Théorie de Files d`Attente
Download
Report
Transcript Théorie de Files d`Attente
Théorie de Files d’Attente
Ramon Puigjaner
Universitat de les Illes Balears
Palma, Espagne
Université Paul Sabatier. Toulouse
INDICE
Caractéristiques d'un modèle de files d'attente
Notation
Variables et relations fondamentales
Processus de Poisson
Processus de Naissance-Mort
Files M/M/m/B/K
File M/G/1
Files G/G/1: Méthode de diffusion
Université Paul Sabatier. Toulouse.
2
THÉORIE DE FILES D’ATTENTE
Caractéristiques d'un modèle de files d'attente
Source de clients
Station de service
Université Paul Sabatier. Toulouse.
3
THÉORIE DE FILES D’ATTENTE
Caractéristiques de la source des clients
Processus d'arrivée
Quantité de service
Taille de la population
Caractéristiques de la station de service
Nombre de serveurs
Nombre de files d'attente
Capacité des files
Gestion de la file
Politique de service
Université Paul Sabatier. Toulouse.
4
THÉORIE DE FILES D’ATTENTE
Notation
A/S/m [/B/K/DS]
A: distribution du temps entre arrivées,
S: distribution du temps de service,
m: nombre de serveurs,
B: capacité du système (par défaut: infinie),
K: taille de la population (par défaut: infinie),
DS: politique de service (par défaut: FCFS).
Université Paul Sabatier. Toulouse.
5
THÉORIE DE FILES D’ATTENTE
Variables fondamentales
T: variable aléatoire du temps entre arrivées.
l: fréquence d'arrivée (= 1/E[T])
S: variable aléatoire du temps de service.
m: capacité de service (1/E[S]). Ou nombre moyen
de travaux qui peut accepter un serveur par unité de
temps . S'il y a m serveurs, la capacité totale de
service est mm.
Université Paul Sabatier. Toulouse.
6
THÉORIE DE FILES D’ATTENTE
Variables fondamentales
N: nombre de travaux dans la station de service
(variable aléatoire discrète).
Nq: nombre de travaux en attente de recevoir
service (variable aléatoire discrète).
Ns: nombre de travaux en train de recevoir service
(variable aléatoire discrète).
R: temps de réponse du système (variable aléatoire
continue).
W: temps d'attente dans la file (variable aléatoire
continue).
Université Paul Sabatier. Toulouse.
7
THÉORIE DE FILES D’ATTENTE
Rapports fondamentaux
Condition de stabilité: La fréquence moyenne
d'arrivées doit être plus petite que la capacité
moyenne de service:
l < mm
Elle n'est pas applicable aux systèmes avec
population et/ou capacité finies.
Equation du nombre de travaux:
N = Nq + Ns
Université Paul Sabatier. Toulouse.
8
THÉORIE DE FILES D’ATTENTE
Relations fondamentales
Equation du temps:
R=W+S
Loi de Little:
Nombre moyen de travaux dans le système =
= Fréquence d'arrivée temps moyen de réponse.
Université Paul Sabatier. Toulouse.
9
THÉORIE DE FILES D’ATTENTE
Loi de Little
J
Clients
T emps
Université Paul Sabatier. Toulouse.
T
10
THÉORIE DE FILES D’ATTENTE
Loi de Little
Fréquence d'arrivée =
= Nombre d'arrivées/Temps d'observation = I/T
Temps moyen dans le système = J/I
Nombre moyen de travaux dans le système =
= J/T = I/T J/I =
= Fréquence d'arrivée Temps moyen dans le système
Université Paul Sabatier. Toulouse.
11
THÉORIE DE FILES D’ATTENTE
Processus de Poisson
N(t), pour t 0 est un processus de Poisson si:
N(0) = 0,
Le nombre d'arrivées en intervalles indépendants sont
mutuellement indépendants,
Pour un intervalle de temps suffisamment petit
[t, t + Dt] s'accomplit que:
la probabilité d'arrivée d'un client est lDt + (Dt),
la probabilité d'arrivée de deux clients ou plus est (Dt)
la probabilité d'aucune arrivée est 1 - lDt + (Dt)
Les trois probabilités précédentes dépendent de Dt
mais non de t
Université Paul Sabatier. Toulouse.
12
THÉORIE DE FILES D’ATTENTE
Processus de Poisson
l t lt
N t
e
i!
