pour réduire la variabilité de la variable.
C'est cette derniÚre méthode qui est couramment utilisée. Il existe certaines rÚgles pour
sélectionner la partie à tronquer, mais il n'y a aucune méthode complÚtement satisfaisante. La
plus utilisée est d'évaluer (visuellement) la période transitoire à l'aide des graphes (courbes,
histogrammes, moyennes mobiles).
Intervalles de confiance
Deux méthodes sont couramment utilisées :
- Répétition d'expériences indépendantes comme pour les systÚmes finis (problÚme du
régime transitoire à chaque fois),
- Longue simulation et décompositions des données générées en sous-ensembles (batchs).
Cette derniÚre méthode consiste à :
- Ecarter le régime transitoire,
- DĂ©composer les observations restantes en đ batchs de taille đ et sans chevauchement,
- Remplacer chaque batch đ”đ (đ = 1, 2,⯠, đ) par đđ, moyenne des đ observations dans
đ”đ ,
- Calculer l'intervalle de confiance Ă partir des observations đđ, đ = 1, 2,⯠, đ.
Ici encore, les conditions du théorÚme central limite sont considérées vraies et le calcul de
l'intervalle de confiance justifiĂ© (indĂ©pendance et normalitĂ© des observations đđ).
Indications : đ = 10 đđđâ, đ de 10 Ă 20.
CorrĂ©logramme â đđđâ : Le plus grand nombre d'observations pour lequel la
corrélation est encore significative.
Cette méthode (présentée pour des variables ne dépendant pas du temps comme le nombre de
piÚces finies) est évidemment applicable pour les variables persistantes (dépendant du temps)
comme les tailles des files d'attente. Il suffit de définir les batchs par des intervalles de temps
réguliers au lieu d'un nombre fixé de données.
23
VI NOTIONS ELĂMENTAIRES SUR LES RĂSEAUX DE PETRI
VI.1 GĂNĂRALITĂS
DĂ©finition (RĂ©seau de Petri)
Un rĂ©seau de Petri (RdP) est un graphe constituĂ© de 2 sortes de nĆuds : Les places (reprĂ©sentĂ©es
par des ronds) et les transitions (représentées par des barres). Le graphe est orienté : Des arcs
vont d'une sorte de nĆuds Ă l'autre (jamais de places Ă places, ou de transitions Ă transitions
directement). Voir exemple dans la figure suivante.
De façon plus formelle, un RdP peut-ĂȘtre dĂ©fini par un 4-uplet < đ, đ, đđĂ©, đđđ đĄ > tel que :
đ = {đ1, âđ2, ⯠,âđđ} est un ensemble fini et non vide de places ;
đ = {đ1,âđ2, ⯠,âđđ} est un ensemble fini et non vide de transitions ;
đđĂ©: âđ Ă âđâ â {0, â1} est l'application d'incidence avant ;
đđđ đĄ: âđ Ă âđâ â {0, â1} est l'application d'incidence arriĂšre.
đđĂ©(đđ, đđ) est le poids de l'arc (orientĂ©) reliant la place đđ Ă la transition đđ ; ce poids vaut 1 si
l'arc existe et 0 sinon.
đđđ đĄ(đđ , đđ) est le poids de l'arc (orientĂ©) reliant la transition đđ Ă la place đđ.
Marquage des places
Les places sont marquées par des jetons (points noirs). Les jetons vont circuler dans les places
du fait du franchissement de transitions en suivant certaines rÚgles définies ci-dessous. L'état
du rĂ©seau Ă un instant đĄ est dĂ©fini par le nombre de jetons contenus dans chaque place Ă lâinstant
đĄ. La circulation des jetons reprĂ©sente l'Ă©volution dynamique de lâĂ©tat du rĂ©seau. Le marquage
initial correspond à celui indiqué sur le dessin et donne la position initiale des jetons.
RĂšgles de fonctionnement et circulation des jetons
Pour qu'une transition puisse ĂȘtre activĂ©e, la prĂ©sence d'un jeton au moins est requise dans
chaque place située en amont de la transition. L'activation (le tir) de la transition a pour effet
de prélever ces jetons des places amont et de rajouter dans chaque place aval un nouveau jeton.
De façon plus formelle, le franchissement (tir) d'une transition đđ ne peut s'effectuer que si le
marquage de chacune des places đđ directement en amont de cette transition est tel que :
đ(đđ) â„ âđđĂ©(đđ, đđ) (condition nĂ©cessaire).
Le franchissement (tir) de đđ consiste Ă retirer đđĂ©(đđ , đđ) jetons dans chacune des places
directement en amont de đđ et Ă ajouter đđđ đĄ(đđ, đđ) jetons dans chacune des places đđ
directement en aval de đđ.
đ6
đ7
đ5
đ4
đ3
đ2
đ3
đ4
đ6
đ5
đ1
đ1
đ2
24
Exercice : Exprimer sous une forme matricielle les applications đđĂ© et đđđ đĄ relatives au RdP
prĂ©cĂ©dent. Valider Ă travers quelques exemples le bon fonctionnement de lâĂ©quation
dâĂ©volution du marquage : đđ = đđ + (đđđ đĄ â đđĂ©) đđ đ, oĂč đđ đ est le vecteur de tirs permettant une Ă©volution du vecteur de marquage, de đđ vers đđ.
Modélisation de la concurrence (ou logique) et de la synchronisation (et logique)
- Concurrence Ă la fourniture de jetons dans une place : C'est la convergence d'arcs sur
une place (voir figure a suivante).
- Concurrence Ă la consommation des jetons d'une place : C'est la divergence d'arcs Ă
partir d'une place (voir figure b suivante). Ce conflit structurel doit ĂȘtre arbitrĂ© par une
rÚgle de priorité quelconque lorsque le conflit est effectif (c'est-à -dire lorsque les
transitions aval en compĂ©tition pourraient effectivement ĂȘtre activĂ©es). Ne pas arbitrer
un conflit effectif fait que le comportement du systÚme n'est pas entiÚrement spécifié.
- Synchronisation dans la consommation de jetons de plusieurs places : C'est la
convergence de plusieurs arcs sur une transition (voir figure c suivante).
- Synchronisation dans la fourniture de jetons Ă plusieurs places : C'est la divergence
d'arcs Ă partir d'une transition (voir figure d suivante).
Temporisation des places et/ou des transitions
A priori, on peut penser à l'activation d'une transition comme au déroulement d'une tùche : Il
faudrait alors mettre une temporisation sur les transitions. Par ailleurs, si on pense Ă une place
comme un endroit oĂč une ressource sĂ©journe en attendant de poursuivre son parcours, il peut y
avoir une durée minimale de séjour à respecter : Penser par exemple au séjour d'une piÚce dans
un four pour atteindre une température souhaitée.
