Université Mohammed Seddik Ben yahia‐ Jijel

Faculté des Sciences Exactes et Informatique

Département Informatique

2016
Simulation & Prototypage

Support de Cours

Simulation & Prototypage

Spécialités

Système d’Information et Aide à la Prise de Décision (SIAD)

Auteur

Dr. KERKOUCHE EL-HILLALI

91

Département d’informatique, université de Jijel BP 98 Ouled Aissa. 18000, JIJEL, ALGERIE

 Ministère de l’Enseignement Supérieure et Recherche Scientifique
Université de Jijel

Faculté des Sciences Exactes et Informatique

Département Informatique

Support de Cours
Simulation & Prototypage
Spécialité
Système d’Information & Aide à la Prise de Décision (SIAD)

Présenté par
Dr. KERKOUCHE El-Hillali

Simulation & Prototypage

Le cours de Simulation & Prototypage est préparé pour servir comme support
pédagogique d’étudiants inscrits en première année Master de spécialités système
d’information et aide à la prise de décision (SIAD) filière informatique.
 Table des Matières

Table des Matières

Chapitre 01 : Modélisation & Simulation : une Introduction

1.1 Introduction ————————————————————————————————————————————————————– 1
1.2 Notion de Système –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 2
1.2.1 Définition d’un Système ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 3
1.3 Modélisation et Modèle –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––
4

1.3.1 Définition (Modèles) –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 5

1.3.2 Processus de Modélisation ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––
5

1.3.3 Classification des Modèles –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 6

1.3.3.1 Les Modèles Physiques ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 6
1.3.3.2 Les Modèles Symboliques ou Analytiques ––––––––––––––––––––––––––––––––––––––––––––––––– 7
1.3.4 Outils de Modélisation ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 9
1.3.5 Evaluation de Modèles ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––
10

1.3.5.1 Evaluation Qualitative –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 10

1.3.5.2 Evaluation Quantitative –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 10
1.4 Simulation –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 12
1.4.1 Définition (Simulation) –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 12
1.4.2 Les Langages de Simulation –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 13
1.4.3 Quand Simuler ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 14
1.4.4 Limites (Obstacles) –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 14
1.6 Résumé –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 15

Chapitre 02 : Machines d’Etats Finis

2.1 Introduction ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––
16

2.2 Définition –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 16

2.3 Représentation –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 16
2.4 Exemple de Modélisation de Distributeur de Café ––––––––––––––––––––––––––––––––––––––––––– 18
2.5 Propriétés des Machine d’Etats Finis –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 19
2.5.1 Automate fini & Automate infini ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 19
2.5.2 Automate Déterministe –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 19

i
 Table des Matières

2.6 Structure de Kripke ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 20

2.7 Sémantique & Exécution ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 20
2.7.1 Chemin d’Exécution ou Trace ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 20
2.7.2 Exécution –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 20
2.7.3 Arbre d’Exécution –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 21
2.7.4 Atteignabilité ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 21
2.8 Raisonnement sur les Machines d’Etats Finis ––––––––––––––––––––––––––––––––––––––––––––––––––– 21
2.9 Exercices ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 22

Chapitre 03 : StateCharts
3.1 Introduction –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 24

3.2 Définition –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 24

3.3 Représentation –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 25
3.3.1 Etat ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 25
3.3.2 Transition ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 26
3.3.3 Etats Composites –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 27
3.3.3.1 Etat Composite Séquentiel (Hiérarchique ou XOR) –––––––––––––––––––––––––––––––––––– 28
3.3.3.2 Etat Historique ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 29
3.3.3.3 Etat Composite Orthogonal (Concurrent ou AND) ––––––––––––––––––––––––––––––––––––– 30
3.4 Sémantique et Exécution ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 32
3.5 Exercices ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 33

Chapitre 04 : Réseaux de Petri

4.1 Introduction –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 34
4.2 Définition –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 34
4.2.1 Définition Informelle ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 34
4.2.2 Définition Formelle –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 35
4.2.3 Représentation Matricielle ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 35
4.3 Sémantique & Exécution ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 36
4.3.1 Dynamique ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 36
4.3.2 Graphe de Marquages –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 37
4.3.3 Graphe de Couverture –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 38
4.3.4 Vecteur d’Occurrence et l’Equation de Changement d’Etat ––––––––––––––––––––––––––– 39
4.4 Propriétés des Réseaux de Petri –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 40
4.4.1 Les Propriétés Structurelles ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 40

ii
 Table des Matières

4.4.2 Les Propriétés Comportementales ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 41

4.5 Modélisation des Systèmes ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 42
4.5.1 Parallélisme –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 42
4.5.2 Synchronisation ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 43
4.5.3 Partage de ressources ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 44
4.5.4 Mémorisation ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 44
4.6 Exercices –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 45

Chapitre 05 : Chaînes de Markov

5.1 Introduction –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 47
5.2 Rappels de Probabilités ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 47
5.2.1 Evénement –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 47

5.2.2 Probabilité d’un Evènement ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 48

5.2.3 Probabilité Conditionnelle ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 48
5.2.4 Indépendance ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 49
5.2.5 Variable Aléatoires –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 49
5.3 Processus Stochastique –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 50
5.4 Processus Markovien ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 51
5.5 Chaine de Markov à temps discret ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 51
5.5.1 Exemple introductif ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 52
5.5.2 Définition ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 53
5.5.3 Probabilités de Transition –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 53
5.5.4 Représentation ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 53
5.5.4.1 Un Graphe Orienté –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 53

5.5.4.2 Une Matrice des Probabilités de Transition –––––––––––––––––––––––––––––––––––––––––––––––– 54

5.5.5 Probabilités d’Etats –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 55
5.6 Classification des Etats –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 55
5.7 Sémantique & Exécution ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 57
5.7.1 Régime Transitoire –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 57
5.7.2 Régime Stationnaire ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 58
5.8 Chaîne de Markov Absorbante ––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 60
5.9 Exercices –––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––––– 62

Bibliographie 64

iii
Chapitre 01 :
Chapitre 01 Modélisation & Simulation : une Introduction

1.1 Introduction
Durant la dernière décennie, les systèmes ont connu un développement sans précédent qui s’est
accompagné d’un accroissement important de leur complexité. Pour maîtriser la complexité de tels
systèmes, il est nécessaire de disposer d’outils performants permettant de comprendre leurs
comportements dynamiques, prédire leurs performances, d’évaluer et de comparer les différentes
configurations ou stratégies opératoires et de les optimiser.

Etudier un système consiste, dans la plupart des cas, à faire un ensemble de suppositions sur son
fonctionnement. Ces suppositions, prennent généralement la forme de relations mathématiques ou
logiques, constituent ainsi un modèle qui est utilisé comme support pour conduire des expériences afin
d’évaluer et de déduire les performances du système qu’il le représente. Si les relations qui composent le
modèle sont assez simples il peut être possible d'utiliser des méthodes mathématiques (telle que l'algèbre,
la théorie des probabilités) pour obtenir des réponses exactes aux questions qui nous intéressent. Une telle
solution s'appelle une solution analytique. Cependant, les systèmes qu'on trouve dans la réalité sont le
plus souvent trop complexes pour pourvoir se prêter a une évaluation analytique, et leurs modèles doivent
être étudiés au moyen de la simulation.

La simulation est reconnue comme une technique puissante pour la conception et l’analyse des
systèmes. En générale, elle est perçue comme un outil d’aide à la décision dont le but principal est
d’étudier les performances d’un système complexe avant sa construction, ou d’évaluer les performances
d’un système existant pour l’améliorer s’il y a une grand différence au niveau de performances. Dans une
simulation, on utilise l'ordinateur pour évaluer numériquement un modèle dans le but d'estimer les
caractéristiques souhaitées du modèle.

La simulation peut être utilisée dans plusieurs domaines d'application, tels que :

− Systèmes informatiques et télécommunications

• Etude des comportements des systèmes d’exploitation
• Evaluation de protocoles de gestion des transactions de bases de données,
• Etude de la file d’attente mémoire d’un serveur,
• Etude des comportements des utilisateurs,
• Conception et dimensionnement de hubs.
− Systèmes de flux de production ou de fabrication
• Equilibrage de lignes d’assemblage,
• Conception de systèmes de transfert entre des postes,
• Dimensionnement des stocks d’un atelier,
• Comparaison de pilotage,

1
Chapitre 01 Modélisation & Simulation : une Introduction

• Evaluation de la charge prévisionnelle,

• Etude de la synchronisation entre les réceptions des pièces et l’assemblage.
− Systèmes de services
• Etude de transactions bancaires,
• Gestion de restaurants,
• Comparaisons de politiques de maintenance des avions.
− Systèmes de transport et Flux logistiques
• Conception et dimensionnement d’entrepôts,
• Dimensionnement d’une flotte de camions,
• Etude de procédures de contrôle des flux de véhicules en circulation.
− Les systèmes naturels (biologiques, écologiques,...)

1.2 Notion de Système

Le terme système couvre un large champ d’application, car il peut être utilisé dans de nombreux
domaines. Il existe de nombreuses définitions qui lui ont été attribuées dans la littérature. En voici une
liste non exhaustive :

Í Ensemble de composants reliés entre eux.

Í Combinaison de parties qui se coordonnent, pour concourir à un résultat de manière à former
un ensemble (Larousse).

Í Ensemble d'éléments interagissant entre eux selon certains principes ou règles.

Í Ensemble d’éléments matériels ou immatériels en interaction, organisés pour
l’accomplissement d’une certaine mission.

Le plus important ce n’est pas d’énoncer une définition précise du terme mais d’essayer de faire
ressortir les mots clés qui semblent bien caractériser la notion de système. De là, on peut dire qu’un
système est caractérisé par :

¾ C’est un tout composé de parties ordonnées.

¾ Chaque partie a ses lois et une certaine indépendance.

¾ Les parties ont des liens ou relations entre elles pour atteindre un but.

¾ Cet ensemble change au cours du temps.

¾ Il est influencé par le milieu dans lequel il existe et qui réagit sur lui.

¾ L’ensemble est le plus souvent soumis à des contraintes.

Ces caractéristiques font ressortir qu’un système est déterminé par :

2
Chapitre 01 Modélisation & Simulation : une Introduction

9 La connaissance de sa frontière, c'est-à-dire le critère d'appartenance au système déterminant

si une entité appartient au système ou fait au contraire partie de son environnement.

9 La connaissance de ses interactions avec son environnement.

9 La connaissance de ses parties ou composants (la nature de ses éléments constitutifs).

9 La connaissance des lois propres de chaque composant.

9 La connaissance des lois d’interaction qui déterminent son but.

Chaque système est influencé par son environnement. Un système peut être ouvert, fermé,
ou isolé selon son degré d’interaction avec son environnement. L’identification des frontières du système
avec son environnement (son milieu) permet de délimiter la portée du système c'est-à-dire déterminer ce
qui doit être à l'intérieur du système et ce qui doit rester à l’extérieur. Les relations entre un système et
son environnement sont des relations de cause à effet. Certains facteurs (paramètres) externes peuvent
influencer le comportement du système :

¾ Si ces facteurs contrôlent entièrement la dynamique du système, il n’y a pas

d’intérêt à conduire des expérimentations avec ce système, et il faudra le redéfinir.

¾ Si par contre ces facteurs contrôle partiellement la dynamique du système, On peut

alors soit :

1. Elargir le système de façon à les inclure.

2. Les ignorer (si on juge que leurs effets sont négligeables).

3. Les considérer comme des entrées du système.

Donc, décrire un système consiste à déterminer ses éléments, ses relations, leurs propriétés et les
valeurs que peuvent prendre ainsi que son activité et l’organisation qui en découle.

1.2.1 Définition d’un Système

"Un système est une entité complexe traitée (en égard à certaines finalités) comme une totalité
organisée, formée d'éléments et de relations entre ceux-ci, les uns et les autres étant définis en
fonction de la place qu'ils occupent dans cette totalité et cela de telle sorte que son identité soit
maintenue face à certaines évolutions." [AFCET 77].

La complexité d’un système provient de la multiplicité des éléments qui le composent, de leurs
objectifs qui peuvent être en conflit, de la diversité de leurs relations (ou interactions), et de l’incertitude
concernant l’évolution globale du système. L’analyse du système doit disposer de méthodes et d'outils
capables de représenter ces systèmes. Ces représentations ne doivent pas être trop simples afin de ne pas
perdre de l'information sur le fonctionnement dynamique, et ne doivent pas être trop complexes et
inexplicables pour simplifier l'analyse.

3
Chapitre 01 Modélisation & Simulation : une Introduction

Exemple

Une usine de production représente un bon exemple de système. Les parties de ce système pourraient
être (voir la Figure 1.1) :

) Administration
) Employés
) Service Production (Ateliers, Machines, …).
) Service approvisionnement.
) Service ventes.
) Service de gestion de stocks.
) …

Système Environnement du Système

Recrutement

Employés Maintenance

Stocks Ateliers
Administration Machines

Vente Approvisionnement
Prix

Fournisseurs

Figure 1.1 Le Système et Son Environnement.

Chaque partie du système a ses propres lois de fonctionnement et elle partiellement indépendante
des autres parties. Toutes les parties du système sont en interaction pour atteindre l’objectif attendu. La
portée du système est délimitée par l’identification de ses frontières et les différentes interactions
possibles.

1.3 Modélisation et Modèle

La modélisation est une démarche consistant à élaborer une description simplifiée (à l’aide d’un
langage mathématique ou logique) d’un phénomène, d’un processus ou d’un système appelée
généralement un modèle, en vue d’en étudier ou d’en prévoir son fonctionnement.

4
Chapitre 01 Modélisation & Simulation : une Introduction

1.3.1 Définition (Modèle)

"Un modèle est un schéma qui, pour un champ de questions, est pris comme représentation
abstraite d'une classe de phénomènes dégagés de leur contexte par un observateur pour servir de
support à l'investigation, et/ou à la communication." [AFCET 77] .