E[N(t)]=lt
Var[N(t)]=lt
Université Paul Sabatier. Toulouse.
13
THÉORIE DE FILES D'ATTENTE
Distribution exponentielle
Les temps entre arrivées consécutives d'un processus
de Poisson suivent une distribution exponentielle
P rN t 0 e lt
P rT t 1 P rT t 1 e lt
FT t 1 e lt , pour t 0
dFT t
lt
f T t
le , pour t 0
dt
Sans mémoire (propriété de Markov):
Université Paul Sabatier. Toulouse.
14
THÉORIE DE FILES D'ATTENTE
Propriétés des processus de Poisson
Superposition de processus de Poisson
Décomposition d'un processus de Poisson
l1
p1
l2
l
Université Paul Sabatier. Toulouse.
l2
…
…
lm
l
p2
l1
pm
lm
15
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
Il s'agît d'un type particulier de processus stochastique
outil pour modeler des systèmes dans lesquels les
clients arrivent et complètent son service un par un.
L'état du système est représenté par la variable
aléatoire du nombre de clients, k.
Université Paul Sabatier. Toulouse.
16
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
Si Pk(t) est la probabilité qu’il y ait k éléments à l’instant
t et dans un intervalle suffisamment petit l’état du
système ne peut varier qu’en un élément, c’est à dire,
pour qu’à l’instant t + Dt il y ait k éléments:
Ou à l’instant t il y a k éléments et il n’y a aucun changement
pendant Dt.
Ou à l’instant t il y a k - 1 éléments et il y a une arrivée
pendant Dt.
Ou à l’instant t il y a k + 1 éléments et il y a un départ
pendant Dt.
L’état du système ne peut être jamais négatif.
Université Paul Sabatier. Toulouse.
17
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
La probabilité de l'état dépend de t, mais celle du
changement (naissance ou mort) dépend seulement de
Dt
Pk(t + Dt) = Pk(t) pk,k(Dt) + Pk - 1(t) pk - 1,k(Dt) +
+ Pk + 1(t) pk + 1,k(Dt) + (Dt), pour k > 0
P0(t + Dt) = P0(t) p0,0(Dt) + P1(t) p1,0(Dt) + (Dt),
pour k = 0
P t 1
k 0
Université Paul Sabatier. Toulouse.
k
18
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
Les processus de naissance et de mort sont des
processus de Poisson de paramètres dépendants de l'état,
lk et mk:
pour k > 0
Pk(t + Dt) = Pk(t) [1 - lkDt + (Dt)] [1 - mkDt + (Dt)] +
+Pk - 1(t) [lk – 1Dt + (Dt)] +
+ Pk + 1(t) [mk + 1Dt + (Dt)] + (Dt)
pour k = 0
P0(t + Dt) = P0(t) [1 - l0Dt + (Dt)]+
+ P1(t) [m1Dt + (Dt)] + (Dt)
Université Paul Sabatier. Toulouse.
19
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
pour k > 0
Pk t Dt Pk t
Dt
Dt
l k m k Pk t l k 1 Pk 1 t m k 1 Pk 1 t
Dt
pour k = 0
P0 t Dt P0 t
Dt
l 0 P0 t m1 P1 t
Dt
Dt
Université Paul Sabatier. Toulouse.
20
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
pour k > 0
dPk t
l k m k Pk t l k 1 Pk 1 t m k 1 Pk 1 t
dt
pour k = 0
dP0 t
l 0 P0 t m1 P1 t
dt
Equations de Chapman-Kolmogorov
Université Paul Sabatier. Toulouse.
21
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
Si ce système arrive à un régime stationnaire, c’est à
dire que les probabilités sont indépendantes de
l’instant,
Pk(t) = pk , pour k 0
Donc
0 = -(lk + mk)pk + lk - 1pk - 1 + mk + 1pk + 1, pour k > 0
0 = -l0p0 + m1p1, pour k = 0
Université Paul Sabatier. Toulouse.
22
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
Vers l’état Ek il y a un flux d’entrée à`partir des états Ek
+ 1 et Ek - 1, de
lk - 1pk - 1 + mk + 1pk + 1
Des l’état Ek il y a un flux de sortie vers les états Ek + 1
et Ek - 1, de
(lk + mk)pk
Si le système est en équilibre les deux flux doivent être
égaux,
lk - 1pk - 1 + mk + 1pk + 1 = (lk + mk)pk
Université Paul Sabatier. Toulouse.