On est donc tenté de mettre à la fois :
- Une durée d'activation pour les transitions : Durée pendant laquelle un jeton situé dans
chaque place amont de la transition activée est « réservé » pour cette transition (avant
de disparaĂźtre), et au-delĂ de laquelle un jeton apparaĂźt dans chacune des places aval ;
- Une durée minimale de séjour dans les places : Durée pendant laquelle tout jeton qui
vient d'ĂȘtre produit dans une place ne peut pas encore servir Ă l'activation de transitions
aval.
En fait, il n'y a aucune perte de généralité à ne mettre de temporisations que sur les transitions,
ou que sur les places. La figure suivante montre la transformation d'une transition de durĂ©e Î
en 2 transitions instantanĂ©es (le dĂ©but et la fin) sĂ©parĂ©es par une place de temporisation Î.
a b c d
Î Î
25
VI.2 GRAPHES D'ĂVĂNEMENTS
Restrictions et capacités de modélisation
Les graphes d'événements sont une sous-classe de RdP pour lesquels toute place a exactement
une transition amont et une transition aval (les situations représentées dans les figures a et b
précédentes sont interdites). Aussi, les graphes d'événements peuvent modéliser des
phénomÚnes de synchronisation, mais pas de concurrence.
A l'opposé, les graphes d'état refusent les configurations représentées dans les figures c et d
précédentes pour ne retenir que celles représentées dans les figures a et b. Aussi, les graphes
d'état, tels que toute transition a exactement une place d'entrée et une place de sortie, permettent
de visualiser des phénomÚnes de concurrence (décision), mais pas de synchronisation.
Une propriété fondamentale des graphes d'événements
Le nombre total de jetons le long de tout circuit d'un graphe d'événements reste constant. Ceci
n'est généralement pas vérifié dans le cas d'un RdP (le nombre de jetons total d'un RdP ne reste
pas nécessairement constant au cours de l'évolution du marquage du réseau).
VI.3 EXEMPLES
Soit une machine représentée dans la figure suivante. Chaque piÚce qui arrive est, soit traitée
immédiatement par la ressource machine, soit mise en attente dans le stock (à capacité infinie)
jusqu'Ă ce que la ressource machine soit disponible. Le temps de traitement de la ressource
machine est de 3 unités de temps. AprÚs traitement, chaque piÚce sort.
Le RdP suivant modélise ce systÚme.
arrivée
piĂšce
stock ressource
machine
sortie
piĂšce
3 stock
ressource machine libre
ressource machine occupée
Arrivée
piĂšce Sortie
piĂšce
DĂ©marrage
26
Modifications
a) Le modÚle RdP suivant indique une capacité de stockage limitée à 5 piÚces.
b) Le stock en amont de la ressource machine est remplacĂ© par un convoyeur correspondant Ă
une file composée de 5 compartiments (gestion First-In, First-Out du convoyeur). Le temps
de déplacement du convoyeur est de 6 unités de temps. Le systÚme est représenté par le
modĂšle RdP suivant.
c) La machine a une capacité de traitement de 2 : Elle est capable de traiter 2 piÚces
simultanément. Le systÚme est représenté par le modÚle RdP suivant.
d) La machine a un temps de setup de 1,5 unités de temps. Le systÚme est représenté par le
modĂšle RdP suivant.
3 stock
ressource machine libre
ressource machine occupée
Arrivée
piĂšce Sortie
piĂšce
5
Démarrage Arrivée
piĂšce âŠ
6/5 6/5 6/5
3
ressources machine libres
ressources machine occupées
Sortie
piĂšce
DĂ©marrage
2
3
ressources machine libres
ressources machine occupées
Sortie
piĂšce
DĂ©marrage
2
1,5
27
VI.4 AUTRES CLASSES DE RĂSEAUX DE PETRI
RĂ©seau de Petri temporel
Ces rĂ©seaux permettent lâanalyse de systĂšmes Ă contraintes de temps. Un intervalle, et non plus
une simple valeur scalaire, est associĂ© aux places et/ou aux transitions. Le fait dâassocier un
intervalle [đ, đ] Ă une place fait quâun jeton prĂ©sent dans cette place devra sĂ©journer au moins
đ unitĂ©s de temps. Il pourra contribuer Ă la validation dâune transition situĂ©e en aval si son
temps de sĂ©jour est infĂ©rieur Ă đ unitĂ©s de temps, au-delĂ le jeton meurt et de ce fait ne
contribuera plus Ă la validation dâune transition situĂ©e en aval.
Réseau de Petri synchronisé
Un ensemble d'événements externes est associé au RdP ; ces événements permettent le
franchissement de certaines transitions. Un tel RdP est dit synchronisé.
Considérons le RdP modélisant la machine décrite dans VI.3. On associe à ce RdP l'ensemble
d'Ă©vĂ©nements {đŽ, đ·, đ} oĂč đŽ dĂ©signe l'Ă©vĂ©nement « ArrivĂ©e piĂšce », đ· l'Ă©vĂ©nement
« DĂ©marrage service », đ l'Ă©vĂ©nement « Sortie piĂšce ». La figure suivante reprĂ©sente le systĂšme
modélisé par un RdP synchronisé.
Le tir de la transition đ1 est liĂ© Ă l'occurrence de l'Ă©vĂ©nement đŽ.
Le tir de la transition đ2 est liĂ© :
- A la validation de la transition, matérialisée par la présence d'au moins un jeton dans la
place « stock » et d'un jeton dans la place « ressource machine libre » ;
- Au dĂ©marrage effectif du service (occurrence de l'Ă©vĂ©nement đ·).
Le tir de la transition đ3 est liĂ© Ă l'occurrence de l'Ă©vĂ©nement đ.
Réseau de Petri généralisé
Un RdP généralisé est un RdP dans lequel les poids associés aux arcs sont des nombres entiers
strictement positifs. Ces poids peuvent ĂȘtre diffĂ©rents de 0 ou 1.
Tous les arcs, dont le poids n'est pas explicitement spécifié, ont un poids de 1.
Soit un arc reliant une place đđ Ă une transition đđ ayant un poids Ă©gal Ă đ, alors la transition đđ
ne sera validĂ©e que si la place đđ contient au moins đ jetons. Lors du franchissement de cette
transition, đ jetons seront retirĂ©s de la place đđ. Le fait qu'un arc relie une transition đđ Ă une place đđ avec un poids Ă©gal Ă đ, signifie que lors
du franchissement de cette transition, đ jetons seront ajoutĂ©s Ă la place đđ.
3 stock
ressource machine libre
ressource machine
occupée
Arrivée
piĂšce Sortie
piĂšce
đš đ« S
đ1
đ2
đ3 DĂ©marrage
Assemblage
2
28
VII LE LANGAGE DE SIMULATION ARENA
Le logiciel SIMAN-ARENA6 a été conçu en 1982 par C.D. Pedgen de System Modeling
Corporation, ARENA représentant la version « graphique » de SIMAN. La description du
modÚle (logiciel) du systÚme simulé se fait à l'aide d'un assemblage constitué de mise en série,
en parallÚle ou en feedback de différents blocs fonctionnels, issus de bibliothÚques (templates)
dâARENA. Une telle approche de modĂ©lisation permet d'obtenir une structure du modĂšle
(logiciel) proche de celle du systÚme (réel) à simuler.