Un modèle est donc une représentation d’un système (réel ou imaginaire, existant ou en cours de
conception) dont le but est d’expliquer et de prédire certains aspects du comportement de ce système.
Cette représentation est plus ou moins fidèle pour répondre au compromis entre adéquation modèle-
système et facilité d’analyse du modèle:

* le modèle devra être assez complet afin de pouvoir répondre aux diverses questions qu’on
peut se poser sur le système qu’il représente.
* le modèle ne doit pas être trop complexe pour pouvoir être facilement manipulé.
Il est clair que lorsque le modèle est détaillé, les résultats seront précis mais il y aura quand même
une difficulté à l’analysé. En revanche, si le modèle est moins détaillé, les résultats ne seront pas très
exacts alors que l’analyse sera plus facile.

Le modèle ne tient compte que des aspects essentiels du fonctionnement du système, et négligeant
les facteurs les moins influents. Par conséquent, on peut représenter un système par plusieurs modèles
différents qui ne sont pas forcément comparables.

Les principaux avantages de manipuler un modèle plutôt que le système qu’il modélise sont:

9 Un modèle évite la construction d’un système qui n’existe pas.

9 Un modèle évite de faire des expérimentations directes sur un système existant (problèmes de
sécurité, ou économiques, ou impossible : système solaire).

1.3.2 Processus de Modélisation

Le processus de construction d’un modèle peut être schématisé par la Figure 1.2 .

On distingue classiquement quatre phases distinctes: La modélisation (représentation du

comportement d’un système), la programmation, l'expérimentation et l'interprétation des résultats
(accompagnée d’actions). Il est à noter que ce processus est généralement itératif [Bank 98].

Le modèle conceptuel est une approximation mathématique ou logique du système réel conditionné
pour une étude particulière. Il est obtenu dans la phase d'analyse et de modélisation. Le modèle
programmé ou de simulation est la mise en œuvre du modèle conceptuel sur un calculateur. Il est obtenu
dans la phase de programmation et de mise en œuvre. Les renseignements sur le système réel sont
obtenus à la suite d'expérimentations sur le modèle programmé ou de simulation dans la phase
d'expérimentation. L’expérimentation consiste à construire des théories, ou hypothèses, qui prennent
en compte le comportement observé.

5
Chapitre 01 Modélisation & Simulation : une Introduction

Système Réel
Modélisation

Objectif Niveau de détails Frontières

Mesure de Modèle Conceptuel Scénarios

Interprétation
Performance
Expérimentation Programmation

Implémentation
& Vérification
Mise en œuvre
Modèle Programmé

Evaluation

Résultats Action

Figure 1.2 Processus de Modélisation.

Le passage du système au modèle conceptuel est une phase essentielle à la simulation. Différents
points doivent être abordés :

¾ Définir l'objectif de la modélisation: Pourquoi modélise-t-on ? Qu'étudie-t-on ? Que veut-

on améliorer, ou faire ?
¾ Définir le niveau de détails à incorporer dans le modèle (Abstraction: choisir les éléments
du système pertinents pour l'étude).
¾ Définir les éléments du système
¾ Définir les interactions entre ces éléments (hiérarchie).
¾ Définir les frontières du modèle et donc des variables internes, d'entrées et de sorties
nécessaires.
¾ Définir la dynamique du système (comportement du système au cours du temps).

1.3.3 Classification des Modèles (et de Systèmes)

En simulation, il existe deux grandes classes de modèles qui distinguent les modèles Physiques des
modèles symboliques [Law 91].

1.3.3.1 Les Modèles Physiques

Sont ceux dans lesquels le système réel est représenté par une réplique ou une maquette, à une
échelle différente et éventuellement à l’aide de matériaux différents. Ils sont utilisés à des fins

6
Chapitre 01 Modélisation & Simulation : une Introduction

d'entraînement : simulateurs de vol, de conduite, maquettes de véhicules pour des essais aérodynamiques
en soufflerie, ...

1.3.3.2 Les Modèles Symboliques ou Analytiques

Sont des modèles abstraits définis par des relations mathématiques, logiques ou symboliques qui
sont manipulées et changées pour voir comment le modèle du système réel réagit. Il est en général
exécuté sur un calculateur. C'est ce type de modèle qui sera utilisé dans la suite de ce cours. Dans les
modèles symboliques, un système est décrit par un ensemble de variables appelés Variables d’État, ces
derniers permettent de décrire l’évolution du système à chaque instant.

Selon la prise en compte du temps dans l’évolution des modèles, on distingue :

ƒ Modèles Statiques
Les modèles statiques représentent les systèmes qui ne changent pas avec le temps, c'est-à-dire les
variables d’état ne sont pas définies en fonction du temps. Par exemple : modèle comptable
permettant de calculer un profit en fin d’exercice à l’aide d’un tableur, les systèmes décrits par la
programmation linéaire (affectation, plus court chemin,…).

ƒ Modèles Dynamiques
Dans lesquels le temps est un facteur essentiel de l’évolution de l’état d’un système, c'est-à-dire ses
variables d’état changent avec le temps. Par exemple : réacteur chimique qui régi par des équations
différentielles, système de manutention dans une usine, les mouvements des planètes du système
solaire, etc. L’évolution de l’état d’un système a toujours un caractère continu, mais selon l’objectif
de la modélisation et la logique de changement d’état, le modèle développé est de nature différente :

• Modèle Continu
Lorsque le changement d’état du système est caractérisé par des paramètres dont la valeur
évolue de façon continue dans le temps (voir la Figure 1.3). L’évolution de ces variables
peut être décrite par un système d’équations algébriques ou différentielles. Par exemple,
la pression atmosphérique, la position d’une planète dans son orbite, etc.

Etat du système

Temps

Figure 1.3 Evolution Continu.

7
Chapitre 01 Modélisation & Simulation : une Introduction

• Modèle Discret
Dans lequel l’état ne change qu’à certaines dates. Autrement dit, les variables d’état sont
discrètes (discontinues). Dans ce type de modèles, les systèmes évoluent de manière
discrète dans le temps, c’est-à-dire qu’il existe une suite strictement croissante de
nombres réels positifs représentant les instants : t(i), i=0,1,2,..., telle que entre l’instant

t(i) et l’instant t(i+1) l’état d’un tel système n’évolue pas. Par exemple, la suite croissante
des dates de début et de fin d’un ensemble d’opérations réalisées pour usiner une pièce
dans un système de production, une file d’attente devant un guichet, les variables d’états
comme la longueur de cette file d’attente changent de façon discrète, etc. A l’intérieur des
modèles Discret, on trouve :

1. Les modèles discrétisés : permettent l’observation de l’état à des instants

réguliers. Ces modèles correspondent à une représentation discrète de systèmes
continus.
2. Les modèles à événements discrets : dans ces modèles, l’état du système n’est
modifié que lors de l’occurrence de certains événements (voir la Figure 1.4).

Etat du système
En

E2
E1

Temps

Figure 1.4 Evolution Discret.

• Modèle Combiné
Des modèles qui contiennent à la fois des composantes discrètes et d’autres continues.

Une autre distinction concerne la prise en compte de variations aléatoires dans les modèles
dynamiques. En réalité, tous les systèmes dynamiques sont déterministes. C'est-à-dire, on peut prévoir
leur évolution avec certitude. Cependant dans la pratique, on ne dispose pas de toutes les informations
nécessaires ou ils sont trop complexes. On fait appelle alors à la notion d’aléatoire. Il s’agit de remplacer
les informations manquantes ou trop complexes à exploiter par une caractérisation probabiliste dans leurs
modèles.

Les modèles dynamiques peuvent être soit déterministes ou bien stochastiques (non déterministes,
aléatoire ou probabilistes) :

8
Chapitre 01 Modélisation & Simulation : une Introduction

ƒ Modèles Déterministes
Sont des modèles où l’état futur est connu à l’avance ou prévisible, c'est-à-dire qu’il est facile de
déterminer avec certitude l’état prochain à partir de l’état actuel (un seul état futur correspondant).
Autrement dit, aucune variable de ce modèle n’est aléatoire.

ƒ Modèles Stochastique
Dans ces modèles, l’état prochain n’est pas connu avec certitude, il est donc imprévisible. Le
mécanisme de changement d’état est régi par les lois de probabilité. Par conséquent, plusieurs états
futurs sont candidats.

La Figure 1.5 synthétise cette classification :

Modèle du système

Modèle Physique Modèle Symbolique

Modèle Statique Modèle Dynamique

Combiné
Continu

Déterministe
Modèle

Modèle

Modèle
Discret

Stochastique

Figure 1.5 Classification des Modèles

Nous nous intéresserons par la suite à la modélisation et la simulation des systèmes dynamiques
déterministes ou stochastiques.

1.3.4 Outils de Modélisation

Pour décrire un système d’une manière compréhensible, il est nécessaire d’utiliser un langage de
modélisation. Ces langages sont basés sur des formalismes permettant d’utiliser des règles et des
contraintes facilitant le passage du système réel au modèle. Il faut note que certains outils de modélisation
ne se basent pas sur des formalismes pour l’écriture des modèles, mais autorise une représentation
algorithmique du comportement des systèmes avec le degré de finesse souhaité. L’absence de formalisme
rend la tâche de modélisation difficile et complexe.

9
Chapitre 01 Modélisation & Simulation : une Introduction

Parmi les outils de modélisation utilisés, on distingue :

ª Machines à états finis : un outil abstrait de conceptualisation et de modélisation formelle

basé sur la théorie des automates. Il est utilisé dans divers domaines où l’évolution du
système est séquentielle.
ª Les StateChart : Élargissement de l’outil classique Machine à états avec les notions de
Hiérarchie, Parallélisme et diffusion.
ª Réseaux de Petri : un outil graphique de modélisation formelle exprimant la concurrence,
la synchronisation et le parallélisme des activités du système.
ª Processus Stochastique et Chaine de Markov : Outils mathématiques permettant de décrire
des systèmes dynamiques évoluant dans un environnement aléatoire.
ª Les files d'attente : la théorie des files permet de modéliser de nombreuses situations dans
lesquelles des clients arrivent à intervalles aléatoires dans un système comportant plusieurs
serveurs auxquels ils vont adresser une demande ou une requête.
ª Réseaux de Petri Stochastique : Augmentation de l’outil de Réseaux de Petri par l’aspect
temporal et aléatoire.
ª …

1.3.5 Evaluation de Modèles

Comme indiqué précédemment, la modélisation vise, entre autres, à représenter afin d’analyser et
d’évaluer les performances des systèmes. L’évaluation de modèles est l’étude des propriétés du modèle
pour en déduire des propriétés associées au système qu’il le représente. Il existe deux types d'évaluation
pour un système, l'évaluation Qualitative et l'évaluation Quantitative [Aissani 07].

1.3.5.1 Evaluation Qualitative

L'évaluation qualitative s'intéresse à la vérification d’une manière précise des propriétés structurelles
et comportementales du système telles que:

Æ Absence de blocage du modèle.

Æ Certaines propriétés de vivacité d’atteignabilité pour des états donnés du système.
Æ Bornitude des états du modèle dont l’absence révèle à une possibilité d’explosion du nombre
de certaines entités dans le système réel.
Æ Gestion de la concurrence.
Æ Existence d'une solution.

1.3.5.2 Evaluation Quantitative

L'évaluation quantitative consiste à calculer les valeurs des critères de performances (c'est-à-dire des
indices de performances) du système tels que :

Æ Débit d’entrée et de sortie.

10
Chapitre 01 Modélisation & Simulation : une Introduction

Æ Le taux d’occupation, … .
Æ Temps de séjour d’un client dans le système.
Æ Nombre moyen de clients dans le système.
Æ Le temps moyen d’attente.
Æ Temps de réponse.

Pour calculer ces indices, on distingue deux grandes familles de méthodes d’analyse quantitative:

ƒ Les méthodes analytiques: permettent le calcul des indices de performance de façon

mathématique en résolvant des équations qui modélisent le fonctionnement du système. Leur
avantage réside dans leur faible coût d’exploitation et qu’elles fournissent rapidement des
résultats. Cependant, leur hypothèses sont très restrictives, elles nécessitent généralement de
simplifier le fonctionnement du système pour leur mise en œuvre.
ƒ La simulation: La simulation consiste à mesurer le comportement d’un modèle du système
en simulant son évolution, par exemple par une génération aléatoire d’événements répartis
dans le temps. La simulation possède un domaine d’application quasi-illimité, mais elle reste
très coûteuse (en termes de temps humain et machine). Cette technique permet donc de
simuler le fonctionnement de système existant ou non en étudiant une réalisation particulière
de celui-ci, ainsi elle conduit à réaliser des expériences sur le modèle pour un objectif donné
(études de fonctionnements transitoires, tests de différentes stratégies,…).

L'analyse qualitative utilise les langages formels tels que les Machines d’états finis, les Statecharts
et les Réseaux de Petri. L'analyse quantitative fait appel aux chaines de Markov, aux Réseaux de files
d’attente et aux Réseaux de Petri stochastique.

Figure 1.6 Analyse Qualitative et Analyse Quantitative.

11
Chapitre 01 Modélisation & Simulation : une Introduction

1.4 Simulation
La simulation est une méthode qui consiste à étudier le fonctionnement d’un système en imitant
son fonctionnement au cours du temps en manipulant un modèle. Cette méthode est basée sur la
génération d’un historique artificiel des changements d’état du système (une trajectoire d’état) et
l’observation et l’analyse de cet historique pour faire des déductions sur ses caractéristiques de
fonctionnement. La simulation est devenue incontournable et pratique permettant de modéliser aussi bien
des systèmes à concevoir que des systèmes existants déjà pour analyser et valider des choix des
solutions. Elle peut être utilisée pour:

9 Décrire et analyser la dynamique d’un système.

9 Répondre aux questions de type ″What If ? ″ (Qu'est-ce qui se passe si …) sur le système
réel.
9 Aider à la conception d’un système réel.
9 …

1.4.1 Définition (Simulation)

" La simulation est l'étude du comportement dynamique d'un système, grâce à un modèle que l'on
fait évoluer dans le temps en fonction de règles bien définies, à des fins de prédiction." [Pritsker 87].

