Ecole Mohammadia d’Ingénieurs

Cours de Simulation
1- Définition de la simulation:

La simulation est l’un des outils d’aide à la décision les plus efficaces à la
disposition des concepteurs et des gestionnaires des systèmes complexes. Elle
consiste à construire un modèle d’un système réel (modélisation) et à conduire des
expériences sur ce modèle afin de comprendre le comportement de ce système et
d’en améliorer les performances.
L’approche " systémique " des problèmes est aujourd’hui fondamentale ; elle
s’attache à évaluer la performance " globale " du système étudié plutôt que celle de
chacune de ses composantes. En effet, l’optimisation " locale " de celles-ci peut
conduire à un comportement sous-optimal de l’ensemble à cause de leurs
interactions.
 Applications de la simulation :

Parmi les domaines dans lesquels elle est le plus utilisée, on peut citer :
• L’informatique : recherche de configurations, réseaux, architecture de bases de
données, ...
• La production : gestion des ressources de fabrication, machines, stocks, moyens de
manutention, ...
• La gestion : marketing, tarification, prévisions, gestion du personnel, ...l’administration :
gestion du trafic, du système hospitalier, de la démographie, ...
• L’environnement : pollution et assainissement, météorologie, catastrophes naturelles, ...
2- Conduite d’un projet de simulation :

La conduite d'une étude de simulation comprend 3 étapes principales : l'analyse du

problème, la construction du modèle et l'exploitation de ce modèle que nous
détaillons dans ce paragraphe.

• Etape 1 : Analyse du problème

Elle permet de préciser le contexte de l'étude. Elle se décompose en:
- Identification du problème; spécification des objectifs.
- Réalisation d'une première ébauche du modèle qui a pour but d'en
délimiter les frontières et de spécifier les données dont on a besoin.
- Validation auprès de l'utilisateur (celui qui est à l'origine de l'étude).
 2- Conduite d’un projet de simulation :

• Etape 2 : Construction du modèle

Elle comprend la modélisation logico-mathématique qui peut être facilitée par un

outil graphique, et la programmation proprement dite. Il est important dès cette
étape de construire un programme facilement modifiable et en particulier de
distinguer clairement le système physique, le système de conduite et le système
d'information. Dans sa première itération, cette étape se termine par une
validation qui consiste à comparer le comportement du modèle avec celui du
système physique qu'il est censé représenter.
2- Conduite d’un projet de simulation :

• Etape 3 : Exploitation du modèle

Quand le modèle est validé, il peut servir à l'évaluation du comportement

dynamique du système. Cette phase nécessite une définition précise de la
campagne d'exploitation (quelles hypothèses veut-on vérifier, dans quel contexte),
la production de mesures par la simulation proprement dite, la mise en forme et la
comparaison des résultats obtenus aux objectifs poursuivis. S'ils n'ont pas été
atteints, de nouveaux scénarios sont proposés et testés jusqu'à satisfaction.

Dans la mesure où la plupart des modèles comportent des aléas, cette étape
nécessite que soient déterminés avec rigueur la durée de la simulation et le
nombre de réplications (exécutions du modèle de simulation); elle fait appel aux
outils statistiques afin de caractériser le comportement du modèle par exemple :
calcul d’intervalles de confiance, de coefficients de corrélation, ...
 3- La modélisation par "Approche processus"

• La modélisation est à l'interface entre le système physique et le programme de

simulation. Elle a donc un double but : le 1er but est permettre une
représentation du système physique en utilisant le codage du logiciel de
simulation utilisé, le 2ème but est de valider le modèle par l’utilisateur en le
comparant au système réel. De là découlent les caractéristiques essentielles d'un
tel modèle; il doit être facile à lire et à comprendre (et donc de préférence
présenté sous forme graphique), et utiliser des concepts cohérents avec ceux du
logiciel de simulation utilisé pour son codage.
• De nombreux logiciels de simulation privilégient l'approche processus. Un
processus est une séquence de transformations que subit une entité pendant son
séjour dans le système. Une entité est un objet dont l'état est modifié par le
processus qu'il traverse. Les changements d'état nécessitent souvent l'utilisation
de ressources. Un modèle est constitué par un ensemble de processus qui
interagissent entre eux.
 3- La modélisation par "Approche processus"