VII.1 NOTIONS DE BASE
Entité : Une entité est un objet qui évolue dans les différents blocs fonctionnels constituant le
modÚle du systÚme. Elle correspond en général à un objet concret, par exemple, une
personne ou une piÚce dans un atelier. Le déplacement des entités au sein des différents
blocs - par exemple le déplacement de piÚces dans un atelier - provoque un changement
d'état du modÚle de simulation, ce qui est analogue aux déplacements des jetons dans
un modĂšle RdP.
Attribut : Un attribut est une variable associée individuellement aux entités (la variable est
locale) pour représenter leurs états ou des paramÚtres qui leur sont propres. Par
exemple, chaque entité, représentant une piÚce circulant dans un atelier, peut avoir les
attributs suivants :
- Type_de_piece afin de désigner le type d'une piÚce (par exemple, Type_de_piece =
A ou B) ;
- Indice_de_priorite afin de désigner l'indice de priorité d'une piÚce (par exemple,
Indice_de_priorite = faible ou importante) ;
- Date_arrivee_ds_le_modele (par exemple, Date_arrivee_ds_le_modele = TNOW).
Variable globale : Une variable globale concerne l'ensemble du modĂšle. Par exemple, la
variable TNOW (variable prédéfinie dans ARENA) désigne la date à laquelle se trouve
la simulation, c'est le temps courant - mis à jour à chaque avancée dans l'échéancier des
Ă©vĂ©nements â sâĂ©coulant durant une simulation du modĂšle.
Le principe de fonctionnement du logiciel ARENA est de permettre lâĂ©volution de chacune des
entités d'un bloc fonctionnel vers un autre, de sa création dans le modÚle à sa destruction.
Lâordonnancement dans le temps des diffĂ©rents Ă©vĂ©nements rattachĂ©s Ă l'Ă©volution des entitĂ©s
dans les blocs constituant le modĂšle se fait au travers dâun Ă©chĂ©ancier.
Quand une entité rentre dans un bloc fonctionnel, elle déclenche/active le « service » qui lui est
associé, ce qui provoque une modification de l'état du modÚle. Un « service » peut agir :
- sur l'entité au travers de la valeur de ses attributs. Par exemple, à travers un bloc Assign,
on peut affecter à l'attribut indice_de_priorite d'une entité représentant une piÚce, présente
dans le bloc, la valeur importante ;
- sur les variables globales du modĂšle logiciel. Par exemple, le passage dâune entitĂ© dans un
bloc Delay provoque un retard pur, ce qui aura une conséquence sur la variable TNOW.
6 Une documentation électronique est fournie avec le logiciel ARENA à travers différents fichiers
(ArenaBEUsersGuide.pdf, ArenaVariablesGuide.pdf, ArenaSEUsersGuide.pdf) accessibles dans le répertoire
\Rockwell Software\Arena\.
29
Un programme (ou modÚle logiciel) élaboré avec ARENA est sauvegardé dans un fichier ayant
pour extension .doe et est constitué :
- d'une partie modÚle, qui représente l'algorithme décrivant les caractéristiques statiques et
dynamiques des différents blocs fonctionnels composant le modÚle ;
- du cadre expérimental, qui regroupe les données précisant les paramÚtres spécifiques à une
simulation donnĂ©e (conditions initiales, durĂ©e de la simulation, âŠ).
En fait, les entités traversent uniquement les blocs fonctionnels de la partie modÚle.
Considérons un simple tapis roulant, ayant un temps de transport de 3 unités de temps,
représenté par le modÚle logiciel décrit comme suit :
Le bloc Create, issu du template Basic Process, est tel qu'une entitĂ© est crĂ©Ă©e Ă partir de lâinstant
0, ceci toute les 2 unités de temps.
Le bloc Delay, issu du template Advanced Process, force une entité à séjourner 3 unités de
temps dans le bloc.
Le bloc Dispose, issu du template Basic Process, détruit toute entité entrant dans le bloc.
A travers le menu Run/Setup/Replication Parameters, on peut notamment fixer :
- le nombre de réplications (champ Number of Replications),
- le temps oĂč se termine une rĂ©plication (champ Replication Length).
A travers le menu Run/Setup/Project Parameters, on peut notamment donner :
- un titre au projet (champ Project Title),
- le nom du programmeur (champ Analyst Name),
30
- un commentaire (champ Project Description).
Les 2 fichiers générés par ARENA (au format txt) sont accessibles via le menu
Run/SIMAN/View (voir ci-dessous un listage partiel de ces fichiers).
âą fichier Exemple.mod : (partie modĂšle)
; Model statements for module: Create
2$ CREATE, 1,HoursToBaseTime(0.0),Entity 1:HoursToBaseTime(2):NEXT(0$);
;
; Model statements for module: Delay
0$ DELAY: 3,,Other:NEXT(1$);
;
; Model statements for module: Dispose
1$ DISPOSE: Yes;
0$, 1$, 2$ sont des Ă©tiquettes.
⹠fichier Exemple.exp : (cadre expérimental)
PROJECT,"Premier exemple","ISTIA",,,No,Yes,Yes,Yes,No,No,No,No,No,No;
REPLICATE, 1,,HoursToBaseTime(10),Yes,Yes,,,,24,Hours,No,No,,,Yes;
31
Le modÚle RdP correspondant à la partie modÚle du modÚle logiciel précédent est décrit dans
la figure suivante :
ARENA permet de construire un modÚle en proposant des primitives de représentation
(appelées par la suite, blocs ou modules) plus ou moins détaillées. Il permet également de créer
des animations graphiques pour visualiser le comportement du modĂšle durant la simulation.
Les blocs sont regroupés dans différentes bibliothÚques (templates).
Des liens sont utilisés pour permettre les assemblages en série, en parallÚle, en feedback, entre
les blocs, voir une illustration de tels assemblages dans le RdP qui suit.
VII.2 BLOCS PERMETTANT LA CONSTRUCTION DâUN MODĂLE
a) Create (issu du template Basic Process) : Un bloc Create permet de créer des entités. Celui
représenté dans la figure suivante est intitulé Create 1 (champ Name = Create 1).
Sont indiqués :
- dans le cadre Time Between Arrivals, le temps entre deux crĂ©ations de lots dâentitĂ©s. Par
exemple un temps Ă©gale Ă 2 lorsque : champ Type = Constant et champ Value = 2, ou un
temps régit par une loi exponentielle de moyenne 1 lorsque : champ Type = Expression et
champ Value = EXPO(1),
- la taille des lots (champ Entities per Arrival = 1),
- le nombre total de lots à créer (champ Max Arrivals = Infinite),
- la date de création du premier lot (champ First Creation = 0).