À partir de cette définition, on peut dire que le terme de simulation pourrait être caractérisé par les
mots clés suivants :

Í Basée sur un élément fondamental qui est le modèle.

Í Le modèle est manipulé sur ordinateur, cette manipulation fournissant des solutions.

Í Les solutions trouvées sont celles du modèle et non du système modélisé.

Í Son but est de choisir parmi les solutions celle qui semble être la meilleure.

La simulation est une expérimentation indirecte (voir la Figue 1.7) car elle est portée sur le modèle
et non pas sur le système. Elle ne résout pas le problème posé en trouvant la bonne solution, mais elle
aide seulement à prendre parmi plusieurs solutions la meilleure possible.

12
Chapitre 01 Modélisation & Simulation : une Introduction

Objectifs
Système Modélisation Modèle du Système

Expérience sur le Expérience sur le

Système Modèle

Résultats du Résultats du
Système Modèle

Figure 1.7 Expérimentation Directe et Indirecte.

1.4.2 Les Langages de Simulation

La programmation d'un modèle pour la simulation peut se faire dans un langage quelconque, on
distingue :

ª les langages universels impératifs (ou procéduraux) ayant un fort pouvoir d'expression. On
trouve des modèles écrits en C, en lisp, en shell ou en PERL. La mise en œuvre peut être longue,
par contre on dispose d’une grande flexibilité.
ª les langages déclaratifs ou non procéduraux, on utilise alors un langage du même type pour
décrire l'application. Le plus connu de ces langages est PROLOG. On ne décrit pas les
algorithmes à exécuter pour produire les résultats mais les objets et les relations entre eux.
ª Utilisation des Simulateurs dédiés à un type de systèmes et un type de problème. il suffit de
paramétrer le modèle pour l'adapter au cas étudié. Cette alternative présente l’avantage de ne pas
programmer (seules des données sont à entrer), par contre il n’est pas toujours simple de trouver
le simulateur dédié adapté au système et au problème concernés.
ª les langages spécifiques (les langages de simulation) qui proposent des primitives de
modélisation particulièrement adaptées à un type de domaine. Ces primitives permettent à
l'utilisateur de développer d'un modèle de simulation réalisé au travers d'un programme. Ce type
de logiciel offre une grande flexibilité mais avec des coûts de développement parfois importants.
par exemple, dans le domaine du temps réel on peut citer les langages LUSTRE, SIGNAL ou
ESTEREL qui sont à la fois langages de spécification, prototypage et réalisation. Dans le
domaine de modélisation des ressources et fonction de transport, SIMAN est un des principaux
logiciels standards.

13
Chapitre 01 Modélisation & Simulation : une Introduction

1.4.3 Quand Simuler

La simulation est souvent caractérisée dans la littérature comme la méthode de dernier ressort. Ceci
veut dire que si on a la possibilité de résoudre le problème posé avec des méthodes analytiques, il serait
préférable de les utiliser car elles conduisent à des solutions optimales. En effet, pour un problème donné
et des objectifs fixés, on peut avoir le choix entre différentes approches pour le résoudre parmi lesquelles
il y a la simulation comme le montre la Figure 1.8.

Expérimentation avec
le système

Système
Modèle Physique
Expérimentation avec
un modèle du système
Modèle symbolique

Solution Analytique Simulation

Figure 1.8 Approches pour Etudier un Système.

Le tableau ci-dessous présente la comparaison entre la simulation et les méthodes analytiques :

Simulation Méthodes Analytiques

Résultats approximatif Résultats exacte si possible

Applique aux systèmes complexes Pas toujours

Gourmande en temps de calcul Peut couteuse en temps de calcul

Les résultats avec les formules analytiques ne sont pas toujours existants, mais s’ils existent ça sera
exact, contrairement à la simulation qui donne des résultats approximative.

1.4.4 Limites (Obstacles)

Malgré ses avantages, la simulation présente des inconvénients :

U Coûteuse en termes de temps : elle nécessite beaucoup de dépenses en temps pour la conception du
modèles de simulation, la programmation, l’expérimentation et la validation. En outre, elle
demande un certain niveau d'expertise; la qualité des résultats est liée à la qualité de la
modélisation et de la programmation.

14
Chapitre 01 Modélisation & Simulation : une Introduction

U Les résultats de simulation sont souvent complexes à interpréter : les modèles utilisés pour
étudier les systèmes à grande échelle ont tendance à être très compliqués, et l'analyse des résultats
fournis par la simulation des ces modèles peut être une tâche difficile.

U Non exhaustive : en effet, la simulation n'est pas une technique d'optimisation de performance d'un
système au sens propre. Elle peut seulement évaluer les performances d'une solution conçue et
imaginée par l'utilisateur. Cette technique est entièrement itérative qui ne propose pas de solution
finale optimale, mais qui permet seulement à l'utilisateur d'envisager des choix possibles. En tout
état de cause, c'est l'utilisateur qui devra décider de ce qui répond le mieux aux problèmes posés. la
simulation ne peut résoudre des problèmes mais seulement fournir des indications à partir
desquelles des solutions approximatives peuvent être déduites.

1.5 Résumé
Dans ce chapitre, nous avons introduit la terminologie de base que nous allons utiliser tout le long
de ce cours. Nous avons montré que la simulation est un outil de résolution de problèmes, mais elle peut
être inutile si elle n’est pas utilisée intelligemment. En effet, parce que la simulation parait facile à
utiliser, l’utilisateur est tenté de ne pas consentir l’effort de comprendre ce qu’il fait et en conséquence
elle résulte en des coûts très lourds.

15
Chapitre 02 :
Chapitre 02 Machines d’Etats Finis

2.1 Introduction
Les Machines d’états finis sont un outil de modélisation formelle basé sur la théorie des automates
[ Alur 94]. Le terme Machines d’états finis est surtout utilisé par ceux qui s’intéressent à la modélisation
de systèmes. Le terme automate est plus général. Les automates constituent des techniques de base que
l’informaticien se doit de connaître. Ils sont utilisés essentiellement dans la théorie des langages et dans la
modélisation et vérification de systèmes complexes où il existe un nombre fini de possibilités (c'est-à-dire
un nombre fini d’états).

La notion d’automates est utilisée dans différentes méthodes de conception (les diagrammes
dynamiques d’UML "Unified Modeling Language", SDL "Specification and Description Language" et
autres), avec des notations graphiques souvent différentes d’une méthode à l’autre.

La machine d’états finis est une machine séquentielle algorithmique ayant un état courant (elle est
supposée se trouver dans un état précis à un moment précis) et d’autres états par lesquels elle est déjà
passée ou par lesquels elle passera (éventuellement) dans le futur. Un état dans la machine est caractérisé
par la ou les valeurs d’une ou plusieurs variables d'état qui correspond à une situation particulière du
système. L'apparition d'un évènement (stimuli, sollicitation, …) est susceptible de faire passer la machine
d’un état à un autre. Le changement d’état s’appelle transition. De manière simplifiée, un système se
trouve dans un état initial et change d’état en fonction de l’arrivée des événements qui lui parviennent de
son environnement.

2.2 Définition
Une Machine d’états finis ou Un automate est un quadruplet , , , , ,
 = ensemble d’états.
|
| = l’état initial de l’automate ( ∈ ).
| = ensemble des états finaux de l’automate ( ⊆ ).
Où : 
| = ensemble fini des étiquettes des transitions.
|
= ensemble des transitions ( ⊆ ).


2.3 Représentation
Les machines d’états finis sont généralement représentées de manière graphique (c’est d’ailleurs
l’un des atouts des automates). Cette représentation, comme illustre la Figure 2.1, permet de visualiser
les transitions entre les états selon l’événement de simulation reçu par l’environnement :

Æ Les états sont représentés par des cercles. Le nom rattaché à chaque état est à l’intérieur du
cercle qui le représente.

16
Chapitre 02 Machines d’Etats Finis

Æ Les transitions entre les états sont représentées par des arcs dirigés reliant les cercles.

Æ Les étiquettes associées aux transitions peuvent être composées de trois types d’éléments
selon la syntaxe suivante (ces éléments ne sont ni nécessaires ni exclusifs) :

Evénement [Garde]/ Liste d’actions

1. Un événement déclencheur, une fois reçu, permet le franchissement de la

transition.

2. Une condition de Garde, une expression booléenne (exprimée généralement sur les
variables de l’automate) qui doit être vraie lorsque l’évènement arrive pour que la
transition soit déclenchée. C’est une condition nécessaire, mais pas suffisante.

3. Des actions effectuées par l’automate avant de changer d’état. Par exemple :
affectations de variables, envois d’événements, ... .

Æ On attribue généralement à la machine un état de départ lui permettant de débuter son

fonctionnement à partir d’un point fixe, et un ou plusieurs états finaux lui permettant de
terminer son fonctionnement s’il existe. L’état initial est distingué par une petite flèche, et
les états finaux sont représentés par un double cercle centrique.

Remarques :
− Si l’étiquette associée à une transition est vide, cela signifie que la transition se fait de manière
aléatoire ou de manière implicite connue par celui qui a fait la modélisation.

− Si l’étiquette ne contient pas d’événement, cela signifie que le franchissement est aléatoire et
est lié uniquement à la garde si elle existe. Pour des raisons de déterminisme, il faut éviter
d’utiliser des transitions sans événements.

Etiquette

Evnt1 [Garde]/ actions Evnt2 / actions Etat

Etat E0 E1 E2 Final
Initial

Etat

Figure 2.1 Représentation Graphique des Machines d’Etats Finis.

17
Chapitre 02 Machines d’Etats Finis

Un automate d’états finis peut aussi être représenté sous forme d’une table de transition, qui
indique pour chaque état l’état à atteindre pour chaque nouvel évènement (voir la Figure 2.2) :

Í Chaque colonne correspond à un évènement.

Í Chaque ligne correspond à un état de l’automate (l’état initial est précédé d’une flèche " ";
l’état final d’une étoile "*").

Í La valeur de la table à l’intersection de la ligne et de la colonne indique l’état à atteindre.

Transitions
evnt1 evnt 2 … evntn
Etat1
Etats

Etat2
…

Etatm

Figure 2.2 Table de Transition.

2.4 Exemple de Modélisation de Distributeur de Café

La machine de la Figure 2.3 comporte deux chargeurs de pièces pour les pièces de 10 et 20 Dinars,
et un bouton OK pour obtenir un café. Au début, le bouton OK est bloqué, les deux chargeurs de pièces
sont ouverts. Le café coute 30 Dinars. Si on a mis suffisamment de pièces (la machine accepte une seule
pièce de 10 DA et une autre de 20 DA), les chargeurs de pièces se ferment, le bouton OK est libéré, on ne
peut plus mettre de pièces, et on peut enfoncer le bouton OK. Alors, un gobelet tombe dans l'espace vide
au bas de la machine, et le café se verse dans le gobelet.

20 DA

E0 E2 Transitions
10 DA 20 DA OK
→*E0 E1 E2 -
Etats

10 DA 10 DA E1 E2 E3 -
10 DA OK/ Café ;
E2 E3 - -
E3 - - E0

E1 E3
20 DA

Figure 2.3 : Modélisation de Distributeur de Café.

18
Chapitre 02 Machines d’Etats Finis

L'automate correspondant comporte 4 états. Dans les états , , , les chargeurs de pièces sont
ouverts, le bouton OK est bloqué. Dans l'état , les chargeurs de pièces sont fermés, le bouton OK est
débloqué. Les états , , , enregistrent le crédit courant en multiples de 10 Dinars. On passe d'un
état à un autre soit en insérant une pièce dans une des deux chargeurs de pièces, soit en appuyant sur le
bouton OK. Au début, le distributeur est dans l'état . Ceci est résumé par le schéma et la table de
transition de la Figure 2.3.

2.5 Propriétés des Machine d’Etats Finis

2.5.1 Automate fini & Automate infini

Lorsque l’ensemble des états, , est fini on parle d’automate d’états finis et lorsqu’il est infini on
parle d’automate d’états infinis (ou d’automate à états tout simplement) [Arnold 92].

Par exemple, un automate qui modélise les états (valeurs) d’une variable réelle est infini (puisque le
nombre de valeurs est infini). Par contre, l’automate de la Figure 2.4 qui modélise l’état d’une lampe est
fini, si on ne s’intéresse qu’aux états Lampe Allumée et Lampe Eteinte.

Pression sur l’interrupteur / Éteindre la lampe;

Lampe Lampe
Allumée Eteinte

Pression sur l’interrupteur / Allumer la lampe;

Figure 2.4: Modélisation de l’Etat d’une Lampe, un Automate Fini.

Dans ce qui suit, nous nous intéressons aux automates d’états finis seulement.

2.5.2 Automate Déterministe

Un automate est dit déterministe si pour tout couple (état, étiquette), le choix de la transition est
unique. Il est indéterministe s’il existe au moins un état qui a deux transitions étiquetées de la même
manière mais qui mènent vers deux états différents [Arnold 92] .

L’automate de la Figure 2.4 est déterministe. Par contre, celui de la Figure 2.5 n’est pas
déterministe, car à la réception d’un message, on peut soit traiter le message soit l’ignorer.
L’indéterminisme peut être volontairement choisi pour modéliser des aspects indéterministes comme la
perte de messages dans un réseau ou la défaillance de machines dans un système de production.

19
Chapitre 02 Machines d’Etats Finis

Message Reçu Message Reçu

Attente Traiter
Message Massage

Figure 2.5: Modélisation d’Envoie de Message, un Automate Indéterministe.

2.6 Structure de Kripke

Etant donné un ensemble de propositions atomiques et un ensemble d’étiquettes, une structure
de Kripke est un système de transitions étiquetées où les états sont décorés par des ensembles des
propositions de , , , , , ,

 = ensemble d’états.
|
| = l’état initial de l’automate ( ∈ ).
| = ensemble des états finaux de l’automate ( ⊆ ).
|
Où :  = ensemble fini des étiquettes des transitions.
|
= ensemble des transitions ( ⊆ ).
|
| = une application qui associe à chaque état l’ensemble des
|
 propriétés de vérifiées dans cet état.