• Dans le cas d'un atelier de fabrication par exemple, les entités sont les pièces à
produire. Elles entrent dans le système dans un certain état (pièces brutes) et en
sortent dans un autre (produits finis). Entre temps, elles ont été peu à peu
transformés par divers processus d'usinage, de contrôle, de montage, d'expédition,
de manutention ... Ces divers processus consomment du temps et nécessitent le plus
souvent l'utilisation de ressources de stockage (files d'attentes), de fabrication
(machines, outillages, personnels), de transport (chariots, convoyeurs, ponts
roulants, robots, personnels).
La construction du modèle logique peut dès lors s'articuler en plusieurs étapes en
principe successives définies ci-après :
 3- La modélisation par "Approche processus"

• Etape 1 : Identifier les entités

Les entités physiques sont en général facilement repérables; les questions à se poser
sont: qu'est-ce qui est transformé par le système? Quel est le flux qui le traverse?
Pièces dans un atelier, clients dans un magasin, automobiles dans une station-service,
skieurs dans une station de sports d'hiver ...
Exemple 1 (flux poussé) : Les pièces arrivent dans une file d'attente S1 gérée en FIFO
ou elles attendent la disponibilité de la fraiseuse. Lorsque celle-ci est libre, elle
commande la sortie de S1 et la pièce sélectée est usinée pendant 3 minutes. Une fois
l'opération terminée, la fraiseuse est libérée et la pièce est envoyée en S2.
 3- La modélisation par "Approche processus"

• Etape 1 : Identifier les entités

Exemple 1 bis (flux tiré) : si l'on travaille en flux tiré, la seule disponibilité de la
ressource ne suffit pas pour commander l'opération de fraisage. Encore faut-il que le
poste aval ait émis une demande de fabrication. Celle-ci apparaît dans le modèle
comme une entité informationnelle de commande: elle est détruite une fois qu'elle a
été prise en compte.
 3- La modélisation par "Approche processus"

• Etape 2 : Identifier les processus

• Il n'y a pas de principes absolus puisqu'à l'évidence à chaque système correspondent

des processus spécifiques. Cependant, un certain nombre de règles générales
peuvent être mises en évidence:
- Tout modèle comporte au mois un processus d'entrée dans lequel sont crées les
entités physiques dans leur état initial;
-Tout modèle contient au moins un processus de sortie sans lequel les entités, une
fois parvenues à leur état final, sont détruites, après d'éventuelles prises de
mesures statistiques.
-Tout modèle comporte, entre une entrée et une sortie, un certain nombre de
processus de transformation qui interagissent les uns sur les autres, en particulier à
travers l'utilisation de ressources partagées.
 3- La modélisation par "Approche processus"

• Etape 3 : Identifier les ressources

Ce sont, au sens large, tous les objets dont les entités ont besoin au cours de leur
transformation: ressources de stockage dans lesquelles elles sont mises en attente
d'un certain événement , et ressources de transformation à proprement parler qui
dépendent du processus étudié. L'un des schémas classiques des processus de
transformation est le suivant: l'entité est mise en attente d'une (ou plusieurs)
ressource dans une file d'attente; lorsqu'elle lui est attribuée, elle l'utilise pendant un
certain temps, puis la libère (cf. processus de fraisage précédent).
 3- La modélisation par "Approche processus"

• Etape 4 : Identifier les variables d’état

Elles caractérisent le système dans son évolution au cours du temps, et elles permettent la
production de mesures à partir desquelles seront évaluées les performances du système
étudié. Elles concernent en général les durées de séjour des entités, les taux d'utilisation
des diverses ressources, le niveau des en-cours.
• Dans de nombreux logiciels de simulation, un certain nombre de variables d'état sont
gérées automatiquement, sans que l'utilisateur ait besoin de le faire explicitement dans le
modèle: c'est le cas en particulier de toutes celles qui concernent les ressources et les
files d'attente. L'utilisateur n'a plus qu'à se préoccuper que de deux types de variables:
-Les attributs: ce sont des variables spécifiques à une entité donnée et qu'elle
transporte avec elle pendant sa durée de vie dans le système (type d'entité, gamme
opératoire, date d'entrée dans le système, ...). Ces variables sont locales c'est-à-dire que
lorsqu'une entité active une transformation dans un processus, seuls les attributs de
cette entité déclenchante sont visibles.
- Les variables globales sont celles qui, au contraire, sont connues de tous les processus.
 3- La modélisation par "Approche processus"