3
2
32
Les valeurs considérées sont telles qu'1 entité est créée toute les 2 unités de temps à partir de
lâinstant 0, ceci une infinitĂ© de fois.
Le RdP suivant permet de décrire le bloc Create 1.
Le nombre de tirs de la transition de sortie de ce RdP Ă un instant t correspond au nombre
dâentitĂ©s sorties du bloc Create au mĂȘme instant t. Notons que le bloc Create nâa pas dâentrĂ©e.
b) Dispose (issu du template Basic Process) : Un bloc Dispose permet de détruire des entités.
Celui représenté dans la figure suivante est intitulé Dispose 1 (champ Name = Dispose 1), une
entité entrant dans ce bloc est immédiatement détruite.
En termes de RdP, ce bloc, qui nâa pas de sortie, Ă©quivaut Ă une transition puit, c'est-Ă -dire, une
transition sans place située en aval.
Type (Constant), Value (2)
Max
Arrivals
(â)
Entities per
Arrival (1) First
Creation
(0)
P
Sortie de
lâentitĂ© du
bloc Create
33
c) Delay (issu du template Advanced Process) : Un bloc Delay permet de retarder le passage
d'entités. Celui représenté dans la figure suivante est intitulé Delay 1 (champ Name = Delay 1),
quand une entité entre dans ce bloc, elle y reste inconditionnellement pendant la durée (aléatoire
ou non) indiquée dans le champ Delay Time.
Le RdP suivant permet de décrire un bloc Delay.
Le nombre de jetons présents dans la place correspond au nombre d'entités présentes dans le
bloc Delay.
d) Seize (issus du template Advanced Process) : Une entité présente dans un bloc Seize ne peut
sortir de ce bloc que sâil existe un nombre suffisant de ressources disponibles (le nombre et le
type de ressources Ă©tant spĂ©cifiĂ©s dans le bloc) ; en attendant lâentitĂ© est stockĂ©e (« patiente »)
dans une file dâattente interne au bloc Seize. Le fait qu'une entitĂ© sorte du bloc indique que les
ressources, disponibles en nombre suffisant, sont « saisies » (et donc plus disponibles).
Le bloc représenté dans la figure suivante est intitulé Seize 1 (champ Name = Seize 1). Pour
simplifier la compréhension, considérons que seulement un type de ressource est concerné
(dans lâexemple, Resource 1), alors :
- le nom de la ressource est spécifié dans le champ Resource Name, soit Resource Name =
Resource 1 (lâajout dâun autre type de ressource donnerait lieu Ă une ligne supplĂ©mentaire
dans la liste Resources),
- le nombre (minimum) de ressources (de type Resource 1) disponibles est spécifié dans le
champ Units to Seize, par exemple Units to Seize = 1.
Sachant qu'une ressource peut ne pas ĂȘtre disponible, les entitĂ©s, en attente d'un nombre
suffisant de ressources disponibles, sont stockées dans une file d'attente, intégrée (en amont) au
bloc Seize, et dont le nom est indiqué dans le champ Queue Name (soit Queue Name = Seize
1.Queue).
Delay Time
Entrée d'une entité
dans le bloc Delay
Sortie de l'entité
du bloc Delay
34
Le RdP suivant permet de dĂ©crire un bloc Seize dans le cas oĂč un seul type de ressource (dans
lâexemple, Resource 1) est requis.
La transition T pour ĂȘtre activĂ©e doit :
- contenir (au moins) un jeton dans la place P1, ce qui correspond à la présence dans la file
dâattente d'au moins une entitĂ© dans le bloc Seize.
- contenir (au moins) Units to Seize jetons dans la place P2, ce qui signifie quâau moins Units
to Seize ressources Resource Name sont disponibles.
Le fait de franchir la transition T a pour effet d'ĂŽter 1 jeton dans la place P1 et dâĂŽter Units to
Seize jetons dans la place P2, ce qui reprĂ©sente la sortie dâune entitĂ© du bloc Seize et la « saisie »
de Units to Seize ressources Resource Name.
Le nombre de jetons présents dans la place P1 correspond au nombre d'entités présentes (en
attente) dans le bloc Seize.
âȘ Une file dâattente est caractĂ©risĂ©e (configurĂ©e) par le bloc Queue (issu du template Basic
Process, appartenant au cadre expérimental et donc non traversé par une entité), voir la figure
suivante :
- le champ Name permet de dĂ©clarer une file dâattente, par exemple Seize 1.Queue,
File dâattente
(Seize 1.Queue)
T P1
P2
Units to
Seize
Entrée d'une entité
dans le bloc Seize
Sortie de l'entité
du bloc Seize
Saisie de (Units to Seize = 1) ressources
(Resource Name = Resource 1)
ressources
disponibles
35
- le champ Type permet dâindiquer le mode de gestion de la file dâattente. Par dĂ©faut, le
mode de gestion est de type First In, First Out (FIFO). Dâautres modes sont possibles :
Last In, First Out (LIFO), Lowest Attribute Value (LAV), Highest Attribute Value (HAV).
Ces deux derniers modes permettent de prioriser les entitĂ©s prĂ©sentes dans la file dâattente
ayant la plus petite (Lowest), ou la grande (Highest), valeur de lâattribut (dĂ©fini dans le
champ Attribute Name) rattaché au mode de gestion utilisé.
Le bloc Queue permet de dĂ©finir plusieurs files d'attente dans un mĂȘme modĂšle.
âȘ Les types de ressource, ainsi que le nombre pour chaque type de ressources, sont indiquĂ©s
dans le bloc Resource (issu du template Basic Process, appartenant au cadre expérimental
et donc non traversé par une entité), voir la figure suivante :
- le champ Name permet de déclarer une ressource, par exemple Resource 1,
- le champ Capacity permet de dĂ©finir le nombre dâunitĂ© de la ressource, par exemple 1.
Le bloc Resource permet de dĂ©finir plusieurs types de ressources dans un mĂȘme modĂšle.
e) Release (issu du template Advanced Process) : Un bloc Release permet de « relùcher » des
ressources. Celui représenté dans la figure suivante est intitulé Release 1 (champ Name =
Release 1). Quand une entité entre dans ce bloc, elle libÚre (relùche) la, ou les ressources dont
le nom est spécifié dans le champ Resource Name, par exemple Resource 1, le nombre de
ressources libérées est spécifié dans le champ Units to Release, par exemple 1. On peut noter
que lâexĂ©cution de cette tĂąche est instantanĂ©e, autrement dit le temps de passage dâune entitĂ©
dans un bloc Release est nul. Pour simplifier, seul un type de ressource est concerné (dans
lâexemple, Resource 1), lâajout dâun autre type de ressource donnerait lieu Ă une ligne
supplémentaire dans la liste Resources.
36
Le RdP suivant permet de dĂ©crire un bloc Release dans le cas oĂč un seul type de ressource (dans
lâexemple, Resource 1) est libĂ©rĂ©.