C’est généralement pour pouvoir prouver des propriétés sur un système que l’on rajoute le
cinquième élément l’automate, celui qui associe à tout état de , l’ensemble des propriétés élémentaires
vérifiées dans cet état. Cet élément n’est pas nécessaire pour utiliser les automates. Si toutes (ou
certaines) propriétés liées aux états sont connues à l’avance, il est préférable de les noter sur l’automate,
cela simplifiera la preuve de certaines propriétés sur l’automate.

2.7 Sémantique & Exécution

2.7.1 Chemin d’Exécution ou Trace

Un chemin d’un automate est une suite , finie ou infinie, de transitions , , de qui

s’enchaînent. On note souvent une telle chaîne sous la forme: … . La

longueur d’un chemin,  , désigne le nombre de transitions qui le composent. Chemin et trace sont des
termes interchangeables [Hopcroft 01].

Par exemple, est un chemin de l’automate de la

Figure 2.3.

20
Chapitre 02 Machines d’Etats Finis

2.7.2 Exécution

Une exécution partielle d’un automate est un chemin partant de l’état initial de cet automate. Une
exécution complète est une exécution que l’on ne peut plus prolonger (car le système a atteint un état de
blocage ou bien l’exécution est infinie) [Wolper 91].

2.7.3 Arbre d’Exécution

Un arbre d’exécution est l’ensemble des exécutions possibles décrivant la dynamique d’un
système. L’arbre d’exécution peut être infini [Wolper 91].

2.7.4 Atteignabilité

Un état est dit atteignable (ou accessible) s’il apparaît au moins une fois dans l’arbre d’exécution
de l’automate [Wolper 91].

La notion d’atteignabilité est importante, car elle est souvent utilisée pour démonter des propriétés
du système. En effet, le passage par un état (donc cet état est atteignable) peut correspondre à une
propriété particulière du système ou bien ce passage est nécessaire pour que la propriété soit vérifiée. Par
exemple, si dans un automate correspondant à la commande d’un moteur d'un véhicule, il y a un état
moteur_Eteint, démonter la propriété « Le moteur peut être éteint» revient à démontrer que l’état
moteur_Eteint est atteignable .

2.8 Raisonnement sur les Machine d’Etats Finis

Les propriétés générales attendues concernant le comportement d’un système sont souvent
regroupées en deux grandes classes :

; Propriétés de sûreté (safety): le fonctionnement d’un système ne doit pas conduire à des
situations catastrophiques ou dangereuses. Le non-blocage est un exemple de propriétés de sûreté.

; Propriétés de vivacité (liveness) : le fonctionnement de l’automate doit éventuellement conduire

à bonnes situations. Par exemple, la terminaison d’un programme est souvent considérée comme
propriété de vivacité.

les propriétés les plus élémentaires (qui sont liées aux automates) sont souvent vérifiées pour
démontrer des propriétés plus globales. Il s’agit notamment des propriétés suivantes [Arnold 92]:

* Accessibilité : un état est accessible s’il existe un chemin l’atteignant depuis l’état initial.

* Réinitialisabilité : un automate est réinitialisable s’il existe un chemin depuis chaque état vers l’état
initial.

* Manque de blocage : une situation de blocage (deadlock) indique qu’aucune transition n’est plus
possible à un instant donné.

21
Chapitre 02 Machines d’Etats Finis

* Manque de famine : la famine est une situation où l’automate boucle sur une partie, ce qui
empêche tout accès à d’autres parties de l’automate.

* Equité (fairness) : l’équité indique que si deux chemins non-déterministes sont possibles à partir
d’un état, ce n’est pas toujours le même chemin qui est emprunté.

2.9 Exercices

Exercice N° 1

Spécifier à l’aide d’une machines d’états finis le comportement d’un système de communication
téléphonique : Décrocher, Composer le numéro, Répondre à un appel, Parler, Raccrocher, ... ?

Exercice N° 2

Soit une machine d’états finis dont la relation de transition est donnée par la table suivante :

a b
→E0 E1 E4
E1 E4 E2
*E2 E3 E4
E3 E4 E2
E4 E4 E4
− Représenter cette machine sous forme de diagramme ?

Exercice N° 3

La machine d’états finis ci-dessous représente le cycle de vie d’un livre :

recevoir recevoir prêter

En En prêt
Initial Disponible
commande
rendre

constater retard
rendre

En
retard

1. Donner la table de transition de cette machine ?

2. Etant donné la séquence d’évènements (commander, recevoir, prêter, rendre, prêter), trouver
l’état atteint par cette séquence d’évènements ?
3. Dessiner l’arbre d’exécution de cette machine ?

22
Chapitre 02 Machines d’Etats Finis

Exercice N° 4

Soit la machine d’états finis suivante qui représente le fonctionnement d’un Guichet Automatique de
Banque :

Attente

Insertion carte /
demander code
Carte invalide/
Rendre carte
Code erroné/ Attente
Avaler carte Code

Code bon /
demander montant

Attente
Montant

Montant

Transaction refusée Transaction terminée

Transaction

1. Donner la table de transition de cette machine ?

2. Dessiner l’arbre d’exécution de cette machine ?

23
Chapitre 03 :
Chapitre 03 StateCharts

3.1 Introduction
Les StateCharts sont un formalisme défini au début des années 80 par David Harel [Harel 87] pour
la spécification de systèmes complexes. Ils représentent un des premiers formalismes graphiques pour
modéliser le comportement des systèmes larges (en termes d’états et de transitions) constitués d’un grand
nombre d’entités ou de composants en interaction. Ils décrivent les séquences possibles d’états et
d’actions qu’une entité peut traiter au cours de son cycle de vie en réaction à des évènements. La vision
globale du système est moins apparente sur ces diagrammes, car la liaison entre les parties du système est
assurée implicitement par le mécanisme d’envoie d’évènements.

Un StateChart est un automate d’états finis dont les états peuvent contenir un ou plusieurs
automates représentant ainsi un sous-système ou une sous-fonction du système global. Lorsque le système
entre dans un tel état, le sous-système ou la sous-fonction du système est démarré. Le mécanisme de
structuration des états dans les StateCharts limite l'explosion combinatoire des états et des transitions.
L’originalité des StateCharts provient non seulement de la description graphique des changements d’états
du système, mais aussi de la représentation graphique de la hiérarchie (plusieurs niveaux d’abstraction),
du parallélisme et de la concurrence. Il est à noter que nous présentons dans ce cours qu’un sous ensemble
de concepts et notations des StateCharts.

3.2 Définition
Les StateCharts sont une représentation graphique et formelle permettant de factoriser les
informations contenues dans un automate d’états finis. Plus précisément, il s’agit d’une extension des
automates d’états finis avec trois notions pour décrire des comportements complexes :

ª La Hiérarchie : Une des limitations du modèle de automates d’états est que la complexité des
diagrammes augmente de façon dramatique avec le nombre d’états. Les StateCharts permettent
d’imbriquer des états les uns dans les autres (super-états ou états composites qui englobent
chacun plusieurs états), ce qui rend le diagramme plus compréhensible et lisible et permet
plusieurs niveaux d’abstraction.

ª L’Orthogonalité ou Parallélisme: Le modèle des automates d’états ne dispose d’aucune

construction pour représenter la concurrence.

ª La Diffusion : Le mécanisme de communication des événements est la Diffusion (broadcast).

Lorsqu’un événement survient, l’ensemble des automates actifs d’un StateCharts perçoivent cet
événement. Ce mécanisme permet à plusieurs états orthogonaux de communiquer par des
événements. Les automates d’un StateCharts peuvent réagir à des événements provenant soit de
l’environnement soit d’autres automates du modèle.

24
Chapitre 03 StateCharts

Statechart = Automate d'Etats Finis + Hiérarchie + Parallélisme + Diffusion

3.3 Représentation
Un StateChart rassemble et organise les états et les transitions d’une entité ou d’un composant du
système pendant sa durée de vie. Bien entendu, le modèle dynamique du système comprend plusieurs
StateCharts. Tous les automates d’états finis des StateCharts d’un système s’exécutent concurremment et
peuvent donc se communiquer et changer d’état de façon indépendante. Toutes ces notions sont
représentées graphiquement ce qui offre une vue synthétique du système. La Figure 3.1 illustre les
principaux éléments qui composent un StateChart.

Etat
Initial
Etat
Etat1 Nom d’état
Evènement
Evnt2 Evnt1 [Garde]/ Actions Transition avec
déclencheur
évènement,
garde et actions
Auto-
Etat2 Etat3
Transition
Transition
Automatique

Etat 5 Etat4
Etat
Composite

Etat
Final

Figure 3.1 : Représentation Graphique des Statechart.

3.3.1 Etat

Un état est une situation stable au cours de la vie d’un système (ou d’un sous-système) qui satisfait
certaines conditions. Un système reste dans un état pendant une durée déterminée pendant laquelle il
exécute une activité ou attend un évènement. Deux états sont particuliers : l’état initial qui indique l’état
de départ de l’automate et l’état final qui marque la fin de son exécution. Un état se compose
essentiellement de 5 parties dont certaines sont optionnelles (Figure 3.2) :

25
Chapitre 03 StateCharts

Nom d’Etat Etat X

Action d’entrée entry/ opération (paramètres)
Activités do/ actions
Action de sortie exit/ opération (paramètres)

Figure 3.2 : Représentation Graphique d’un Etat.

Æ Un nom qui permet d’identifier clairement l’état.

Æ Une action d’entrée: action exécutée quand le système entre dans l’état. Elle est spécifiée
via le mot clé "entry".

Æ Une action de sortie : action exécutée quand le système sort de l’état. Elle est spécifiée via
le mot clé "exit".

Æ Des activités : ce sont des activités effectuées une fois l’action d’entrée est exécutée.
Quand les activités sont terminées, le système attend un évènement pour changer d’état. Il
est à noter que les activités ont une certaine durée, et elles peuvent être par conséquent
interrompues. le mot clé "do" est utilisé pour spécifier les activités.

Æ Des sous-états : Un sous-état est un état emboîté dans un autre état (dit état composite). un
état composite peut être hiérarchisé en plusieurs sous-états. Un état composite a une sous-
structure qui permet de masquer à un certain niveau le fonctionnement interne de l’état
lorsque celui-ci est complexe (voir dans la section 3.3.3 les détails sur la manière de
spécifier des états composites).

3.3.2 Transition

Une transition définit la réponse d'un système à l'arrivée d'un événement. Elle indique qu'un
système qui se trouve dans un état (un état source) peut transiter vers un autre état (un état cible) et
exécuter certaines Actions, si un événement déclencheur se produit. Elle indique aussi sous quelle
condition de garde le système passe de l’état source à l’état cible.

Une transition entre deux états est représentée par un trait droit fléché de l'état source vers l'état
cible et étiqueté par un triplet (Evénement [Garde]/ Liste d’actions). Une transition comporte cinq parties
qui ne sont pas toutes obligatoires (Figure 3.3):

26
Chapitre 03 StateCharts

Etat Source Etat Cible

Evènement [Garde]/ liste d’Actions
Etat 1 Etat 2

Figure 3.3: Représentation Graphique d'une Transition Entre deux Etats.

Æ Un état source de franchissement de la transition (obligatoire);

Æ Un événement déclencheur (optionnel) : la réception de cet événement déclenche la

transition si la condition de garde le permet. L'événement qui détermine le franchissement
de la transition est indiqué sous forme de texte. Il est possible d’avoir une transition sans
événement qui est franchie de manière implicite (appelée transition automatique) quand
l’état source a terminé ses activités. Le même événement peut être le déclencheur de
plusieurs transitions quittant un même état. Chaque transition avec le même événement
doit avoir une condition de garde différente. Pendant l’exécution, une seule transition peut
se déclencher. Si deux transitions sont activées en même temps par un même événement,
une seule se déclenche et le choix n’est pas prévisible (c'est-à-dire indéterministe).

Æ Une garde (optionnelle) : expression booléenne évaluée après la réception de l’événement.

Si elle est vraie, la transition est effectuée, sinon le système reste dans le même état et
l’événement est perdu. L’expression booléenne est placée entre crochets.

Æ Une action (optionnelle) : calcul exécuté par le système avant de passe à l’état cible. Il
s’agit généralement d’une opération qui peut être: envois d’événements, modification de
variables de l’automate, … . Il est à noter que les actions sont considérées comme
instantanées (c’est-`a-dire dont le temps d’exécution est négligeable) et atomique (c’est-à-
dire non interruptible)

Æ Un état cible de la transition (obligatoire).

3.3.3 Etats Composites

Un état composite est un état qui contient d'autres états à l'intérieur (sous-états). Il existe deux
mécanismes de composition des sous-états afin de former des états composites : Orthogonale ou
Séquentielle. Un état composite est décomposé en régions contenant chacune un ou plusieurs sous-états.
Quand un état composite comporte plus d’une région, il est qualifié d’état orthogonal. Un état composite
ne comportant qu’une région est qualifié d’état séquentiel. Un sous-état est un état, il peut par conséquent
être à son tour un état composite. L’utilisation d’états composites permet :

9 De structurer les automates pour les rendre plus lisibles.

9 De factoriser des transitions similaires qui partent de plusieurs états.
9 De développer une spécification par raffinements.

27
Chapitre 03 StateCharts

3.3.3.1 Etat Composite Séquentiel (Hiérarchique ou XOR)

Un état composite séquentiel est constitué de sous-états qui se suivent (voir la Figure 3.4). A partir
d’un état source externe, une transition peut cibler l’état composite ou un sous-état. Si la cible est un
sous-état, l’automate imbriqué commence au sous-état spécifié après exécution de l’action d’entrée
associée à l’état composite suivi par l’exécution de l’action d’entrée du sous-état. Si la cible est l’état
composite, la transition est équivalente à une transition ayant pour cible l’état initial de l’état composite.
L’automate imbriqué commence à l’état initial après exécution de l’action d’entrée associée à l’état
composite.