• Etape 5 : Décrire les processus

Il ne reste plus qu'à assembler tous les éléments précédemment définis dans un modèle
logique approprié composé de processus parcourus par des entités utilisant des ressources
et se synchronisant entre eux.
• Il importe, dans la représentation choisie, de distinguer clairement :
- Le sous-système physique constitué des processus d'entrée, de transformation et de
sortie des entités physiques;
- Le sous-système d'information constitué des variables d'état et des processus
parcourus par les entités informationnelles;
- Le sous-système de commande qui est à l'interface entre les deux précédents
 4- Présentation du logiciel ARENA :

• ARENA est le logiciel de simulation des flux à évènements discrets, leader sur le
marché. Edité par Rockwell Automation, il compte plus de 370 000 utilisateurs
formés dans le monde. ARENA a accompagné de grands projets industriels pour
Peugeot, Alstom, Nestlé, Aéroport de Paris, Saint-Gobain …etc. ARENA représente
à ce jour une version avancée dans la simulation des systèmes de production. Du
premier clic de souris jusqu’à la présentation des résultats.
 4- Présentation du logiciel ARENA :

• C’est un outil de simulation permettant d’analyser les volumes importants, la

logique de commande complexe et l’équipement spécialisé des systèmes de
production.
• La construction d’une simulation se fait au travers de deux structures de données :
- Le modèle, description des composantes statiques et dynamiques du système
- L’instance, spécification des conditions expérimentales et paramètres propres à
une expérimentation
• Il comporte plusieurs bibliothèques et des modules (des blocs) qui rendent facile la
tâche de modéliser une ressource, une file d’attente, un convoyeur ainsi que tous
les éléments d’un système de production.
 Exemple de simulation manuelle & files d’attentes :
Un poste de travail permettant de fabriquer deux produits notés A et B.
– Les produits A arrivent toutes les 10 mn. Leur durée opératoire est de 4 mn.
– Les produits B arrivent toutes les 6 mn à partir de t = 3 mn. Leur durée opératoire est de
3 mn.
– Lorsqu’un produit arrive, si le poste est disponible, il est traité par ce dernier.
– Si le poste est occupé, les produits attendent dans une file d’attente gérée en FIFO
Essayez de trouver les réponses aux questions suivantes:
Exemple de simulation manuelle & files d’attentes :
Exemple de simulation manuelle & files d’attentes :
Exemple de simulation manuelle & files d’attentes :
Exemple de simulation manuelle & files d’attentes :
Exemple de simulation manuelle & files d’attentes :
Exemple de simulation manuelle & files d’attentes :
Exemple de simulation manuelle & files d’attentes :

D minimum : Durée minimum nécessaire

pour fabriquer le produit A.
D moyen : Durée moyenne nécessaire pour
fabriquer le produit A.
D maximum : Durée maximum nécessaire
pour fabriquer le produit A.
Exemple de simulation manuelle & files d’attentes :
Un exemple de simulation manuelle & files d’attentes :

Q(t) : le nombre de produits dans la file d’attente à tout instant t

Q moyen : la longueur moyenne de la file d'attente est l’aire totale sous la
courbe Q (t), divisée par la longueur de la course (temps) : c’est le taux
d’occupation de la file d’attente
Un exemple de simulation manuelle & files d’attentes :

Q moyen c’est le taux

d’occupation de la file d’attente
=7/30 = 0,2333
 Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)

a. Comment utiliser les blocks : Create-Process-Dispose (pour créer des modules)

b. Comment paramétrer mon projet et la longueur de la simulation
c. Comment générer et lire un rapport
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)

0 pièces sortantes
pour le moment,
c’est un compteur
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)

