Cours N°02 : Évaluation des performances des systèmes

Slides:



Advertisements
Présentations similaires
Modélisation des réseaux : files d'attente (ou effet des irrégularités) Eugen Dedu Cours M2 RIM Université de Franche-Comté, Montbéliard, France septembre.
Advertisements

Nouveau programme de 3ème Probabilités Document de travail – Académie de Rouen
Réalisé par : Sébastien Lachance MATHS 3 E SECONDAIRE RELATIONS et PROPRIÉTÉS des fonctions.
Chapitre 5. Modèles probabilistes continus Variable aléatoire continue et loi de probabilité continue Loi uniforme Loi exponentielle Loi normale Loi normale.
NF04 - Automne - UTC1 Version 09/2006 (E.L.) Cours 5-a Problèmes scalaires instationnaires d’ordre 1 en temps Domaines d’application Notions de schémas.
A. Objectifs de la séquence: à l'issue de la séquence, il faut être capable de: Identifier l’ordre et la nature d’un filtre Tracer les diagrammes asymptotiques.
Chapitre 1: Les fonctions polynômes
Calcul de probabilités
Fonctions et composants électroniques élémentaires
Utiliser le calcul littéral pour résoudre ou démontrer
Application des lois de probabilité -Variable aléatoire discrète-
temporelle – fréquentielle –Stabilité diagrammes de Bode / Nyquist
Comprendre la définition de bit par seconde à partir
Division de la Planification et de la Recherche en Collecte
Algorithme et programmation
Algorithmique demander jeu du pendu.
CHAPITRE III Hypothèses de la Résistance des Matériaux
Section 1.1 : Unités du système international (SI)
Présentation générale de la réforme
Analyse temporelle des systèmes asservis
André Maïsseu et WANG Xingquan Université Versailles-Saint-Quentin-en-Yvelines France L’approche floue en tant qu’outil de la modélisation.
Soutenance de Mémoire de Master En vue de l’obtention du diplôme de master En Physique des fluides et des transferts THEME Etude des champs dynamique.
Chapitre 13 : Echantillonnage
Fonctions.
Activités algorithmiques
Master Réseaux et Systèmes Distribués (RSD) Algorithmique des systèmes
Plans d’expériences: Plans factoriels
Les Plans d’expériences: Plans Factoriels
Présentation Structure données abstraite (TDA) Rappel : File
Chapitre : La Pression I. Représentation des forces 1. définition
Approximation de Pi par la méthode de Monte Carlo
Eléments de la Théorie des Probabilités
Méthode Taguchy Analyse de la variance Anavar
Stabilité des porteurs horizontaux (Poutres)
3.5 Lois continues 1 cours 16.
Méthodologie scientifique
Réseaux de neurones appliqués à la reconnaissance de caractères
Formation sur les bases de données relationnelles.
POL1803: Analyse des techniques quantitatives
LOG770 Annexe A Éléments de probabilité
Chapitre 3 : Caractéristiques de tendance centrale
Gestion de Stocks & Achats
Techniques de modélisation: Méthodes analytiques
Diagramme d’activité.
Eléments de la Théorie des Probabilités
Programme financé par l’Union européenne
Modélisation objet avec UML
Cours de physique générale II Ph 12
Lois de Probabilité Discrètes
Question flash TSTI2D.
Élections locales probabilistes
ANALYSE HARMONIQUE 1) Rappels et définitions 2) Lieux de Bode
Programme d’appui à la gestion publique et aux statistiques
Survol de l’unité Les fluides.
TTR : Résumé exécutif Schéma global du processus validé entre RNE et FTE.
DEVELOPPER LE PANIER MOYEN
Présentation 4 : Sondage stratifié
Présentation 9 : Calcul de précision des estimateurs complexes
Chapitre V La Procédure Comptable
Travaux Pratiques de physique
Présentation 6 : Sondage à plusieurs degrés
5. les rendements d’echelle:
Opérateurs et fonctions arithmétiques Opérateurs de relation Opérateurs logiques Cours 02.
Calcul de précision dans le cas d’échantillons rotatifs: le cas des statistiques EU-SILC au Luxembourg 10e COLLOQUE FRANCOPHONE SUR LES SONDAGES, Lyon,
Le D.R.P. - Quelques jours de fonctionnement
Présentation des nouveaux programmes de mathématiques de première des séries technologiques Jessica Parsis.
2. Traiter et suivre les réclamations
Construire un graphique
Elections locales probabilistes
Dérivation – Fonctions cosinus et sinus
Transcription de la présentation:

Cours N°02 : Évaluation des performances des systèmes Module: Modélisation et Simulation Enseignante: Meriem KORICHI

Méthodes d’évaluation des performances La modélisation vise parmi d’autres à analyser et surtout à évaluer les performances des systèmes. Il existe deux approches d'évaluation pour un système, l'approche qualitative et l'approche quantitative. L'évaluation qualitative: s'intéresse à définir des propriétés structurelles et comportementales comme : Absence de blocage. (vivacité). Existence d'une solution. Gestion de la concurrence. Exemple: Les réseaux de Pétri, langages formels (Lotos, Estelle...).

Méthodes d’évaluation des performances L'évaluation quantitative consiste à calculer les critères de performances du système : Débit ou taux. Temps de réponse. Nombre moyen. Exemple: la théorie de la file d’attente

Outils de modélisation théorie de la file d’attente La théorie des files d'attente s’attache à modéliser et à analyser de nombreuses situations en apparence très diverses, mais qui relèvent néanmoins toutes du schéma descriptif général suivant.:

théorie de la file d’attente Exemples des files d’attente

théorie de la file d’attente Une file d'attente est définie par : La suite des instants d'arrivées des clients. La suite des temps de service des clients. La discipline de service qui donne l'ordre dans lequel les clients seront servis. La capacité de la file. Le nombre de serveurs. Population totale de clients.

A/S/C (DS/K/L) théorie de la file d’attente Notation de Kendall (1953) : Une file d'attente se note : A/S/C (DS/K/L) A : processus d'arrivée. S : processus de sortie. C : nombre de serveurs. DS : discipline de service. K : capacité maximale de la file (nombre total de clients, en service et en attente). L : population de clients.

théorie de la file d’attente Les symboles utilisés pour désigner le processus d’arrivée et de service sont : M : loi exponentielle (Markovienne). D : loi constante. Ek : loi Erlang-k. Hk : loi hyper exponentielle ordre k. GI : loi générale indépendante. G : loi générale. U : uniforme.

théorie de la file d’attente Les symboles utilisés pour désigner la discipline de service sont : FIFO : First In First Out . LIFO : Last In First Out. QUANTUM : Round Robin. PS : Processor Sharing (cas où le quantum tend vers zero). RANDOM (ordre quelconque). PRIORITY. (avec ou sans préemption)

théorie de la file d’attente Ce qui est entre parenthèses (DS/K/L) est parfois omis, dans ce cas on prend leurs valeurs par défaut (FIFO/+∞/+∞) Par exemple: D/M/1 : Entrée Déterministe (Connue), un serveur Exponentiel, une file d’attente FIFO, une population illimitée. M/G/3/20 : Entrée marquovien, trois serveurs de lois générales, une file d’attente FIFO avec un nombre maximum de clients =20, une population illimitée. D/M/1/LIFO/10/50 : Entrée Déterministe, un serveur exponentiel, une file d’attente (pile) de taille maximale = 10, nombre total de clients = 50.

théorie de la file d’attente Mesures de performance Le but de la modélisation est d’évaluer les performances des systèmes, c'est-à-dire, une analyse quantitative où on mesure certaines quantités intéressantes qui sont : : Le nombre moyen de clients présents dans le système (en attente et en service), N(t) :est le nombre de clients présents à l’instant t.   : Le nombre moyen de clients en attente. (Dans la file d’attente). Q(t) :est le nombre de clients en attente à l’instant t.

théorie de la file d’attente :Le nombre moyen de clients en service. R(t) : est le nombre de clients en service à l’instant t. : Le temps moyen d’attente. Wi : est le temps d’attente du client i. : Le temps moyen de service. Si est le temps de service du client i.