Une transition qui sort d’un état composite peut avoir pour source l’état composite ou un sous-état.
Dans les deux cas, l’action de sortie de l’état composite est exécutée avant de quitter l’état. Si la source
est un sous-état, l’action de sortie de ce sous-état est exécutée avant celle de l’état composite. Si la source
est l’état composite, si la transition ne porte pas d’évènement déclencheur explicite, elle sera
franchissable quand l’état final de l’état composite est atteint. Sinon (la transition avec un évènement
déclencheur), il est équivalente à des transitions qui s’appliquent à tout sous-état de l’état composite
source, cette transition interrompt l’activité de l’automate imbriqué (tous les sous-états deviennent
inactifs). Cette relation est transitive: la transition est franchissable depuis tout état imbriqué, quelle que
soit sa profondeur (c’est-à-dire, les différents niveaux d’imbrication) en traversant les frontières des états
composites. Un automate imbriqué peut avoir au maximum un état initial et un état final.

Sous-Etat Etat
Sous-Etat
initial Composite

Transition à
Etat 3 partir d’un
Evnt3 sous-état
Etat 4
Transition vers
un sous-état Transition à
Etat 3.1 Etat 3.3 partir de l’état
Evnt1 Evnt4 composite avec
Etat 1
évènement

Transition vers
l’état composite
Etat 5
Etat 3.2 Etat 3.4
Transition
Evnt2
Etat 2 automatique à
partir de l’état
entry/ … composite
exit/ …
Etat 6

Actions d’entrée Sous-Etat

et de sortie Final

Figure 3.4 : Représentation Graphique d’un Etat Composite Séquentiel.

28
Chapitre 03 StateCharts

La Figure 3.5 présente un modèle de la transmission automatique de vitesse en voiture. Les vitesses
sont passées dans l'ordre, et de chacune la transmission peut revenir au point mort. Le modèle de la
transmission de vitesses est composé de trois états Marche_avant, Marche_arrière et Point_mort. L’état
Marche_avant est un composite séquentiel incluant cinq états représentant les cinq rapports de vitesse. La
notion d'état initial et final devient relative au niveau d'imbrication. La transition passerPM de l’état
composite Marche_avant vers l'état Point_mort exprime que quelle que soit la vitesse enclenchée, la
transmission passe au point mort. La transition passerP de l'état Point_mort vers l’état composite
Marche_avant envoie dans l'état initial de l’état composite Marche_avant (c'est-à-dire, dans l'état
Première).

PasserMA
Point mort Marchr_arrière
PasserPM

PasserP PasserPM

Marche_Avant

Augmenter Augmenter Augmenter Augmenter

Première Deuxième Troisième Quatrième Cinquième

Diminuer Diminuer Diminuer Diminuer

Figure 3.5 : Statechart de la Boite de Vitesse.

3.3.3.2 Etat Historique

Dans certaines situations, on a besoin que l’automate imbriqué se souvienne du dernier sous-état où
il était avant de le quitter pour la dernière fois. On peut modéliser ce besoin à l’aide d’état historique. Un
état historique est un pseudo-état qui mémorise le dernier sous-état actif d'un état composite.
Graphiquement, il est représenté par un cercle contenant la lettre H. Une transition ayant pour cible l'état
historique est équivalente à une transition qui a pour cible le dernier état visité de l'état englobant. Dans le
cas où un état composite contient d’autres sous-états qui eux-mêmes sont composites, il est possible de
définir un état historique profond représenté graphiquement par un cercle contenant la lettre H*. Cet état
permet d'atteindre le dernier état visité quel que soit son niveau d'imbrication.

La Figure 3.6 montre un exemple de Statechart correspondant au fonctionnement simplifié d’un

ascenseur. L’ascenseur a trois états: Démarrage, EnMouvement et Stoppé. L’état EnMouvement est un
super-état composite de trois sous-états Pallier, Montée et Descente. Si la cabine de l’ascenseur l’est

29
Chapitre 03 StateCharts

stoppée (arrêt d’urgence, coupure d’électricité, …), lorsqu'elle est remise en route, elle repart du même
endroit mémorisé dans l’état historique.

EnMouvement

Monter
Démarrage
Montée
Arrivée

Pallier Arrivée

Descente
H
Monter

Stop Reprise

Stoppé

Figure 3.6 : Statechart Modélisant le Fonctionnement Simplifié d’un Ascenseur.

3.3.3.3 Etat Composite Orthogonal (Concurrent ou AND)

Un état composite orthogonal permet d’obtenir plusieurs automates imbriqués actifs

simultanément. Il permet donc de réaliser des tâches en parallèle. Un état orthogonal est un état
composite comportant plus d'une région. Pour séparer les régions d’un état orthogonal, une ligne
horizontale en pointillée est utilisée allant du bord gauche au bord droit. Chaque région représente un flot
d'exécution séquentiel et possède un état initial et un état final (voir la Figure 3.7).

Lorsqu’un état composite orthogonal est atteint, les exécutions de tous ces régions sont déclenchées
à partir de leurs états initiaux, et se poursuivent en parallèle. Toutes les régions doivent atteindre leur état
final pour sortir de l’état composite. Il est à note qu’un état composite orthogonal n’a pas d’état initial car
chacune de ses régions concurrents a un état initial, ni d’état final car chacune de ses régions concurrents
a un état final.

À tout instant plusieurs automates imbriqués peuvent être actifs. Dans ce cas, plusieurs états
peuvent être actifs en même temps, l’état global étant alors caractérisé par l’ensemble des états actifs.

30
Chapitre 03 StateCharts

Nom de l’état Orthogonal

Région Nom de la région 1
concurrente
Etat 1.1 Etat 1.2

Séparation entre
les régions Nom de la région 2
concurrentes
Etat 2.1 Etat 2.2
Région
concurrente

Figure 3.7: Représentation Graphique d’un Etat Composite Orthogonal.

Dans la Figure 3.8, le modèle présente l'utilisation d'un état composite orthogonal pour décrire le
fonctionnement d’un distributeur automatique de boissons. Après avoir sélectionné la boisson et validé le
montant par rapport au crédit, deux séquences d’actions sont déclenchées en parallèle : la préparation de
la boisson et le rendu de la monnaie.

Sélectionner Valider
boisson montant

Préparer boisson et le rendre monnaie

Préparer Terminer
boisson préparation

Rendre monnaie

Gobelet en
attente

Figure 3.8: Statechart d’un Distributeur Automatique de Boissons.

31
Chapitre 03 StateCharts

3.4 Sémantique et Exécution

Les StateCharts ont donnée lieu à diverses interprétations au niveau de la sémantique
opérationnelle. Nous ne donnerons ici qu'un bref aperçu de la sémantique opérationnelle des StateCharts.
Le modèle d'exécution des StateCharts est synchrone. L'état du système avant un pas est défini par la
configuration courante ‫ ܥ‬ainsi que par l'ensemble ‫ ܧ‬des événements générés au pas précédent (cet
ensemble étant initialement vide).

L'exécution d'un pas se déroule de la manière suivante :

1) Ajouter à ‫ ܧ‬d'éventuels événements de provenance externe (environnement du système).

2) Calculer l'ensemble ܶ des toutes les transitions déclenchables.

3) Extraire de ܶ un ensemble maximal non conflictuel ܶԢ. Les transitions les plus extérieures
ont la priorité, en cas de conflit à priorité égale, un tirage au sort est effectué.

4) Exécuter les actions de ܶԢ. En particulier, remplacer ‫ ܧ‬par l'ensemble des évènements
générés par les éléments de ܶ.

5) Adapter la configuration courante ‫ܥ‬.

Remarques
ª L'exécution d'un pas présenté ci-dessus ne couvre qu'une partie du formalisme de Harel. Il existe
encore d’autres types d'états et de transitions tels que les états historiques qui tiennent compte de
l'histoire, les branchements conditionnels, etc.

ª De ce point de vue, un StateChart n'est qu'une abréviation d'un automate d’états finis. La
composition hiérarchique des états permet de diminuer le nombre de transitions et la composition
parallèle permet de diminuer le nombre d'états.

ª Les StateChart est un formalisme assez lisible, simple d'emploi et d'une grande expressivité. On
peut par contre lui reprocher de se prêter moins bien que certains de ses concurrents à la
vérification formel de propriétés. Pour remédier à ce défaut, deux voies sont possibles : la
première est de redéfinir la sémantique opérationnelle de manière à la rendre plus facilement
manipulable. La seconde est de définir une traduction des statecharts vers un formalisme
possédant de bons outils de vérification formelle, tels que les réseaux de Petri, les systèmes de
transitions.

32
Chapitre 03 StateCharts

3.5 Exercices

Exercice N° 1

Donner la machine d’états finis équivalente au Statecharts de la Figure 3.5 représentant la

transmission de vitesse en voiture ?

Exercice N° 2

Reprendre l’exemple de la Figure 3.6, donner la machine d’états finis équivalente ?

Exercice N° 3

Dessiner un Statecharts résumant les états possibles d’un “contrat” tel que décrit dans l’énoncé
suivant. Un ensemble de personnes décident d’établir un contrat. Pour ce faire elles rédigent un projet par
itération successive. Le contrat est ensuite informellement accepté par les parties, et devient ce que l’on
appelle un préaccord. A ce stade il peut toujours être l’objet de modification et revenir à l’état de projet.
Une fois le préaccord définitivement établi, le contrat est signé par les parties. Dès ce moment les
partenaires sont liés. Une fois signé le contrat peut être rendu exécutoire par une décision d’une des
parties. Un contrat en exécution peut faire l’objet de discussions qui sont réglées par un arbitre désigné à
cet effet. Le contrat une fois exécuté prend fin.

Exercice N° 4

Dessiner un Statecharts résumant le fonctionnement

d’une montre digitale. La montre affiche l’heure, si on
appuie 2 fois sur le bouton 1, la montre passe en mode
"modification". Chaque pression sur le bouton 2,
incrémente l’heure d’une unité. Si on appuie encore une
fois sur le bouton 1, on peut régler les minutes de la même
façon que les heures. Si on appuie une quatrième fois sur le
bouton 1, la montre affiche à nouveau l’heure courante.

33
Chapitre 04 :
Chapitre 04 Réseaux de Petri

4.1 Introduction
Les Réseaux de Petri (RdP) ont été introduit par Carl Adam Petri en 1962 à l’université Darmstadt
dans sa thèse intitulée : "Communication avec des automates" comme un outil de modélisation graphique
et mathématique permettant la modélisation et l’analyse des systèmes dynamiques à événements discrets.
En tant qu’outil graphique, les réseaux de Petri permettent la visualisation du comportement dynamique
du système. En tant qu’outil mathématique, ils permettent l'analyse des propriétés du système. Ce
formalisme bénéficie d’une riche panoplie de techniques d’analyse et d’outils de simulation. Les résultats
de cette analyse sont utilisés pour évaluer le système et en permettre la modification ou l’amélioration
[David 92].

4.2 Définition

4.2.1 Définition Informelle

Comme l’illustre le réseau de Petri de la Figure 4.1, un réseau de Petri est un graphe biparti orienté
(ayant deux types de nœuds): des places représentées par des cercles et des transitions représentées par
des rectangles. Les arcs du graphe ne peuvent relier que des places vers des transitions, ou des transitions
vers des places. Chaque arc possède un entier positif qui représente son poids [Brams 83]. Par
convention, lorsque le poids n'est pas précisé sur un arc, alors ce poids vaut 1.

Un réseau de Petri décrit un système dynamique à événements discrets. Les places permettent la
description des états possibles du système et les transitions permettent la description des événements ou
les actions qui causent le changement de l’état. Un réseau de Petri est un graphe muni d’une sémantique
opérationnelle, c’est-à-dire qu’un comportement est associé au graphe, ce qui permet de décrire la
dynamique du système représenté. Pour cela un troisième élément est ajouté aux places et aux transitions:
les jetons.

Une répartition des jetons dans les places à un instant donné est appelée marquage du réseau de
Petri. Un marquage donne l’état du système. Le nombre de jetons contenus dans une place est un entier
positif ou nul. Pour un marquage donné, une transition est franchissable si chacune de ses places d’entrée
contient au moins un jeton. L’ensemble des transitions franchissables pour un marquage donné défini
l’ensemble des changements d’états possibles du système depuis l’état correspondant à ce marquage.
C’est un moyen de définir l’ensemble des événements auxquels ce système est réceptif dans cet état.

34
Chapitre 04 Réseaux de Petri

Nom de la
t1 t3
Transition
Transition Place

P2 P4 Nom de la
Poids 1 Place

t2

Jeton

P1 P3

Figure4.1: Exemple de Réseau de Petri Marqué.

4.2.2 Définition Formelle

Un réseau de Petri est défini par le quintuplet , , é, , ,

 = ensemble fini de places du réseau. Il contient des éléments ( ) qui vont
|
modéliser les ressources utilisées dans le système.
|
| = ensemble fini de transitions du réseau. Il contient des éléments ( ) qui vont
| modéliser les actions sur les ressources.
|
| é= une application de J appelée application d’incidence avant.
 é , est une valeur (un poids ≥ 0) associée à l’arc allant de la place
Où : |
à la transition .
|
| = une application de J appelée application d’incidence arrière.
|
, est une valeur un poids ≥ 0) associée à l’arc allant de la
|
| transition à la place .
|
= une application de J appelée application du marquage initial.
|
 est une valeur ( ≥ 0) représente le nombre initial de jetons dans la place .

4.2.3 Représentation Matricielle

La représentation matricielle d'un réseau de Petri permet de définir les matrices correspondantes
aux applications Pré et Post ainsi que le vecteur de marquage.

Soit un réseau de Petri , , é, , , avec , ,… et

, ,…, . On appelle matrice d’incidence avant (des pré-conditions) é, la matrice (
représente le nombre de places et le nombre de transitions) à coefficients dans tel que é ,
é , , qui indique le nombre de jetons que doit contenir la place pour que la transition
devienne franchissable. De la même manière, on définit la matrice d’incidence arrière (des post-
conditions) , la matrice tel que , , contient le nombre de jetons

35
Chapitre 04 Réseaux de Petri

déposées dans lors du franchissement de la transition . La matrice – é est appelée

matrice d'incidence du réseau. Le marquage d'un réseau de Petri est représenté par un vecteur de
dimension à coefficients dans . La représentation matricielle du réseau de Petri de la Figure 4.1 est
comme illustrée dans la Figure 4.2.