1 représente la file d’attente

Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
Exemple 1 : Créer et simuler à l’aide d’ARENA un exemple simple avec un
seul processus (contrôle des pièces)
 Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision

a. Comment limiter le nombre des arrivées à 100 pièces qui sont créées par le système
b. Comment intégrer une décision pour trier les pièces bonnes (80%) et mauvaises (20%)
c. Comment changer le format des entités (mettre une balle ou un camion à la place d’un
rapport)
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision

38 représente la file d’attente à un instant donné

Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et une décision
Exemple 2 (suite) : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et différencier les couleurs des pièces

a. Comment limiter le nombre des arrivées à 100 pièces qui sont créées par le système
b. Comment intégrer une décision pour trier les pièces bonnes (80%) et mauvaises (20%)
c. Comment changer le format des entités (mettre une balle ou autre à la place d’un
rapport)
d. différencier la couleur des pièces bonnes et mauvaises (utiliser assign dans discrete
processing)
Exemple 2 (suite) : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et différencier les couleurs des pièces
Exemple 2 (suite) : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et différencier les couleurs des pièces
Exemple 2 (suite) : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et différencier les couleurs des pièces
Exemple 2 (suite) : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et différencier les couleurs des pièces
Exemple 2 (suite) : Créer et simuler à l’aide d’ARENA un exemple avec deux
processus « Production et Contrôle » et différencier les couleurs des pièces
 Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)

Une station service est fréquentée par deux catégories d’automobilistes. Les premiers font
d’abord laver leur voiture puis s’approvisionnent en carburant à l’une des deux pompes, les
seconds font uniquement le plein.
Différentes observations, dans d’autres stations services, donnent les mesures suivantes :

Nous voulons observer le fonctionnement de la station-service pendant deux heures.

Il faut caractériser les niveaux des files d’attente et les taux de fréquentations des pompes et
de la station de lavage, et mesurer la durée de séjour des clients dans la station (nécessite
indicateurs).
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)

Pour résoudre cette étude de cas, nous allons procéder en trois étapes:

Etape 1: Modéliser le fonctionnement sous un modèle logique

Etape 2: Réaliser le modèle sous ARENA sans les indicateurs

Etape 3: Réaliser le modèle sous ARENA avec les indicateurs

 Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)

Etape 1: Modéliser le fonctionnement sous un modèle logique

Avant de réaliser le modèle sur Arena, il est préférable de réaliser d’abord un modèle
logique qui explique et résume toutes les données. Ci-dessous le modèle logique de cette
station:
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 2 : Réaliser le modèle sous ARENA sans les indicateurs (pour le plein on as utilisé la
loi uniforme 4 à 6 min)
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 2 : Réaliser le modèle sous ARENA sans les indicateurs (pour le plein on as utilisé la
loi uniforme 4 à 6 min)
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 2 : Réaliser le modèle sous ARENA sans les indicateurs (pour le plein on as utilisé la
loi uniforme 4 à 6 min)
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 3: Réaliser le modèle sous ARENA avec les indicateurs
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 3: Réaliser le modèle sous ARENA avec les indicateurs
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 3: Réaliser le modèle sous ARENA avec les indicateurs
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 3: Réaliser le modèle sous ARENA avec les indicateurs
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 3: Réaliser le modèle sous ARENA avec les indicateurs
Apprendre les bases de ARENA: avec des études de cas
Etude de cas N°1: Station de service (Niveau 1)
Etape 3: Réaliser le modèle sous ARENA avec les indicateurs
Etude de cas N°2: Simulation d’une station de montage avec pause

• Un poste de montage est alimenté toutes les 7 minutes; ces pièces sont de quatre types
qui nécessitent respectivement 4, 6, 8 et 9 minutes de montage.

• Ces pièces ont la même probabilité d’arrivée = Les fréquences d’arrivée des quatre
types sont identiques (NB: La fréquence est le nombre de fois qu'un phénomène
périodique se reproduit par unité de temps).

• Le travail est réalisé par un seul monteur qui fait une pause de 15 minutes toutes les 4
heures, après avoir terminé la pièce en cours de montage.