23
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
À partir de l'équation de Kolmogorov en régime
stationnaire pour k = 0,
l0
p1 p0
m1
Remplaçant dans l'équation de Kolmogorov en
régime stationnaire pour k = 1,
l0
0 l 0 m1 p 0
l 0 p0 m 2 p2
m1
l 0 l1
l1
p2 p0
p1
m 1m 2
m2
Université Paul Sabatier. Toulouse.
24
THÉORIE DE FILES D'ATTENTE
Processus de Naissance-Mort
En général
li
l k 1
pk p0
p k 1
mk
i 0 m i 1
k 1
p0
Université Paul Sabatier. Toulouse.
1
li
1
k 1 i 0 m i 1
k 1
25
THÉORIE DE FILES D'ATTENTE
Files M/M/m/B/K
Ces files sont des cas particuliers des processus de
naissance-mort puisqu’il s’agît de systèmes dans
lesquels les arrivées au système (processus de
naissance) et les sorties comme conséquence de la fin
des services (processus de mort) sont tous les deux
poissoniens
Université Paul Sabatier. Toulouse.
26
THÉORIE DE FILES D'ATTENTE
File M/M/1
une file avec un seul serveur
temps
entre arrivées des clients répartis
exponentiellement avec une valeur moyenne 1/l,
indépendante du nombre de clients que sont dans le
système
temps
de
service
des
clients
répartis
exponentiellement avec une valeur moyenne 1/m,
indépendante du nombre de clients que sont dans le
système
lk = l, pour k = 0, 1, ....
m k = m, pour k = 1, 2, ....
Université Paul Sabatier. Toulouse.
27
THÉORIE DE FILES D'ATTENTE
File M/M/1
l
0
l
1
m
l
l
....
2
m
l
m
k-1
k
m
m
l
l
p k p 0 p 0
i 0 m
m
k 1
p0
Université Paul Sabatier. Toulouse.
l
l
k+1
m
m
k
1
l
1
k 1 m
k
28
THÉORIE DE FILES D'ATTENTE
File M/M/1
1
p0
1
l
m
l
1 1 r
m
l
1
m
pk = (1 - r)rk , pour k = 0, 1, ...
Université Paul Sabatier. Toulouse.
29
THÉORIE DE FILES D'ATTENTE
File M/M/1
k 1
k 1
k 1
N kpk k 1 r r k 1 r r kr k 1
k
1 r r r 1 r r r k
r k 1
k 1 r
r
1
r
1 r r
1 r r
2
r 1 r
1 r 1 r
r
2
2
N k N p k
2
1
r
k 0
N
r
1/ m
s
R
l 1 r l 1 r 1 r
Université Paul Sabatier. Toulouse.
30
THÉORIE DE FILES D'ATTENTE
File M/M/ (nombre infini de serveurs)
lk = l, k = 0, 1, ....
mk = km, k = 1, 2, ....
l
0
l
1
m
l
2
2m
Université Paul Sabatier. Toulouse.
. . .l
.
3m (k -1)m
l
k-1
l
k
km
l
k+1
(k +2)m
(k +1)m
31
THÉORIE DE FILES D'ATTENTE
File M/M/ (nombre infini de serveurs)
k
l 1
l
p k p0
p 0
i 0 i 1m
m k!
1
l / m
p0
e
1 r
k
l 1
1
k 1 m k!
k 1
k
l
m l / m
pk
e
k!
Université Paul Sabatier. Toulouse.
32
THÉORIE DE FILES D'ATTENTE
File M/M/ (nombre infini de serveurs)
Le nombre moyen de clients dans le système
N = l/m
Le temps moyen de réponse, par application de la loi
de Little,
R = 1/m = s
Université Paul Sabatier. Toulouse.
33
THÉORIE DE FILES D'ATTENTE
File M/M/m
lk = l, k = 0, 1, ....
mk = min(km, mm)
d’où
mk = km, pour 0 k m
mk = mm, pour m k
l
0
l
1
m
l . . .l
2
2m
Université Paul Sabatier. Toulouse.
.