Le fait de franchir la transition T' provoque l'apparition de Units to Release jetons dans la place
P1, ce qui reprĂ©sente la sortie dâune entitĂ© du bloc Release et la mise en disponibilitĂ© (le
« relùchement ») de Units to Release ressources Resource Name.
f) Assign (issu du template Basic Process) : Un bloc Assign permet dâassigner une valeur,
notamment, Ă un attribut, une variable (Ă©ventuellement propre Ă ARENA, par exemple relative
Ă lâĂ©tat dâune ressource), durant lâexĂ©cution dâune simulation. Quand une entitĂ© entre dans un
bloc Assign, lâexpression - logique ou mathĂ©matique - spĂ©cifiĂ©e dans le champ New Value est
Ă©valuĂ©e et assignĂ©e, selon le contenu du champ Type (Attribute, Variable, âŠ), Ă un attribut
(rattachĂ© Ă lâentitĂ© « activant » le bloc) ou une variable. Dans la figure suivante, le bloc intitulĂ©
Assign 1 (champ Name = Assign 1) permet de déclarer :
- une variable Variable 1 Ă 1 ;
- un attribut Attribute 1 Ă TNOW ;
- une variable Variable 2 Ă STATE(resource 1). La variable STATE(resource 1) restitue
lâĂ©tat courant de la ressource resource 1 (les valeurs possibles sont : -1=Idle ; -2=Busy ;
-3=Inactive ; -4=Failed) ;
- une Variable 3 Ă Attribute 1.
Cet exemple est proposé dans \Exemples\Assign\Assign.doe.
T'
P1
Units to
Release
Entrée d'une entité
dans le bloc Release
Sortie de l'entité
du bloc Release
ressources
disponibles
37
Le RdP suivant permet de décrire le bloc Assign 1.
Le bloc Variable (issu du template Basic Process, appartenant au cadre expérimental et donc
non traversé par une entité) permet de déclarer des variables.
g) Decide (issu du template Basic Process) : Un bloc Decide permet dâaiguiller un flux dâentitĂ©s
vers diffĂ©rents blocs de destination, il comporte une entrĂ©e et plusieurs sorties. Lâaiguillage est
rĂ©alisĂ©, selon le contenu du champ Type, dâaprĂšs un critĂšre de type condition, ou probabilitĂ©.
Variable 1 := 1
Attribute 1 := TNOW
Variable 2 := STATE(resource 1)
Variable 3 := Attribute 1
Entrée d'une entité
dans le bloc Assign
Sortie de l'entité
du bloc Assign
38
Les conditions sont par exemple basĂ©es sur des valeurs dâattributs, de variables, une expression.
Le routage se fait via un ensemble de branches.
Quand une entité entre dans un bloc Decide, chaque condition de branchement est testée de
maniĂšre sĂ©quentielle (i.e., dans lâordre de leurs dĂ©clarations dans le bloc). La branche
sélectionnée par une entité est la premiÚre branche pour laquelle la condition de branchement
est satisfaite ; lâentitĂ© est alors aiguillĂ©e vers le bloc correspondant. Si aucune branche nâest
satisfaite, lâentitĂ© est dĂ©truite. Un bloc Decide, intitulĂ© Decide 1 (champ Name = Decide 1), est
dĂ©crit dans la figure suivante. Le critĂšre dâaiguillage vers les 2 sorties possibles est rĂ©alisĂ© Ă
partir de la condition If Variable 1 >= 1 (avec un résultat True ou False).
Le critÚre utilisé par le bloc Decide 2 est de type probabilité (2 sorties, ayant chacune une
probabilité égale à 0.5, sont possibles).
39
Le RdP suivant permet de décrire un bloc Decide.
Notons que toutes les sorties dâun bloc Decide doivent ĂȘtre connectĂ©es Ă un bloc
(Ă©ventuellement un bloc Dispose si la sortie nâest pas « utile »).
h) Match (issu du template Advanced Process) : Un bloc Match permet de synchroniser la
progression de deux, voire de plusieurs, entitĂ©s situĂ©es dans diffĂ©rentes files dâattentes. Quand
toutes les files dâattentes, associĂ©es au bloc Match, ont une, voire plusieurs entitĂ©s, ces entitĂ©s
sont libérées, de façon synchrone, vers les sorties correspondantes. Dans la figure qui suit, le
bloc Match 1 (champ Name = Match 1) effectue une synchronisation entre deux entrées. Une
synchronisation se produit lorsquâau moins une entitĂ© est prĂ©sente dans chacune des deux files
dâattente, Ă savoir Match 1.Queue1 et Match 1.Queue2. Les entitĂ©s Ă lâorigine de la
synchronisation sont ensuite dirigĂ©es vers les sorties correspondantes. Le fait dâavoir le champ
Type = Any Entities (et non Based on Attribute) fait que la synchronisation ne sâeffectue pas en
fonction de la valeur dâun Ă©ventuel attribut (rattachĂ© aux entitĂ©s).
Le bloc Queue (issu du template Basic Process) décrit ci-dessous indique la définition des files
dâattente Match 1.Queue1 et Match 1.Queue2.
Entrée d'une entité
dans le bloc Decide
.
.
.
Sorties du bloc
Decide
critĂšre
de type
condition ou
probabilité
Match 1
Match 1.Queue1
Match 1.Queue2
40
Voir une description du bloc Match 1 Ă l'aide du RdP suivant.
Notons que toutes les sorties dâun bloc Match doivent ĂȘtre connectĂ©es Ă un bloc (Ă©ventuellement
un bloc Dispose si la sortie nâest pas « utile »).
i) Batch (issu du template Basic Process) : Un bloc Batch permet de regrouper des entités entre-
elles. Les entitĂ©s une fois regroupĂ©es gĂ©nĂšrent la sortie dâune entitĂ© (notons que cette entitĂ© peut
avoir un nouveau Type dâentitĂ©, ce qui peut ĂȘtre indiquĂ© dans le champ Representative Entity
Type). Le groupement peut ĂȘtre rĂ©versible (ou non) selon que le champ Type = Temporary (ou
Permanent) : un regroupement rĂ©versible (Temporary) permet â en utilisant un bloc Separate -
de dĂ©grouper par la suite les entitĂ©s. Le nombre nĂ©cessaire dâentitĂ©s pour former un groupe est
indiqué dans le champ Batch Size. Une entité arrivant dans un bloc Batch est placée dans la file
dâattente associĂ©e au bloc, ceci tant que le nombre dâentitĂ©s accumulĂ©es dans la file dâattente
nâest pas suffisant pour effectuer un regroupement. Le champ Rule assignĂ© Ă la valeur By
Attribute permet dâeffectuer le regroupement dâentitĂ©s en fonction dâun attribut, dans le cas
contraire (cas par défaut) le champ Rule est assigné à la valeur Any Entity.