 Simuler le fonctionnement du poste pendant 80 heures et mesurer en particulier :

– Le nombre de pièces en attente de montage
– Le taux d’activité réelle du monteur
– La durée de séjour des pièces dans le poste de montage
Etude de cas N°2: Simulation d’une station de montage avec pause

Pour résoudre cette étude de cas, nous allons procéder en deux étapes:

Etape 1: Modéliser le fonctionnement sous un modèle logique

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 1: Modéliser le fonctionnement sous un modèle logique

Avant de réaliser le modèle sur Arena, il est préférable de réaliser d’abord un modèle
logique qui explique et résume toutes les données. Ci-dessous le modèle logique de
cette station:
Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Donc V1 = 4 ; V2 = 6 ; V3 = 8 ; V4 = 9 et comme
P1 , P2 … sont les probabilités cumulatives on
aura P1 = 0.25 ; P2 = 0.5 ; P3 = 0.75 et P4 = 1
Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

NB : Même ressource pour

lier les deux processus
(montage et pause)
Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

Etude de cas N°2: Simulation d’une station de montage avec pause

Etape 2: Réaliser le modèle sous ARENA

 Etude de cas N°3: Gestion des Files d’attentes sous ARENA et l’utilisation des
BLOCKS (reprendre l’exemple manuel sous Arena)

Rappel de données de départ :

Un poste de travail permettant de fabriquer deux produits notés A et B.
– Les produits A arrivent toutes les 10 mn. Leur durée opératoire est de 4 mn.
– Les produits B arrivent toutes les 6 mn à partir de t = 3 mn. Leur durée opératoire est
de 3 mn.
– Lorsqu’un produit arrive, si le poste est disponible, il est traité par ce dernier.
– Si le poste est occupé, les produits attendent dans une file d’attente gérée en FIFO.
Durée de la simulation (Longueur de réplication) : 30min
Etude de cas N°3: Gestion des Files d’attentes sous ARENA et l’utilisation des
BLOCKS
Etude de cas N°3: Gestion des Files d’attentes sous ARENA et l’utilisation des
BLOCKS
Etude de cas N°3: Gestion des Files d’attentes sous ARENA et l’utilisation des
BLOCKS
Etude de cas N°3: Gestion des Files d’attentes sous ARENA et l’utilisation des
BLOCKS

Q moyen :
c’est le taux
d’occupation
de la file
d’attente
Règles de sélection des ressources :
•SET ELEMENTS | SET : Définition d’un groupe indexé d’objet (Ressource , file d ’attente ,…)
• Dans le cas où plusieurs ressources sont utilisables, il faudra choisir la ressource qui sera
utilisée.

Règles de sélection :
CYC : Priorité cyclique
LNB : Choix de la ressource ayant la plus grande capacité utilisée.
LRC: Choix de la ressource ayant la plus grande capacité libre restante.
POR : Ordre préférentiel
RAN : Choix aléatoire
SNB : Choix de la ressource ayant la plus petite capacité utilisée.
SRC : Choix de la ressource ayant la plus petite capacité libre restante
 Etude de cas N°4:
Plusieurs machines identiques (SET) sans opérateur

• Une entreprise dispose d’un atelier de fabrication composé de trois machines identiques.
• Les pièces à usiner arrivent toutes les 6 minutes,
• La durée opératoire pour chaque produit suit une loi exponentielle de moyenne 5mn
• Le choix de la machine se fait une manière complètement aléatoire
• Question : Simuler l’activité de cet atelier pour 10000 Unités et représenter visuellement
les machines qui sont libres avec une balle verte occupées avec une balle rouge?
Etude de cas N°4:
Plusieurs machines identiques (SET) sans opérateur
Etude de cas N°5:
Plusieurs machines identiques (SET) avec un seul opérateur
Une entreprise dispose d’un atelier de fabrication composé de trois machines
identiques et un opérateur.
Un opérateur dessert trois machines. Il intervient sur une machine pendant une
durée aléatoire correspondant à une loi exponentielle avec une moyenne de 5
minutes. Ensuite, la machine travaille seule pendant une durée exponentielle avec
une moyenne de 10 minutes.
Question : Simuler l’activité de cet atelier pour 10000 Unités et représenter
visuellement
– les machines qui sont libres avec une balle verte occupées avec une balle rouge
– l’opérateur avec deux visuels différents (occupé, libre)?
– le couple machine/opérateur pour savoir l’opérateur est occupé avec quel
machine.
Etude de cas N°5:
Plusieurs machines identiques (SET) avec un seul opérateur