3m (m-1)m
l
m-1
l
m+1
m
mm
l
mm
mm
34
THÉORIE DE FILES D'ATTENTE
File M/M/m
k
l 1
l
p k p0
p0
i 0 i 1m
m k!
k 1
k
l
l
l
1
p k p0
p0
k m
i
1
m
m
m
m
m
!
m
i 0
i m
m 1
mr
mr 1
p 0
m! 1 r
k 0 k!
m 1
Université Paul Sabatier. Toulouse.
k
m
1
35
THÉORIE DE FILES D'ATTENTE
File M/M/1/B: Capacité finie
lk = l, pour k < B
lk = 0, pour k B
mk = m, pour k = 1, 2, ....
l
0
l
1
m
l
2
m
Université Paul Sabatier. Toulouse.
m
....
l
l
B-1
m
B
m
36
THÉORIE DE FILES D'ATTENTE
File M/M/1/B: Capacité finie
k
l
l
p k p 0 p 0 , pour k B
i 0 m
m
k 1
pk = 0, pour k > B
p0
1
l
1
k 1 m
Université Paul Sabatier. Toulouse.
B
k
l
1
m
l
1
m
B 1
37
THÉORIE DE FILES D'ATTENTE
File M/M/1//K: Population finie
lk = (K - k)l, pour 0 k K
lk = 0, pour k K
mk = m, pour k = 1, 2, ....
Kl
0
(K-1)l
1
m
(K-2)l
....
2
m
Université Paul Sabatier. Toulouse.
m
l
2l
K-1
m
K
m
38
THÉORIE DE FILES D'ATTENTE
File M/M/1//K: Population finie
l
lK i
pk p0
p 0
m
i 0
m
k 1
K l
p 0
k 0 m
Université Paul Sabatier. Toulouse.
k
k
K!
, pour 0 k K
K k !
K!
K k !
1
39
THÉORIE DE FILES D'ATTENTE
File M/M/1//K: Population finie
Utilisation du serveur
r = 1 - p0
Par application de la loi de Little au serveur
le
r
m
Fréquence moyenne d’entrée de clients à la station
le = (1 - p0)m
Université Paul Sabatier. Toulouse.
40
THÉORIE DE FILES D'ATTENTE
File M/M/m/B/K
lk = (K - k)l, pour 0 k < B
lk = 0, pour k B
mk = km, pour 0 k m
mk = mm, k > m
Université Paul Sabatier. Toulouse.
41
THÉORIE DE FILES D'ATTENTE
File M/M/m/B/K
(K-2)l
(K-1)l
Kl
m
. . . .
2
1
0
3m
2m
. . . .
(m-1)m
mm
mm
mm
(K-B+2)l
. . . .
mm
Université Paul Sabatier. Toulouse.
. . . .
m+1
m
m-1
(K-m-1)l
(K-m)l
(K-m+1)l
(K-m+2)l
(K-B+1)l
B
B-1
mm
42
THÉORIE DE FILES D'ATTENTE
File M/M/m/B/K
l K
lK i
p k p0
p 0 , pour 0 k m
i 0 i 1m
m k
k
k 1
lK i lK i
p k p0
mm
i 0 i 1m
m 1
l
p 0
m
k
K k! m k
m , pour m k B
k m!
Université Paul Sabatier. Toulouse.
43
THÉORIE DE FILES D'ATTENTE
File M/M/m/B/K : Conclusion
S’il n’y a pas des limites ni dans la population ni
dans la capacité du système serveur-file, le calcul de
la probabilité p0 exige la sommation d’une série
infinie; il s’agît donc d’un problème analytique.
S’il y a quelque limite dans la population ou dans la
capacité du système, le nombre d’états est fini et
l'addition à faire pour le calcul de p0 l’est aussi.
Nous sommes en face d’un problème numérique
puisque le système est toujours stable et il est
toujours possible d’obtenir le résultat.
Université Paul Sabatier. Toulouse.
44
THÉORIE DE FILES D'ATTENTE
File M/G/1
Source infinie.
Intervalles de temps entre arrivées consécutives
répartis exponentiellement avec moyenne tm = 1/l.
Temps de service répartis d’après n’importe quelle
fonction. Son degré d’aléatorieté est défini par sont
coefficient quadratique de variation.
2
2
K s 2s
s
Université Paul Sabatier. Toulouse.
45
THÉORIE DE FILES D'ATTENTE
File M/G/1
Valeur moyenne du temps de service: s = 1/m.