Un exemple est décrit dans la figure suivante :
Match 1.Queue1
Match 1.Queue2
Sorties du
bloc Match Entrées du
bloc Match
synchronisation
41
Le RdP suivant décrit le comportement du bloc Batch 1.
j) Separate (issu du template Basic Process) : Un bloc Separate permet de dupliquer des entités
lorsque le champ Type = Duplicate Original. Le nombre de duplication créée est spécifié dans
le champ # of Duplicates. Lorsquâune entitĂ© entre dans ce bloc et comporte des attributs, les
attributs de toutes les entités dupliquées sont identiques aux valeurs courantes des attributs de
lâentitĂ© Ă dupliquer. L'entitĂ© originale sort par la sortie Original, les # of Duplicates entitĂ©s
(celles dupliquées) sortent par la sortie Duplicate. Un bloc Separate, intitulé Separate 1 (champ
Name = Separate 1), est décrit dans la figure suivante. Un exemple est donné dans
\Exemples\Separate\Separate.doe.
Le RdP qui suit permet de décrire un bloc Separate.
k) Process (issu du template Basic Process) : Un bloc Process permet de simuler le
comportement, par exemple, dâune machine ou dâun guichet de banque, sachant que diffĂ©rents
Separate Entrée
de
l'entité
Original (sortie de l'entité originale)
Duplicate (sortie de (# of
Duplicates) entités dupliquées
Entrée du
bloc Batch Sortie du
bloc Batch
Batch Size
(2)
Entrée de
lâentitĂ© Sortie de lâentitĂ©
originale
Sortie de
(# of Duplicates)
entités dupliquées
# of
Duplicates
42
modes de fonctionnement sont autorisés selon le contenu du champ Action (situé dans le cadre
Logic lorsque le champ Type = Standard).
Un bloc Process, intitulé Process 1 (champ Name = Process 1), est décrit dans la figure
suivante.
Lorsque le champ Action contient la valeur :
i) Delay, le bloc Process se ramĂšne Ă un simple bloc Delay, ce qui permet de simuler un
temps de traitement (voir le cadre Delay Type pour assigner un temps de traitement) et le
fait quâil nây a pas de contrainte vis-Ă -vis de la ressource de la machine.
2i) Seize Delay, le bloc Process se ramÚne à la mise en série des blocs Seize et Delay. Il
permet de simuler un process (machine, guichet de banque) nécessitant une, voire plusieurs
ressources (voir le cadre Resources pour assigner le type, ainsi que le nombre, de ressources
concernées) durant un temps (relatif au temps de traitement) minimum indiqué dans le cadre
Delay (le relùchement de la/les ressource(s) est supposé réalisé en aval).
3i) Seize Delay Release, le bloc Process se ramÚne à la mise en série des blocs Seize, Delay
et Release. Il permet de simuler un process (machine, guichet de banque) nécessitant une,
voire plusieurs ressources (voir le cadre Resources pour assigner le type, ainsi que le
nombre, de ressources concernées) durant un temps (relatif au temps de traitement)
minimum indiqué dans le cadre Delay, temps au-delà duquel la, voire les ressources
« saisies » sont relùchées (opération réalisée dans le bloc Release).
4i) Delay Release, le bloc Process se ramÚne à la mise en série des blocs Delay et Release.
Son comportement correspond au cas 3i) sans la gestion de lâallocation de la/les
ressource(s) nécessaire(s) au traitement (cette gestion est supposée réalisée en amont du
bloc).
Le RdP correspondant au cas i) est décrit au VII.2.c. Les RdP correspondant au cas 2i, 3i, 4i
sont issus de concaténation des RdP décrits au VII.2.c,d,e.
43
VII.3 BLOCS PERMETTANT LâANALYSE DâUN MODĂLE
Les blocs décrits au VII.2 permettent de modéliser un systÚme physique, sans pour autant
fournir dâinformations (exceptĂ©es celles donnĂ©es par dĂ©faut dans le rapport final). La collecte
dâinformations spĂ©cifiques se fait en utilisant des blocs supplĂ©mentaires. Quelques-uns de ces
blocs sont décrits ci-dessous. Un exemple est donné dans le fichier
\Exemples\Record_Statistic\Stat_File.doe.
1) Le bloc Record (issu du template Basic Process) permet, selon le contenu du champ Type,
de :
- compter le nombre d'entités traversant le bloc (Type = Count) (voir 1.a)) ;
- recueillir les temps de passage successif de 2 entités (Type = Time Between) (voir 1.b)) ;
- recueillir les temps mis par les entités traversant une partie (ou l'ensemble) d'un modÚle
(Type = Time Interval) (voir 1.c)).
1.a) Lorsque le champ Type = Count, le bloc Record permet de compter le nombre d'entités qui
transitent par ce bloc. Le compteur s'incrĂ©mente d'une valeur (Value, par dĂ©faut Ă©gale Ă 1) Ă
chaque passage d'une entité. Le nom du compteur est spécifié dans le champ Counter Name.
Voir le bloc Statistic (voir 2.b) pour effectuer un enregistrement des données.
1.b) Lorsque le champ Type = Time Between, le bloc Record permet de recueillir les temps de
passage entre 2 entités successives. Le nom du tally7 est spécifié dans le champ Tally Name.
Voir le bloc Statistic (voir 2.b) pour effectuer un enregistrement des données.
7 "To keep a tally of âŠ" signifie "tenir le compte de âŠ".
compteur = + 1
transition
44
1.c) Lorsque le champ Type = Time Interval, le bloc Record permet de recueillir les temps mis
par les entités traversant une partie (ou l'ensemble) d'un modÚle. Le nom du tally est spécifié
dans le champ Tally Name.
Par exemple, on souhaite pour chaque entité recueillir la différence entre le temps de sortie du
bloc M et le temps de sortie du bloc N. Soient )(),( itit MN les temps de sortie de l'entité n° i des
blocs N et M respectivement (cf. schéma suivant).
Pour réaliser cela, on dispose :
- Un bloc Assign (cf. VII.2.f) placé juste aprÚs le bloc N afin d'assigner le temps de passage,
à savoir TNOW, de chaque entité dans un attribut, noté par exemple Attribute 1 (un attribut
est une variable associée individuellement aux entités).
- Un bloc Record 1 (avec Type = Time Interval) placé juste aprÚs le bloc M afin de disposer
des temps de parcours de la sortie du bloc N au bloc M. Le lien avec l'attribut Attribute 1
se fait via le champ Attribute Name.
Voir le schéma suivant pour avoir une vue schématique des blocs N, Assign, M, Record et la
figure suivante oĂč est dĂ©crit un bloc Record de Type Time Interval.
Bloc N Bloc M
tN (i) tM (i)
Bloc N Bloc M
tN (1),
tN (2),
.
.
tM (1),
tM (2),
.
.
Assign
(Attribute 1
= TNOW)
Record 1
(Attribute
Name =
Attribute 1)
tM (1) - tN (1),
tM (2) - tN (2),
.