1 1 0 1 0 0
P= {p1, p2, p3, p4} 0 0 1 1 0 0
Pré 0 0 0 Post 0 1 1
T= {t1, t2, t3} 0 0 0 0 0 1

La matrice d'incidence avant La matrice d'incidence arrière

1
0 -1 0
0
1 0 -1 M
C 0
0 -1 0
0
0 0 1

La matrice d'incidence Le vecteur de marquage M

Figure 4.2: Matrice d’Incidence et Vecteur de Marquage du RdP de la Figure 4.1.

4.3 Sémantique & Exécution

4.3.1 Dynamique

La dynamique d'un réseau de Petri est déterminée par sa structure statique et par son état. L'état
d'un réseau de Petri se modélise à l'aide d'un marquage que l'on fait évoluer en franchissant des
transitions, ce qui correspond à exécuter les actions qui lui sont associées. Les règles suivantes permettent
de représenter l'évolution des systèmes à modéliser [Brams 83]:

I. Une transition est dite franchissable pour le marquage si pour toute place telle que
é , 0 est marquée d'au moins é , jetons, C'est-à-dire,
si∀ ∈ , ≥ é , ( ≥ é ., pour la notation matriciel). On note ceci .

II. Une transition est franchie en retirant é , jetons de chaque place telle que
é , 0 , et en ajoutant , ’ jetons à chaque place ’ telle que , ’ 0,
c'est-à-dire, si est franchissable pour , alors le franchissement de fait passer le marquage
au marquage ’ de la façon suivante :

∀ ∈ , ’ é , , .

′ ., pour la notation matriciel.

36
Chapitre 04 Réseaux de Petri

On note ceci ’, ce qui veut dire que lorsque la transition est franchie à partir d'un
marquage , il faut saisir é , jetons à partir de chaque place d'entrée à la transition et
déposer , jetons dans chaque place de sortie de la transition ce qui permet de
produire un nouveau marquage ’.

La notion de franchissement de transitions peut alors être étendue aux séquences de transitions.
Soit … une séquence de transitions. La séquence est franchissable à partir de et conduit
au marquage ’ ce qui sera note ’ si et seulement s’il existe des marquages
, ,….., ’ ∀ 0≤ ≤ 1 › .

4.3.2 Graphe de Marquages

L’idée la plus naturelle pour étudier le comportement d’un réseau de Petri est de construire le
graphe de tous ses marquages accessibles. Le graphe des marquages accessibles est un graphe dont
chaque sommet correspond à un marquage accessible et dont chaque arc correspond au franchissement
d’une transition permettant de passer d’un marquage à l’autre. On appelle l’ensemble des marquages
accessible d’un réseau de Petri à partir d’un marquage initial. La Figure 4.3 présente le graphe de
marquage du réseau de Petri à droite de la Figure. Deux situations peuvent alors se présenter :

1. Le graphe est fini. C’est la situation la plus favorable car dans ce cas toutes les propriétés
peuvent être déduites simplement par inspection de ce graphe.

2. Le graphe est infini. Dans ce cas, on construit un autre graphe appelé "graphe de couverture"
permettant de déduire certaines propriétés.

t4

P1 M2
0
t1 0
1
t2 1 t3 M4
M0 M1
1 0 0 0
P2 P3
0 1 0
t2 t3
t1
0 1 0
0 0 1
M3
0 0 0 1
t3 t2
P4 P5 1
0
t4
0
1
Graphe de marquages

Figure 4.3: Exemple de Graphe de Marquages.

37
Chapitre 04 Réseaux de Petri

4.3.3 Graphe de Couverture

Un graphe de marquage ne peut plus être construit quand le nombre de marquages accessibles est
infini. D'où le recourt au graphe dit de couverture. C’est un graphe à nombre de marquages fini.
L’algorithme de construction du graphe de couverture est comme suit :

Pas 01: A partir du marquage initial , on indique toutes les transitions validées et les
marquages accessibles successeurs correspondants. Si un des marquages est strictement
supérieur à , on met la variable pour chacune des composantes supérieures aux
composantes de . La variable matérialise le fait que la place peut contenir autant de
jetons que souhaité.

Pas 02 : Pour chaque nouveau marquage , on fait soit le pas 2.1 soit le pas 2.2 suivants :

Pas 2.1: S’il existe sur le chemin de jusqu’à (ce dernier exclut) un marquage
∀ ∈ ,
, alors n’a pas de successeurs.

Pas 2.2: s’il n’existe pas de marquage sur le chemin de à , alors on

prolonge le graphe en ajoutant tous les successeurs de . Pour chaque
successeur de :

¾ Une composante de reste une composante de .

¾ S’il existe un marquage sur le chemin de à tel que telque
∀ ∈ ,
, alors on met pour chacune des composantes supérieures aux
composantes de .

La Figure 4.4 présente un exemple de graphe de couverture.

Remarque
− Comme pour le graphe de marquages accessible, on peut déduire de l’observation du graphe de
couverture un certain nombre de propriétés pour le réseau de Petri.

38
Chapitre 04 Réseaux de Petri

P1 M2 M4
0 0
t1 1 t3 0
ω ω
t2 0 1
t2 M0 M1
P2 1 0
0 t1 1
t3 0 0
P3
0 0 M3
t3 0
0
P4
0
1

Graphe de couverture

Figure 4.4: Exemple de Graphe de Couverture.

4.3.4 Vecteur d’Occurrence et l’Equation de Changement d’Etat

Soit … une séquence de transitions ( ∈ ). est un vecteur appelé le vecteur

d’occurrences, où chaque élément représente de ce vecteur représente le nombre d’occurrence de
dans .

Par exemple, si on a un graphe contenant les transitions , , . si on prend la séquence de

transition : le vecteur d’occurrence , , 2, 1, 0 .

A partir d’un marquage , on peut tirer une séquence de transitions et on trouve le marquage ’.

L’équation de changement d’état est :

’ .

Remarque
− Les résultats de l’équation, même s’ils sont toujours calculables, n’ont de sens que si la
séquence s est effectivement franchissable. Pour le réseau de Petri de la Figure 4.3, calculer le

marquage après la séquence de franchissement : ?

39
Chapitre 04 Réseaux de Petri

4.4 Propriétés des Réseaux de Petri

4.4.1 Les Propriétés Structurelles

Les propriétés structurelles dépendent uniquement de la topologie du réseau. Il s’agit de faire

ressortir les propriétés statiques du système étudié. Ces différentes propriétés sont indépendantes du
marquage [Murata 89].

* Les conflits dans un réseau de Petri (Figure 4.4(a) et (b)): Si une place ce trouve en amont de
plusieurs transitions. On note le conflit de la place , , ,… ; Où , , . .. sont
les transitions en concurrence. On parle de conflit structurel car cela ne dépend pas du marquage.
Dans certains cas, le franchissement de l'une des transitions peut empêcher le franchissement de
l'autre (la Figure 4.4(a)). Le conflit devient conflit effectif quand il y a effectivement conflit, cela
dépend du marquage (la Figure 4.4(b)).
* RdP à choix libre (Figure 4.4(c)) : Un réseau de Petri à choix libre est un réseau dans lequel pour
tout conflit ( , , ,…, ) aucune des transitions , ,…, ne possède aucune autre
place d’entrée que .
* RdP simple (Figure 4.4(d)) : Un réseau de Petri simple est un réseau de Petri dans lequel chaque
transition ne peut être concernée que par un conflit au plus.
* RdP pur (Figure 4.4(e)): Un réseau de Petri pur est un réseau dans lequel il n’existe pas de
transition ayant une place d’entrée qui soit à la fois place de sortie de cette transition.
* Un réseau de Petri est un graphe d'état (Figure 4.4(f)) si et seulement si toute transition a
exactement une seule place d'entrée et une seule place de sortie.
* Un réseau de Petri est un graphe d'événement (Figure 4.4(g)) si et seulement si chaque place
possède exactement une seule transition d'entrée et une seule transition de sortie.

P1 P2 P1 P2 P1 P2 P1
T1 T2 T1 T2 T1 T2 T1 T2

Conflit effectif Pas de Conflit

(a) (b) (c)
T1
P1
P1 P2 P3 T1 T1
T1 T2 T3 P1 P2

T2
Non Pur
P2
(d) (e) (f) (g)

Figure 4.5: Détails des Propriétés Structurelles des RdPs.

40
Chapitre 04 Réseaux de Petri

4.4.2 Les Propriétés Comportementales

Ces propriétés dépendent à la fois du marquage initial et de la structure du réseau. Il s'agit ici de
faire ressortir les propriétés dynamiques du système étudié [Murata 89].

* Existence d’un marquage: Pour toute séquence de transitions , il existe un marquage tel que
celle-ci soit franchissable.
* Monotonie: L’augmentation de jetons dans les places d’un marquage préserve la possibilité de
franchissement d’une séquence de transitions.
* Séquence répétitive: Une séquence de transitions est dite répétitive si pour tout marquage tel
que : alors . La notion de séquence répétitive permet de définir une condition
nécessaire et suffisante pour qu’un réseau marqué ait la possibilité d’être infiniment actif.
* Caractère borné: Cette propriété définit et caractérise la possibilité pour une place d’accumuler
une quantité bornée ou pas de jetons au cours de l’évolution d’un réseau.
* Place k-bornée, non bornée: Pour un réseau réseau de Petri et un marquage , une place du
réseau marqué ( , ) est k-bornée si pour tout marquage accessible depuis , .
Dans le cas contraire la place est dite non-bornée.
* Réseau borné : Un réseau marqué est borné si toutes ses places sont bornées. Les réseaux 1-bornés
sont appelés des réseaux saufs.
* Activité d’un réseau : La notion d’activité d’un réseau recouvre deux classes de définitions. La
première concerne l’activité individuelle des transitions, la seconde concerne l’activité globale d’un
réseau (Indépendamment de transitions particulières).
* Pseudo-vivacité: Un réseau de Petri ( , ) est dit pseudo-vivant si pour tout marquage
accessible depuis le marquage initial, il existe toujours une transition qui puisse être franchie.
* Quasi-vivacité d’une transition: La quasi-vivacité d’une transition signifie que depuis le marquage
initial, cette transition peut être franchie au moins une fois. Par conséquent, une transition qui n’est
pas quasi-vivante est inutile.
* Quasi-vivacité d’un réseau: Un réseau est quasi-vivant si toutes ses transitions le sont.
* Monotonie et quasi-vivacité: La propriété de monotonie présentée plus haut, implique qu’une
transition quasi-vivante pour ( , ) le reste pour ( , ).
* Vivacité : Les deux propriétés précédentes assurent une certaine correction du système mais elles
ne permettent pas d’affirmer que, dans n’importe quel état atteint, le système dispose encore de
toutes ses fonctionnalités. Autrement dit, si toute transition peut toujours être ultérieurement
franchie à partir d’un état quelconque du système. Par exemple, dans un réseau quasi-vivant une
transition pourra être franchie une seule fois.

41
Chapitre 04 Réseaux de Petri

* Vivacité d’une transition: La vivacité d’une transition exprime le fait que quelque soit l’évolution
du réseau à partir du marquage initial, le franchissement à terme de cette transition est toujours
possible.
* Vivacité d’un réseau: Un réseau est vivant si toutes ses transitions le sont.
* État d’accueil: Un réseau de Petri possède un état d’accueil pour un marquage initial si
pour tout marquage accessible il existe une séquence telle que .
* RdP réversible: Un réseau de Petri est réversible pour un marquage initial si est un état
d’accueil.
* Absence de blocage: Cette propriété est plus faible que celle de vivacité. Elle implique seulement
que le réseau a toujours la possibilité d’évoluer.
* Marquage puit: Un marquage puit est un marquage à partir duquel aucune transition n’est tirable.
Un réseau marqué est sans blocage si aucun de ses marquages accessibles n’est un marquage puit.

4.5 Modélisation des Systèmes

Les réseaux de Petri permettent de modéliser un certain nombre de comportements importants dans
les systèmes complexes tels que le parallélisme, la synchronisation, le partage de ressources, la
mémorisation et la lecture d’information, la limitation d’une capacité de stockage, etc [Vidal 92].

4.5.1 Parallélisme

Le parallélisme représente la possibilité que plusieurs processus évoluent simultanément au sein du

même système. On peut provoquer le départ simultané de l’évolution de deux processus à l’aide d’une
transition ayant plusieurs places de sortie.

P1

T1

P3 P2
Processus 1 Processus 2

Figure 4.6: Structure du Parallélisme.

Le franchissement de la transition met un jeton dans la place (ce qui marque le

déclenchement du processus 1) et un jeton dans la place (ce qui marque le déclenchement du processus
2).

42
Chapitre 04 Réseaux de Petri

4.5.2 Synchronisation

La synchronisation est modélisée sous deux formes :

¾ Synchronisation mutuelle (Par rendez vous) : La synchronisation mutuelle ou par rendez-

vous permet de synchroniser les opérations de deux processus. La Figure 4.7 montre un
exemple de deux processus. Le franchissement de la transition ne peut se faire que si la
place du processus1 et la place du processus 2 contiennent chacune au moins un jeton.
Si ce n’est pas le cas, par exemple la place ne contient pas de jetons, le processus 2 est
bloqué sur la place ; il attend que l’évolution du processus 1 soit telle qu’au moins un jeton
apparaisse dans la place .

P12 P6

T7

P13 P7

Processus 1 Processus 2

Figure 4.7: Synchronisation Mutuelle

¾ Synchronisation par signal (sémaphore): Dans la synchronisation par signal, les opérations du
processus 2 ne peuvent se poursuivre que si le processus 1 a atteint un certain niveau dans la suite
de ses opérations. Par contre, L’avancement des opérations du processus 1 ne dépend pas de
l’avancement des opérations du processus 2.