Q théorie de la file d’attente μ λ T W S N R Processus d’arrivée de départ

N(t)=Q(t)+R(t) et Ti=Wi+Si. théorie de la file d’attente Donc les égalités suivantes sont toujours vérifiées : N(t)=Q(t)+R(t) et Ti=Wi+Si.  est le taux d'arrivée des clients dans le système et est égal à l’inverse de la moyenne des temps entre arrivées. Les temps entre arrivées forment une suite de valeurs Ai, ce qui décrit une variable aléatoire ayant une moyenne . Par exemple : =3 s, alors =1/ =0.333 clients/s.

théorie de la file d’attente μ : est le taux de service est égal à l’inverse de la moyenne des temps de service. Les temps de service forment une suite de valeurs Bi, ce qui décrit une variable aléatoire ayant une moyenne . Par exemple  =3 s, alors μ =1/ =0.333 clients/s.

théorie de la file d’attente Nous nous intéressons ici à mesurer les valeurs moyennes, ce sont celles qui reflètent mieux les performances du système étudié, ces valeurs ne peuvent exister que pour des systèmes stables. D’une manière générale, une file d’attente est stable si et seulement si le nombre moyen d’arrivées de clients par unité de temps, noté , est strictement inférieur au nombre moyen de clients pouvant être servis par unité de temps.

théorie de la file d’attente chaque serveur peut traiter  clients par unité de temps et si le nombre de serveurs est m, une file est stable si et seulement si : < m μ  <1. ρ est le facteur d’utilisation des serveurs (facteur ou taux de charge ou intensité du trafic.). Où m est le nombre de serveurs.

= + théorie de la file d’attente Pour un système stable, on a = + Où =1/ μ est le temps moyen de service et  = + Chaque système dynamique stable entame un régime transitoire après initialisation, mais avec le temps, rentre dans un régime permanant (stationnaire ou stable). Les moyennes calculées reflètent bien le système dans la phase stationnaire.

théorie de la file d’attente Si un serveur peut servir μ clients par unité de temps alors le temps moyen de service = 1/μ, et le nombre moyen de clients en service est = m.ρ Temps Régime stationnaire Régime permanant

théorie de la file d’attente Ces deux quantités sont indépendantes des processus d’arrivée, du processus de service, de la taille de population, de la capacité et de la politique de service. Formule de Little : Pour un système en régime stationnaire, le taux d’arrivée  des clients, le nombre moyen de clients dans le système et le temps moyen de séjour (temps moyen de réponse) sont reliés par la relation : =  . Et de même pour =  .

théorie de la file d’attente Cette formule est indépendante du processus d’arrivée, du processus de service et de la discipline de service. En général il est plus aisé de calculer la probabilité d’avoir k clients dans le système Pk, ce qui permet de calculer ensuite le nombre moyen de clients dans le système, et de déduire les autres valeurs à partir de .

théorie de la file d’attente Donc : = /  et = - = - m.p = /  Comme on peut le remarquer et sont deux valeurs caractéristiques du système que leur calcul ne demande pas trop d’effort.

théorie de la file d’attente Exemple d’application Le gestionnaire d'un petit atelier enregistre en moyenne 5 commandes par jour. Les 6 ouvriers employés dans l’atelier sont très polyvalents, si bien que chaque commande peut être réalisée par n’importe lequel d’entre eux. Néanmoins, le gestionnaire est inquiet car il constate que les ouvriers sont occupés en permanence et que son carnet de commandes contient, en moyenne, une vingtaine de commandes en cours (enregistrées, mais non satisfaites). Pour mieux comprendre la situation, le gestionnaire aimerait estimer le temps moyen consacré par les ouvriers à chaque commande. Il voudrait également pouvoir annoncer à ses clients, au moment de la passation de commande, un délai de livraison attendu.