.
transition
X X(k + 1) - X(k)
X(k) : tps de
franchissement
de lâentitĂ© n° k
45
2) Le bloc Statistic (issu du template Advanced Process, appartenant au cadre expérimental et
donc non traversĂ© par une entitĂ©) permet de collecter des statistiques issues dâun bloc Record
ou de variables ARENA (mise Ă jour automatiquement par ARENA), telles que le nombre
dâentitĂ©s contenues dans une file d'attente ou le taux dâoccupation dâune ressource.
La variable NQ (abrĂ©viation de Number in Queue), permet de disposer du nombre dâentitĂ©s
contenues dans une file d'attente. Par exemple, la variable NQ(Process 1.Queue) permet de
connaĂźtre le nombre dâentitĂ©s prĂ©sentes dans la file dâattente Process 1.Queue.
La variable NR (abréviation de Number of busy Resource units), permet de disposer du taux
dâoccupation dâune ressource. Soit une machine constituĂ©e de n ressources, ce qui permet le
traitement en parallĂšle de n piĂšces, une ressource peut ĂȘtre occupĂ©e (busy) ou disponible (idle).
Par exemple, considérons une machine, représentée par un bloc Process 1, utilisant une
ressource Resource 1 de capacité égale à 3 (donnée déclarée dans un bloc Resource), alors la
variable NR(Resource 1) permet de connaßtre le nombre de ressources Resource 1 occupées (ce
nombre pouvant ĂȘtre Ă©gal Ă 0, 1, 2 ou 3).
a) On accÚde à différents types de données statistiques selon la configuration du bloc Statistic :
i) A travers une statistique, notée Statistic 1, on peut disposer de la moyenne, du minimum, du
maximum du nombre dâentitĂ©s prĂ©sentes dans la file dâattente, par exemple,
Process 1.Queue. Pour cela, prendre la configuration suivante :
champ Name = Statistic 1, champ Type = Time-Persistent, champ Expression =
NQ(Process 1.Queue) (voir figure ci-dessous).
2i) A travers une statistique, notée Statistic 2, on peut disposer de la moyenne, du minimum, du
maximum du nombre de ressources, par exemple, Resource 1, occupées. Pour cela, prendre la
configuration suivante :
champ Name = Statistic 2, champ Type = Time-Persistent, champ Expression =
NR(Resource 1) (voir figure ci-dessous).
3i) A travers une statistique, notée Statistic 3, on peut disposer de données statistiques de la file
d'attente, par exemple, Process 1.Queue, classées par catégorie, avec pour chacune des
catégories, son nombre d'occurrences, le temps moyen de chaque occurrence et le pourcentage
des temps d'occurrences par catégorie. Considérons, par exemple, les 3 catégories suivantes :
- Vide lorsque la file d'attente ne contient pas d'entité ;
- Moitie chargee lorsque la file d'attente contient entre 1 et 10 entités ;
46
- Chargee au-delà de 10 entités.
Pour cela, prendre la configuration suivante :
champ Name = Statistic 3, champ Type = Frequency, champ Frequency Type =
Value, champ Expression = NQ(Process 1.Queue), 3 lignes à définir dans le champ
Categories, Ă savoir :
Constant or Range Value High
Value Category Name Category Option
1 Constant 0
Vide Include
2 Range 0 10 Moitie chargee Include
3 Range 10 1000 Chargee Include
voir figure ci-dessous.
Remarque : La valeur 1000, contenue dans le tableau, correspond à une borne supérieure du
nombre d'entités dans la file d'attente.
4i) A travers une statistique, notée Statistic 4, on peut disposer de données statistiques de la
ressource, par exemple Resource 1, classées par catégorie, avec pour chacune des catégories,
son nombre d'occurrences, le temps moyen de chaque occurrence, et le pourcentage des temps
d'occurrences par catégorie. Considérons, par exemple, les 4 catégories suivantes :
- Zero lorsque la ressource est libre ;
- Une lorsqu'une (seule) ressource est occupée ;
- Deux lorsque 2 ressources sont occupées ;
- Trois lorsque toutes les ressources (c'est-à -dire, 3) sont occupées.
Pour cela, prendre la configuration suivante :
champ Name = Statistic 4, champ Type = Frequency, champ Frequency Type =
Value, champ Expression = NR(Resource 1), 4 lignes Ă definer dans le champ
Categories, Ă savoir :
Constant or Range Value Category Name Category Option
1 Constant 0 Zero Include
2 Constant 1 Une Include
3 Constant 2 Deux Include
4 Constant 3 Trois Include
voir figure ci-dessous.
b) Le bloc Statistic permet Ă©galement de sauvegarder les donnĂ©es dâobservations individuelles,
acquises tout au long de la simulation, par exemple, issues dâun bloc Record (relatif Ă un
compteur ou un tally), ou dâune variable ARENA (le nombre dâentitĂ©s contenues Ă chaque
instant dans une file d'attente, le taux dâoccupation Ă chaque instant dâune ressource). Pour cela,
il suffit de compléter le bloc Statistic en indiquant dans le champ Counter Output File ou Tally
47
Output File (selon que le bloc Record est relatif Ă un compteur ou un tally) ou Output File (pour
une variable ARENA), le nom du fichier - ainsi que son répertoire si celui-ci est différent du
rĂ©pertoire contenant lâapplication.
Afin de disposer des données au format csv (abréviation de comma-separated-value, « comma »
signifiant virgule), reconnu notamment par MatLab (via la commande CSVREAD) et Excel, il
suffit de mettre lâextension .csv au fichier de sauvegarde et dâindiquer que le fichier de
sauvegarde est au format texte en cochant la case Write Statistics Output Files as Text accessible
via le menu Run/Setup/Run Control/Advanced.
Par exemple, la statistique, notée Statistic 5, permet via le compteur Record 1 défini dans le
bloc Record 1 de disposer dans le fichier Compteur.csv du nombre dâentitĂ©s qui ont transitĂ© Ă
tout instant dans ce bloc.
VII.4 ANIMATION GRAPHIQUE
L'animation permet de décrire graphiquement l'évolution dynamique de l'état du systÚme
simulé, notamment à travers une visualisation :
âȘ du flux des entitĂ©s (par exemple, des piĂšces circulant le long d'une ligne de production),
âȘ de l'Ă©tat des ressources (par exemple, l'Ă©tat libre (idle), occupĂ©e (busy) ou inactive
(inactive) d'une machine, d'un robot),
âȘ de l'Ă©volution des variables, des attributs (par exemple, le contenu d'une variable
indiquant le temps de traitement d'une machine, l'Ă©tat d'un stock).
L'animation est un moyen trĂšs efficace de communication. D'un abord facile, notamment pour
les décideurs non nécessairement initiés aux aspects techniques, elle permet - sous réserve bien
sûr que les conditions de simulation soient crédibles - de mettre en avant les phénomÚnes
étudiés. Elle permet également lors de la conception du modÚle de simulation de vérifier son
bon fonctionnement Ă travers une visualisation Ă©tape par Ă©tape (voir commande Step âș| ) du
cheminement des entités dans le modÚle de simulation.