T1
Attente

Signal

P3 T2

Processus 1 Processus 2

Figure 4.8: Synchronisation par Sémaphore

43
Chapitre 04 Réseaux de Petri

Si la place Signal est marquée et la place Attente ne l’est pas, cela signifie que le processus 1 a
envoyé le signal mais le processus 2 ne l’a pas encore reçu. Si, par contre, la place Signal n’est
pas marquée et que la place Attente est marquée, cela signifie que le processus 2 est en attente du
signal.

4.5.3 Partage de ressources

Cette structure va modéliser le fait qu’au sein du même système plusieurs processus partagent une
même ressource en utilisant le principe de l’exclusion mutuelle. Dans la Figure 4.9, Le jeton dans la
place présente une ressource mise en commun entre le processus 1 et le processus 2. Le franchissement
de la transition lors de l’évolution du processus 1 entraîne la consommation du jeton présenté dans la
place . La ressource que constitue ce jeton n’est alors plus disponible pour l´évolution du processus 2.
Lorsque la transition est franchie, un jeton est alors est placé dans la place : la ressource devient
alors disponible pour l’évolution des deux processus.

P12 P2

T1 T7

P13 P0 P3

T18 T8

Processus 1 Processus 2

Figure 4.9: Synchronisation par Partage de Ressources

4.5.4 Mémorisation

Dans tous les modèles, on peut compter le nombre de tirs d’une transition en utilisant une place
sans sortie. Dans La Figure 4.10 les places Attente et Compteur peuvent servir à indiquer combien
d’instances d’un processus sont en attente.

44
Chapitre 04 Réseaux de Petri

P1 Attente P1

T1 T1

P2 Compteur P2

Figure 4.10: Synchronisation par Mémorisation

4.6 Exercices

Exercice N° 1

Dessiner les graphes des marquages accessibles pour les réseaux de Petri suivants ?

P1 P1
t1
t1 t2
P2
P4
t3 P3
P3 P2 t2 t3

P5 P6

t4 t5

Exercice N° 2

Trouver les graphes de couvertures pour les Réseaux de Petri suivants ?

P1

t1 t2 P1

T1 T3
P3 P2 t3

P2 P2

T2

45
Chapitre 04 Réseaux de Petri

Exercice N° 3

On considère un système producteur/consommateur dans lequel le tampon contient au maximum 4

produits. Le réseau de Petri correspondant sera le suivant :

Producteur Consommateur

t1 t2

Tampon occupé

Tampon libre

1. Donner les matrices é et pour ce réseau de Petri ?

2. Donner le graphe de marquages accessibles pour le marquage initial 1, 1, 0, 4 ?
3. Calculer le marquage résultat de la séquence

sachant que le marquage initial est 1, 1, 2, 4 ? est-t-il effectivement franchissable ?

Exercice N° 4

1. Dessiner le graphe de marquages accessibles pour le réseau de Petri ci-dessous ?

2. En déduire si ce réseau de Petri est borné, vivant, répétitif et sans blocage ? (justifier)
3. Donner les invariants de marquages ?

46
Chapitre 05 :
Chapitre 05 Chaînes de Markov

5.1 Introduction
Les systèmes que nous considérons dans ce chapitre sont des systèmes dynamiques faisant
intervenir de l’aléatoire dans leurs évolutions au cours du temps. Les Chaînes de Markov sont un outil
permettant de modéliser les processus dans lesquels une réalisation dépend de la réalisation précédente.

5.2 Rappels de Probabilités

On fait appel aux probabilités afin de modéliser une expérience (ou un système) sans disposer de
l’information nécessaire pour la décrire exactement. Par exemple, on jette un dé et on lit le numéro apparu
sur la face supérieure. Pour prédire si le résultat sera 1, 2, 3, 4, 5 ou 6, il faut disposer d’une modélisation
complète et parfaite du dé, de l’état de l’air, du numéro sur face supérieure au moment du jet de dé, de la
vitesse à laquelle il est lancé, etc. Il est à note que dans ces expériences, le résultat est impossible à
prévoir avec certitude, mais on connait l’ensemble des résultats possibles [Boccara 95].

5.2.1 Evénement
On considère un ensemble qui représente l’ensemble des issues possibles d’une expérience. Dans
l’exemple du jet d’un dé, l’ensemble des issues possible est 1, 2, 3, 4, 5, 6 . C’est un ensemble
discret. Si, au contraire, l’expérience consiste à mesurer le temps jusqu’à ce que quelqu’un entre dans un
bureau de Poste, l’ensemble est continu : ∈  0 .
Un évènement est un sous-ensemble de l’ensemble des issues possibles pour l’expérience. Si le
résultat de l’expérience appartient à , on dit que l’évènement s’est réalisé. Par exemple, on peut
s’intéresser à l’évènement 2, 4, 6 ⊂ que le jet d’un dé donne un nombre pair.

Remarques
Í Les évènements composés d’un seul élément de sont appelés événements élémentaires.

Í L’ensemble tout entier est l’évènement certain.

Í Le sous ensemble φ de est appelé l’évènement impossible.

Í Etant donnés deux évènements :

− Si le résultat de l’expérience appartient à ∪ , on dira que l’évènement ou l’évènement

s’est produit.

− Si le résultat de l’expérience appartient à ∩ , on dira que les deux évènements et se

sont produits.

− Si ∩ φ , les deux évènements ne peuvent se produire simultanément : ils sont dits

mutuellement exclusifs.

47
Chapitre 05 Chaînes de Markov

− Si le résultat de l’expérience n’appartient pas à , c’est qu’il appartient à son complémentaire

A e ∈ S  e ∉ A dans .

Í Un ensemble d’évènements 1, 2, … forment une partition de s’ils sont mutuellement

exclusifs ( ∩ φ ) et couvent l’ensemble des issues possibles de l’expérience
(∪ ).

5.2.2 Probabilité d’un Evènement

La probabilité de l’évènement est la fréquence relative à laquelle se produit cet évènement

au cours d’une expérience répété un nombre infini de fois :
/

Quelques Propriétés

Í 0≤ ≤1
Í 1
Í φ 0
Í ∪ ∩
Í ∪ ∩ φ
Í 1
Í ≤ ⊂

5.2.3 Probabilité Conditionnelle

L’occurrence d’un évènement peut dépendre du fait que l’évènement s’est produit. La
probabilité de l’évènement sachant que s’est produit est donnée par :
∩
/

On a donc :
∩ / .

Exemple

Soit trois cartes, la première carte a ses deux faces rouges (RR). La deuxième carte a ses deux faces
bleu (BB). Finalement, la troisième carte a une face rouge et l’autre bleu (RB).
On tire une carte et on ne regarde que la face dessus, elle est rouge. Quelle est la probabilité que
l’autre face soit bleu ?

Réponse: / ⅓

48
Chapitre 05 Chaînes de Markov

5.2.4 Indépendance

Deux évènements et sont dits indépendants si et seulement si ∩ . . Dans

ce cas, on a :
∩
/

C'est-à-dire, Savoir que s’est produit n’apporte aucune information sur la probabilité que se
produit.

5.2.5 Variable Aléatoires

Si on lance 10 fois une pièce de monnaie à pile ou face. L’ensemble des issues possible est :
, ,…, ,  2

Généralement, on s’intéresse au nombre de fois où la pièce est tombée sur face que la séquence de piles et
de faces obtenue. Par exemple, si on obtient le résultat , ce qui nous intéresse c’est que la
pièce est tombée 4 fois sur face.
De manière générale, on est intéressé par une mesure (c’est-à-dire un nombre) associé à
l’expérience que par le résultat proprement dit. Cette mesure est appelée variable aléatoire [Feller 60].
Une variable aléatoire est une fonction :
:

qui associée à chaque issue possible un élément de (espace d’état).

L’image d’une variable aléatoire est l’ensemble :
∈ ∃ ∈ ,
L’image d’une variable aléatoire est donc l’ensemble des valeurs qu’elle peut prendre. Si cet
ensemble est fini ou dénombrable, on dit que cette variable aléatoire est discrète. Sinon, elle est continue.
Par exemple, on peut définir l’évènement ∈  .

Exemple

On lance une pièce de monnaie trois fois. L’ensemble des issues possibles associées à cette
expérience est :
, , , , , , , ,  8
Si on suppose la pièce équilibrées, on peut considérer que ces huit issues sont équiprobables. Notions le
nombre de cotés face obtenus. est une variable aléatoire qui prend les valeurs : 0, 1, 2 ou 3.
0, 1, 2, 3 . On note, par exemple, 2 l’évènement "le coté face est sorti exactement deux":
2 ∈  2 . La Figure 5.1 illustre la fonction de la variable aléatoire avec
l’évènement 2 .

49
Chapitre 05 Chaînes de Markov

Variable aléatoire X

S E

ppp
ppf
0 x1
pfp
pff 1 x2

fpp
Evènement 2 x3
[X = 2] fpf
ffp 3 x4

fff

Figure 5.1: Variable Aléatoire .

Remarques
− On n’a pas besoin de probabilité pour définir une variable aléatoire.

− A chaque valeur de on associe les probabilités de l’évènement , on obtient ce

qu’on appelle une loi de probabilité ou une distribution de probabilité de la variable aléatoire .

Pour illustrer, sur l’exemple précédant à la valeur 2, on peut associer la probabilité 1/8
puisque on a 3 chances sur 8 d’obtenir exactement deux fois le coté face.

5.3 Processus Stochastique

Un processus stochastique ou aléatoire est une séquence de variables aléatoires fondées sur
le même ensemble des issues , et indexées par le temps . Pour fixé, est simplement une variable
aléatoire prenant ses valeurs dans un certain espace d’états suivant une distribution qui peut dépendre de
. le temps peut être continu ou discret (c'est-à-dire 1, 2, … ). De même, l’ensemble des états
possibles pour le processus peut être continu ou discret (c'est-à-dire 1, 2, … ) [Karlin 68].
Si on tire aléatoirement une valeur de pour chaque valeur de , la séquence de valeur obtenues
est appelée une trajectoire du système. Il représente une succession d’états que le système peut prendre au
cours du temps.
Les différentes variables aléatoires ne sont en général pas indépendantes les unes des autres. Ce qui
fait réellement l’intérêt des processus stochastiques est la dépendance entre les variables aléatoires.
Pour spécifier entièrement un processus stochastique, il suffit de spécifier :
1. la loi de probabilité de la première variable aléatoire , qui spécifie donc l’état du processus lors
de la première observation.
2. pour toute valeur de 1 la probabilité conditionnelle : | ,..., .

50
Chapitre 05 Chaînes de Markov

En d’autres termes, un processus stochastique représente une évolution dans le temps d’une
variable aléatoire.
On peut s’intéresser au comportement transitoire du processus, c'est-à-dire à l’évolution des
fonctions de distribution de probabilité de la variable aléatoire au cours du temps . généralement, on
s’intéresse plutôt au comportement stationnaire (c'est-à-dire à l’équilibre) qui est obtenu si la distribution
de probabilité converge vers une distribution de probabilité unique indépendante du temps quand
∞. Il est noter que le régime permanent peut n’exister que sous certains condition et il faut
soigneusement établir ces conditions quand on étudie un processus stochastique [Guikhman 80].

5.4 Processus Markovien

Soit un processus stochastique . Considérons des instants dans le temps .
On suppose connaître l’état du processus à l’instant , 1, 2, … , . l’état est l’état courant et on
s’intéresse à son état future à l’instant . Le processus a la propriété Markovienne si :

 ,..., 

et ce quelque soit et les instants considérés [Bouleau 88].

Autrement dit, cette équation signifie que le processus est Markovien si son état dans le future ne
dépend que de l’état présent et pas des ses états passés. L’état courant du processus contient toute
l’information permettant de caractériser son évolution.

Un processus Markovien à espace d’état discret est appelée une chaine de Markov.

Processus Stochastique

Non Markovien Markovien

Espace d’états discret Espace d’états continu

Figure 5.2 Table de Transition.

On s’intéresse dans la suite de ce chapitre particulièrement aux chaines de Markov à temps discret.

5.5 Chaine de Markov à temps discret

Les Chaînes de Markov sont un outil fondamental pour modéliser les systèmes dynamique qui
évoluent dans le temps. Ces systèmes admettent un certain nombre d'états différents. L'état change au

51
Chapitre 05 Chaînes de Markov

cours du temps discret. A chaque changement, le nouvel état est choisi avec une distribution de
probabilité fixée au préalable, et ne dépendant que de l'état présent.

5.5.1 Exemple introductif

Une souris se déplace dans le labyrinthe de la Figure 5.3 qui comporte 5 cases numérotées de 1 à 5.
Initialement, elle se trouve dans la case N°1. A chaque minute, elle change de case en choisissant l'une
des cases adjacentes de manière équiprobable. Dès qu'elle atteint soit la nourriture (la case N°4), soit sa
tanière (la case N°5), elle y reste [Berglund 14].

Figure 5.3 : La Souris dans le Labyrinthe.

On se pose alors les questions suivantes :

1. Avec quelle probabilité la souris atteint-elle la nourriture plutôt que sa tanière?
2. Au bout de combien de temps atteint-elle sa tanière ou la nourriture?
On peut essayer de répondre à ces questions en construisant un arbre décrivant les chemins
possibles (voir la Figure 5.4).

Case N°1 (prob = 1) Case N°1 (prob = 0) Case N°1 (prob =(1/3*1/2)+(1/3*1/2) = 1/3)
1/3
1/3 1/2
Case N°2 (prob=0) Case N°2 (prob =1/3) 1/2 Case N°2 (prob =0)
1/3 1/2
Case N°3 (prob = 0) Case N°3 (prob = 1/3) 1/2 Case N°3 (prob = 0)

Case N°4 (prob = 0) Case N°4 (prob = 0) Case N°4 (prob= (1/3*1/2) +(1/3*1/2 ) = 1/3)

Case N°5 (prob = 0) Case N°5 (prob = 1/3) Case N°5 (prob = 1/3)

t =0 min t = 1 min t = 2 min Temps

Figure 5.4 : L’Arbre de Probabilité de tous les Chemins Possibles.