Discipline de la file: FIFO.
Pour que la file atteigne un régime stationnaire
stable il faut la condition de stabilité
r = l/m = ls < 1
Un seul serveur.
Université Paul Sabatier. Toulouse.
46
THÉORIE DE FILES D'ATTENTE
File M/G/1
Une nouvelle arrivée trouvera en moyenne N clients,
r en service et N - r en attente.
Chaque client dans la file recevra un service moyen
de s = 1/m. Si R0 est le temps de service résiduel
R = rR0 + (N - r)s + s
Par la loi de Little
N /l = rR0 + (N - r)s + s
r
N r l R0
1 r
Université Paul Sabatier. Toulouse.
47
THÉORIE DE FILES D'ATTENTE
File M/G/1
f(x): fonction de densité de probabilité
s: moyenne
M2: moment de second ordre
A: période de temps très long sur lequel on à disposé
les intervalles de service.
En moyenne il y aura A/s intervalles sur A
Un intervalle est de longueur x avec probabilité
f(x)dx
Université Paul Sabatier. Toulouse.
48
THÉORIE DE FILES D'ATTENTE
File M/G/1
Nombre moyen d’intervalles de longueur x sur A
Af x dx
s
Portion moyenne d’A couverte par des intervalles de
longueur x
Axf x dx
s
Université Paul Sabatier. Toulouse.
49
THÉORIE DE FILES D'ATTENTE
File M/G/1
probabilité g(x)dx que l’intervalle élu au hasard soit
de longueur x
xf x dx
g x dx
s
longueur moyenne de l’intervalle élu
0
0
mr xg x d x
Université Paul Sabatier. Toulouse.
x 2 f x dx M 2
s
s
50
THÉORIE DE FILES D'ATTENTE
File M/G/1
Puisque le point d’observation est équiprobable sur
tout l’intervalle, le temps résiduel est
mr M 2
R0
2
2s
Remplaçant dans l'équation du temps de réponse
l2 M 2
N r
21 r
Université Paul Sabatier. Toulouse.
51
THÉORIE DE FILES D'ATTENTE
File M/G/1 : Formules de Khintchin-Pollaczeck
2
2
r2
r
2
s
1 2
N r
1 Ks r
21 r
21 r
s
2
r
r
2
s
1 2
R s 1
1 K s s 1
2
1
r
2
1
r
s
Université Paul Sabatier. Toulouse.
52
THÉORIE DE FILES D'ATTENTE
Modèle de Skinner
Les arrivées suivent un processus de Poisson de
moyenne l.
Service de durée A, avec distribution FA(t).
Après donner service, le serveur reste en latence
pendant un temps B, avec distribution FB(t).
Z = A + B avec distribution FZ(t).
Université Paul Sabatier. Toulouse.
53
THÉORIE DE FILES D'ATTENTE
Modèle de Skinner
Après un cycle de service et latence, le serveur
regarde la file pour voir s’il y a des clients.
Si elle n’est pas vide, le serveur commence une nouvelle
période de service.
Si elle est vide, le serveur commence une nouvelle
latence C, avec distribution FC(t).
Université Paul Sabatier. Toulouse.
54
THÉORIE DE FILES D'ATTENTE
Modèle de Skinner
l
A
B
C
M 2C 1
M 2Z
R
l
mA
2mC 2 1 lmz
Université Paul Sabatier. Toulouse.
55
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Hypothèse de distribution normale du nombre de
clients dans le système.
DN(t) variation de la longueur de la file entre t et
t + D. Alors, si D suffisamment grand, DN(t) suit
une distribution normale d’une façon approchée
E[DN(t)] = (l - m)D = bD
Var[DN(t)] = (Ka2 l + Ks2 m)D = aD
Université Paul Sabatier. Toulouse.
56
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
l fréquence d’arrivée,
m capacité de service (o l’inverse du temps moyen de
service),
Ka2 coefficient quadratique de variation du temps
entre arrivées ta, Ka2 = Var (ta)l2,
Ks2 coefficient quadratique de variation du temps de
service ts, Ks2 = Var (ts)m2.
Université Paul Sabatier. Toulouse.
57
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Remplacement du processus discret par un processus
continu.