Un exemple est donné dans le fichier \Exemples\Animation_Un_exemple\Animation.Doe.
⹠Animation des entités
Une animation, rattachée aux connecteurs, est proposée par défaut (voir option Animate
Connectors dans le menu Object). Elle permet de visualiser le flux des entités le long des
connecteurs, i.e., les liens reliant les modules entre eux :
Create
Process 0
0
connecteur
48
Notons que le mouvement des entités le long des connecteurs n'a pas d'impact sur le temps de
simulation (TNOW).
La simulation de temps de transport nécessite l'utilisation du bloc STATION du template
Advanced Transfer.
L'image initiale utilisée pour représenter un type d'entité donné est définie dans le bloc Entity
(issu du template Basic Process, appartenant au cadre expérimental et donc non traversé par
une entité). L'image est par défaut celle notée Picture.Report et est indiquée dans le champ
Initial Picture du module Entity. Le changement de l'image associée à une entité se fait via son
passage dans un bloc Assign en assignant une nouvelle image Ă l'attribut Entity Picture (par
exemple, Type : Entity Picture, Entity Picture : Picture.Truck).
Le menu Edit/Entity Picture permet d'accéder à d'autres images (contenues dans des fichiers
.plb). Le bouton Open permet dâouvrir un fichier .plb particulier, lequel contient des images.
Par exemple, le fichier machine.plb met Ă disposition des images relatives Ă des machines.
Il est également possible de créer ses propres images, lesquelles seront sauvegardées dans un
fichier .plb. Pour créer une image, cliquez sur le bouton Add de droite, ce qui fait apparaßtre une
case grise. Le fait de double cliquer dans cette case permet dâouvrir une fenĂȘtre (Picture Editor)
oĂč il est possible de concevoir une image. Fermer la fenĂȘtre une fois lâimage conçue ; elle
apparaĂźtra alors Ă la place de la case grise. Le bouton Save permet de sauvegarder dans un fichier
.plb de votre choix la, voire les, image(s) créée(s).
âą La barre d'outils Animation (Animate)
Cette barre d'outils fournit une interface avec les objets de base de l'animation (cocher la case
Animate de la fenĂȘtre issue du menu View/Toolbars⊠pour faire apparaĂźtre â si nĂ©cessaire â
cette barre d'outils).
Ces objets sont décrits ci-dessous :
- Affichage d'Ă©tat :
- Clock permet d'afficher le temps de simulation en heures, minutes et secondes,
- Date permet d'afficher le temps de simulation en jours, mois et années,
- Variable permet d'afficher la valeur numérique d'une expression mathématique ou
logique,
- Level affiche la valeur d'une expression relative Ă des valeurs minimum et maximum
spécifiées,
- Histogram permet d'afficher la distribution de la valeur d'une expression dans une plage
spécifiée,
Affichage d'Ă©tat : Clock Date Variable Level Histogram Plot
Zone d'attente : Queue Image : Resource Global
49
- Plot permet d'afficher les valeurs passées d'une expression sur une plage de temps
spécifiée.
- Zone d'attente :
- Queue permet d'afficher les entités en attente d'un événement spécifié (par exemple, la
disponibilité d'une ressource).
- Image :
- Resource permet de disposer d'un objet (par exemple, une machine) à capacité limitée
pouvant ĂȘtre allouĂ© Ă des entitĂ©s. Une ressource peut ĂȘtre dans l'Ă©tat idle, busy ou
inactive. Durant la simulation, l'image d'une ressource change en fonction de son Ă©tat.
- Global permet d'associer des images Ă une expression (variable, attribut). Durant la
simulation, l'image de l'expression change en fonction sa valeur par rapport Ă une valeur
spécifiée.
âą La barre d'outils Dessin (Drawing)
Les objets de cette barre d'outils permettent l'ajout de dessins statiques, ou de texte :
Line Polyline Arc Bezier curve Box Polygon Ellipse Text Couleur
50
VII.5 DONNĂES D'ENTRĂES
Le module Input Analyser d'ARENA permet l'exploitation de données d'entrées en déterminant
automatiquement la loi de probabilitĂ© la plus adaptĂ©e de la distribution empirique obtenue Ă
partir des données d'entrée (regroupées dans un fichier).
Les donnĂ©es dâentrĂ©es sont contenues dans un fichier au format .dst oĂč une ligne contient un
nombre (réel). En fait, ce fichier est de type texte et donc lisible, par exemple, via le WordPad.
Voir, Ă titre dâexemple, le fichier test1.dst, ou test2.dst, dans le rĂ©pertoire
\Exemples\Distribution. Pour analyser un fichier de données (.dst), faire : Rockwell
Software/Arena/Input Analyzer afin dâouvrir lâapplication Input Analyzer. Une fois dans cette
application, faire : File/New afin dâouvrir une fenĂȘtre Input1. AprĂšs avoir cliquĂ© dans la fenĂȘtre
grisĂ©e, faire File/Data File/Use ExistingâŠ8, ce qui permet de rĂ©cupĂ©rer le fichier (.dst)
contenant les donnĂ©es Ă convertir en une loi de distribution : il en rĂ©sulte lâaffichage dâun
histogramme des données.
Dans la fenĂȘtre grisĂ©e, sont dĂ©crites des informations relatives aux donnĂ©es (le nombre de
donnĂ©es, les valeurs minimale et maximale, la moyenne, lâĂ©cart type) et Ă lâhistogramme (la
portĂ©e (la plus petite valeur et la plus grande valeur considĂ©rĂ©es dans lâhistogramme), le nombre
dâintervalles (en )( ptsdenbreO et compris entre 5 et 40)).
8 A ce niveau, vous pourriez créer un fichier de données (.dst) correspondant à une certaine
distribution en sĂ©lectionnant Generate NewâŠ.
51
Pour modifier les paramĂštres de lâhistogramme des donnĂ©es, Ă savoir le nombre dâintervalles,
la borne inférieure (les données ayant des valeurs inférieures étant ignorées) et la borne
supérieure (les données ayant des valeurs supérieures étant ignorées), faire :
Options/Parameters/HistogramâŠ.
Pour trouver la meilleure distribution correspondant Ă cet histogramme, faire : Fit/Fit All9.
VII.6 ANALYSE DES RĂSULTATS
Le module Output Analyser d'ARENA permet, à l'issue d'une simulation, le calcul de résultats
statistiques tels que la moyenne, l'Ă©cart type, la valeur minimum, la valeur maximum. Il est
également possible de récupérer l'historique complet des valeurs récoltées au cours de la
simulation dans des fichiers (exploitables par exemple via le logiciel Excel).
Outre les tracés de courbes et d'histogrammes, ce module intÚgre différentes fonctions
statistiques, telles que le calcul d'intervalles de confiance, la construction de corrélogrammes,
la comparaison et l'analyse de moyennes, l'analyse de variances, le test d'hypothĂšses, âŠ
9 « To fit » signifie « ajuster ».