Le processus discret DN(t) est approché par un
processus continu x(t), dont les changements
incrementales dx(t) sont repartis d’après une
distribution normale avec moyenne bdt et variance
adt
dx(t) = bdt + z(t) (adt)1/2
où z(t) est un processus gaussien blanc.
Université Paul Sabatier. Toulouse.
58
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
p x0 , x, t a 2 p x0 , x, t
p x0 , x, t
b
2
t
2
x
x
x0 la valeur initiale
p(x0, x, t)dx = Pr[x x(t) x + dt | x(0) = x0]
Université Paul Sabatier. Toulouse.
59
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Introduction des conditions de contour.
L'équation de diffusion est résolue avec la condition
de contour x(t) > 0 (barrière reflétante) o p(x0, x, t) =
0 pour x < 0.
Pour le cas stationnaire, la dérivée par rapport au
temps dans l'équation précédente doit être zéro.
px , x, t dx 1
0
Université Paul Sabatier. Toulouse.
0
60
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Condition de stabilité b < 0 ou l < m
Condition de contour
a dp x0 , x,
bp x0 , x, 0, en x 0
2
dx
2b 2b / a
p x e
a
Université Paul Sabatier. Toulouse.
61
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Discretisation du processus de diffusion et ajustement
pour le cas d’un nombre faible de clients dans le
système.
Distribution géométrique avec le même facteur de
décrément e-2b/a.
Par le théorème du limite central on ne peut pas
espérer des résultats significatifs pour un faible
nombre de clients dans le système. On sait que la
probabilité d’avoir la file vide est r = 1 - l/m.
Université Paul Sabatier. Toulouse.
62
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Alors on ajuste la distribution géométrique pour n =
0 et on utilise e-2b/a comme facteur de décrément. Si
on représente la distribution approchée du nombre
de clients dans le système, bâtie de cette façon, par
p(n), on obtient
p(n) = 1 - r , si n = 0
p(n) = r (1 - f) fn-1 , si n > 0
Université Paul Sabatier. Toulouse.
63
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Résultats de l’approche par le retour instantané.
f(x) = R(e-f - 1) efx, pour x 1
f(x) = R(1 - efx), pour 0 x 1
1 r
f 2
rK a2 K s2
l
r
m
l'
R
l 'm l
Université Paul Sabatier. Toulouse.
64
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Résultats de l’approche par le retour instantané.
La condition de stabilité exige r = l/m < 1.
Si on admet l = l', R = r.
La longueur moyenne de la file sera
L
0
1 rK a2 K s2
1 a
xfdx r
r
21 r
2 2b
2
Université Paul Sabatier. Toulouse.
65
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Résultats de l’approche par le retour instantané.
Pour Ka = 1, nous avons
r 1 K s2
LKP r1
21 r
1 r K s2
L r
2 21 r
LKP
Université Paul Sabatier. Toulouse.
1 K
Lr
2
2
s
66
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Résultats de l’approche par le retour instantané.
Avec l'approximation R = r on discretise la
distribution; pour ceci il y a plusieurs alternatives.
Soit P = 1 - r, la première consiste à faire
p1(i) = f(i), pour i 1
p1(0) = P
Université Paul Sabatier. Toulouse.
67
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Résultats de l’approche par le retour instantané.
p1(0) = 1 - r
p1 i r rˆ 1 1 rˆ i r1 rˆ rˆ i 1
ˆr e f
r
L1 ip1 i
1 rˆ
i 1
Université Paul Sabatier. Toulouse.
68
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Résultats de l’approche par le retour instantané.
Deuxième discretisation: probabilité p2(i) égal à la
fonction continue de distribution entre i - 1 et i
rˆ 1
p 2 1 r1
p 2 0 1 r
f
r
2 i
ˆ
p 2 i f x dx 2 1 r rˆ , pour i 2
i 1
frˆ
i
rK a2 K s2
1
L2 r1 r1
r
1
2
f
Université Paul Sabatier. Toulouse.
L2 LKP
rK s2
2
69
THÉORIE DE FILES D'ATTENTE
Files G/G/1: Méthode de diffusion
Résultats de l’approche par le retour instantané.
Troisième discretisation: réussir que la longueur de
file coïncide avec celle de Khintchin-Pollaczeck
21 r
f'
r K a2 K s2
2
2
r
K
K
1
a
s
L2 ' r1 r1
21 r
f'
rˆ e f'
Université Paul Sabatier. Toulouse.
70