Par exemple, il est clair que la souris se retrouve dans sa tanière au bout d'une minute avec
probabilité 1/3. Sinon, elle passe soit dans la case 2, soit dans la case 3, et depuis chacune de ces cases
elle a une chance sur deux de trouver la nourriture. Il y a donc une probabilité de 2/6 que la souris trouve
la nourriture au bout de deux minutes. Dans les autres cas, elle se retrouve dans la case de départ, ce qui
permet d'établir une formule de récurrence pour les probabilités cherchées.

52
Chapitre 05 Chaînes de Markov

Cette manière de faire est très compliquée, et devient rapidement impossible à mettre en œuvre
quand la taille du labyrinthe augmente. Dans la suite, on va développer l’outil de Chaîne de Markov qui
permet de résoudre ces types de problèmes.

5.5.2 Définition

Une Chaîne de Markov à temps discret un processus Markovien , ,… à temps discret

( ∈ ) dont l’espace d’états est discret ( ∈ 0, 1, 2, … ) [Norris 97].

Remarque
− Le nombre d’états peut être fini.

5.5.3 Probabilités de Transition

Une Chaîne de Markov peut être caractérisée par ses probabilités de transition en une seule étape.

est la probabilité de passer de à en un pas de temps [Berglund 14]. On note que ces
probabilités ne dépendent pas de l’instant considéré. On dit dans ce cas que la Chaîne de Markov est
homogène dans le temps.

5.5.4 Représentation

Une Chaîne de Markov à temps discret peut être représentée de deux façons :

5.5.4.1 Un Graphe Orienté

Les nœuds du graphe représentent les états que peut prendre le processus, et les arcs représentent
les transitions entre états. Les poids des arcs correspondent aux probabilités de réaliser ces transitions. La
Figure 5.5 présente le graphe de transition d’une Chaîne de Markov de l’exemple de la section 5.5.1.

1/ 2 1

Etat 3 4

Transition
1/ 2
Probabilité 1/ 2 1/3
de Transition 1/3

1 2
1/ 2
1/3

5
1

Figure 5.5: Graphe de Transition d’une Chaîne de Markov de l’Exemple Introductif.

53
Chapitre 05 Chaînes de Markov

Remarque
− La somme des poids des arcs sortant d’un nœud vaut 1.

5.5.4.2 Une Matrice des Probabilités de Transition

On appelle matrice des probabilités de transition la matrice carrée d’ordre (où est le
nombre d’éléments de l’espace d’états ),

p 00 p 01 … p 0n
p 10 p 11 … p 1n
P=

…
p n0 p n1 … p nn

Les éléments de la matrice correspondent aux probabilités de transition entre états. La ligne de
cette matrice donne la probabilité de passer de l’état vers tout autre état (y compris l’état lui-même)
en un pas de temps. La somme des éléments d’une ligne est égale à 1 (∑ 1). On parle alors de
matrice stochastique.

Reprenons l’exemple de section 5.5.1, la matrice est donnée par :

1 2 3 4 5

1 0 1/3 1/3 0 1/3

2 1/2 0 0 1/2 0

3 1/2 0 0 1/2 0

4 0 0 0 1 0

5 0 0 0 0 1

Si le processus passe de l’état à l’état en deux étapes, c’est qu’il est passé par un état (qui peut

être ou ). On a donc la probabilité de passer de l’état à l’état en deux étapes :

Il claire que est l’élément , de la matrice . On peut ainsi établir que les

probabilités de transitions en étapes s’obtiennent avec , c'est-à-dire en mettant la matrice à la

puissance . Puisque on a , il vient :

, 0

54
Chapitre 05 Chaînes de Markov

Cette équation est connue sous le nom d’équation de Chapman-Kolmogrov [Norris 97]. Elle
exprime que pour passer de à en étapes, il faut passer par un état à l’étape .

5.5.5 Probabilités d’Etats

On note la probabilité que la Chaîne de Markov soit dans l’état à l’instant. Pour

manipuler ces probabilités d’états, on utilise le vecteur , ,… dont la somme des termes
vaut 1. Chaque Chaîne de Markov a un état initial. L’état initial d’une Chaîne de Markov est défini par le

vecteur de probabilités : π π ,π , … appelé la distribution de l’état initial.

Puisque la matrice donne les probabilités de transition en une étape, on a :

On peut déduire récursivement que :

5.6 Classification des Etats

Il est évident que les probabilités de transition associées aux états jouent un rôle important dans
l'étude des Chaînes de Markov. Pour décrire les propriétés des Chaînes de Markov, il est nécessaire de
présenter quelques concepts et définitions concernant ces états. Les états se classifient en fonction de la
possibilité que le processus les atteindre les uns à partir des autres [Norris 97].

État Accessible depuis un autre état

Soient et deux états de . On dit que est accessible depuis si et seulement si il existe un entier
∈ et une suite d’états , ,..., tels que … 0.
En d’autres termes, est accessible depuis si il existe un chemin dans le graphe de transition,
partant de et arrivant en . Ceci se traduit également en termes des probabilités de transition en pas et
des probabilités de premier passage.
De façon générale, l’état est accessible depuis si et seulement si il existe tel que , 0.

États Communiquent

On dit que deux états et communiquent si l’état est accessible de l’état et l’état est
accessible de l’état . La relation de communication est transitive, si l’état communique avec l’état et
l’état communique avec l’état , alors l’état communique avec l’état .

Classe des états Communiquent

Les états peuvent être partitionnés en un ou plusieurs classes ou sous-ensemble d’états

communiquent entre eux. Ces classes sont appelées les classes irréductibles.

55
Chapitre 05 Chaînes de Markov

Chaîne de Markov Irréductible

Si tous les états de communiquent entre eux, tout entier est la seule classe irréductible. On dit
alors que la haîne est irréductible.

État Absorbant

Un état est dit absorbant si le processus ne peut pas sortir de cet état. Autrement, l’état est
absorbant si et seulement si 1.

État transitoire

On dit que est un état transitoire si après y avoir accéder, le processus peut ne plus y revenir.
Autrement dit, un état est transitoire si et seulement si il existe un état accessible de l’état et
n’est pas accessible de l’état . Par conséquent, un état transitoire est un état dans lequel on ne passe
qu’un nombre fini de fois.

État récurent

On dit que est un état récurrent si après y avoir accédé, le processus y reviendra. Autrement dit,
un état est récurrent si et seulement s’il n’est pas transitoire.

Remarque
− Tous les états d’une chaine de Markov irréductible sont récurent.

Période d’un état

On dit que l’état est de période si égale au plus grand commun diviseur (P.G.C.D) de tous
les pour lesquels 0.

1, 0

Si 1, on dit que est périodique de période .

Apériodique

L’état est apériodique lorsque 1.

Ergodique

Un état récurrent et apériodique est dit ergodique. Une Chaîne de Markov est dite ergodique si tous
ses états sont ergodiques.

Toutes ces définitions sont illustrées sur la Figure 5.6.

56
Chapitre 05 Chaînes de Markov

1
3 4

0 1 2 Périodique

Absorbant 6
Transitoires

7 8

Ergodique

Figure 5.6: Classification des Etats d’une Chaîne de Markov.

5.7 Sémantique & Exécution

5.7.1 Régime Transitoire

L’analyse d’une chaine de Markov au régime transitoire consiste à déterminer le vecteur des
probabilités d’états π à l’instant n. Il est à noter que l’évolution de distribution π dépend de la
distribution initiale. Rappelons que :

Dans l’exemple de la section 4.2.1, La matrice de transition à 2 pas est donnée par :

1 2 3 4 5

1 1/3 0 0 1/3 1/3

2 0 1/6 1/6 1/2 1/6

3 0 1/6 1/6 1/2 1/2

4 0 0 0 1 0

5 0 0 0 0 1

Partant de l’état à l’instant initial, les probabilités de transition en 2 étapes à partir de cet état est
donnée par la ligne de . Ainsi, si à l’instant initial la chaine de Markov est dans l’état 1 de façon
certaine ( 1, 0, 0, 0, 0 ), alors on sait que la distribution de probabilités des états à l’instant 2 est
donnée par :

, 0, 0, , .

57
Chapitre 05 Chaînes de Markov

La matrice de transition à 3 pas est donnée par :

1 2 3 4 5

1 0 1/9 1/9 1/3 4/9

2 1/6 0 0 2/3 1/6

3 1/6 0 0 2/3 1/6

4 0 0 0 1 0

5 0 0 0 0 1

La distribution de probabilités des états à l’instant 3 est donnée par :

0, , , , .

Si on continue le calcule jusqu'à l’ordre 8 (8 transitions), on a

1 2 3 4 5

1 1/81 0 0 40/81 40/81

2 0 13/1296 13/576 85/108 85/324

3 0 13/1296 13/576 85/108 85/324

4 0 0 0 1 0

5 0 0 0 0 1

La distribution de probabilités des états à l’instant 8 est donnée par :

, 0, 0, ,

5.7.2 Régime Stationnaire

Après un grand nombre de transitions ( ∞), la probabilité que la Chaîne de Markov soit dans
un état donné est constante et ne dépend pas de l’état initial. On dit que la Chaîne de Markov atteint le
régime stationnaire ou un état d’équilibre. La distribution des états dans ce régime est la loi stationnaire
ou loi limite. On note cette loi par tel que :

, et les probabilités d’états sont constantes d’une transition à l’autre, donc :

Il est noter que le régime stationnaire n’est pas atteint par tous les systèmes, il y a des systèmes qui
n’atteindront jamais l’état stationnaire. Dans ce cas, soit y a un problème quelque part dans le système,
soit le système en question dépend d’autre facteurs qui changent a chaque fois.

58
Chapitre 05 Chaînes de Markov

Théorème de Kolmogrov

Pour une Chaîne de Markov irréductible et (apériodique) ergodique, la distribution stationnaire

existe et est indépendante de l’état initial. La distribution stationnaire peut être calculée en résolvant le
système d’équations suivant [Norris 97] :


|

1
|

Remarque
− Si au moins une des puissances de la matrice P de la chaîne de Markov n’a que des termes
strictement positifs, alors la les conditions du théorème de Kolmogrov sont les mêmes.

Il est clair que la Chaîne de Markov de l’exemple de la section 4.2.1 ne vérifie pas les conditions
du théorème de Kolmogrov. La Chaîne de Markov n’est pas irréductible, les états 4 et 5 sont
Absorbants.

Exemple

Considérons une Chaîne Markov définie par la matrice de transition et le graphe de transition de
la Figure 5.7 :

1/ 2

0
0 1 2
0 1/2 0 1/2
1/ 2 1/ 4
1 1/4 1/2 1/4 1/ 3
2 1/3 1/3 1/3 1/3

1/ 3 2 1 1/ 2

1/4

Figure 5.7 : Graphe de Transition d’une Chaîne de Markov.

Tous les états communiquent, donc la Chaîne est irréductible. Tous les états sont de manière
évidente de période 1 , donc la chaine est apériodique. D’après le théorème de Kolmogrov, on peut dire
qu’il existe une distribution stationnaire . est l’unique solution du système :


|

1
|


59
Chapitre 05 Chaînes de Markov

 
0 …... 1
| |
| |
| 0 | 0 0 …... 2
 
| | 0 …... 3
| |
| |
1 1 …... 4
 
On a :

3 1 0 …... 5

On remplace 5 dans 3 , on obtient:

0 …... 6

On remplace 5 et 6 dans 4 , on obtient:

1 1

On a donc :

La distribution stationnaire =[ , , ].

5.8 Chaîne de Markov Absorbante

Une Chaîne de Markov est dite absorbante s’il existe au moins un état absorbant et s’il on peut
passer de n’importe quel état à un état absorbant.

, absorbant, est accessible depuis

Lorsqu’on a affaire à une Chaîne de Markov absorbante, on est généralement intéressé par les deux
questions suivantes :

Î Combien de temps faudra-t-il pour que le processus soit absorbé, étant donné son état initial ? On
appelle le temps moyen jusqu’à l’absorption en partant de .

Î S’il existe plusieurs états absorbants, quelle est la probabilité pour un processus d’être absorbé
par un état donné. On appelle la probabilité que le processus soit absorbé dans si son état
initial est .

60
Chapitre 05 Chaînes de Markov

Théorème 1
Les quantités sont solution du système d’équations:

où est un état non absorbant et l’ensemble de tous les états non absorbants.

Théorème 2
Soit un état absorbant et l’ensemble de tous les états non absorbants. Alors les probabilités
sont solution du système d’équations :

Exemple

Une certaine pièce d’équipement électrique peut se trouver dans 3 états :

1: bonne, 2 : condition marginale, 3 : défaillante.

A la fin de chaque jour de service, l’état de la pièce est enregistré. La matrice de transition obtenue est :

1 2 3
1 0.7 0.2 0.1

2 0.5 0.3 0.2

3 0 0 1

Calculer la durée de vie moyenne d’une pièce se trouvant initialement en bonne condition ?

Réponse
La durée de vie moyenne d’une pièce est quantité de la solution du système :

 
1 0.7 0.2 0.3 0.2 1 …... 1
| |
 
| 1 0.5 0.3 | 0.5 0.7 1 …... 2
 

On a :

équation 1 0.7 équation 2 0.2 .

On obtient 0.11 0.9

On a donc la durée de vie moyenne d’une pièce . Jours.

61
Chapitre 05 Chaînes de Markov

5.9 Exercices
Exercice N° 1 (fiabilité de deux éléments en parallèle)
Soit un dispositif technique comprenant deux éléments montés en parallèle et fonctionnant
indépendamment l’un de l’autre. Chaque élément a une fiabilité égale à au cours d’une journée (c'est-à-
dire. qu’il a une probabilité de 1 de tomber en panne). Il n’y a pas de possibilité de réparation. Si
è
est le nombre d’éléments en panne au début de la journée.

1. Décrire la Chaîne de Markov correspondante, sa matrice et son graphe de transition.

2. Calculer la probabilité en fonction de ? 0,9.
3. Modifier la Chaîne précédente en stipulant qu’une machine en panne sera réparée au cours de la
journée suivante ?

Exercice N° 2
Soit la Chaîne de Markov définie par son graphe de transition :

1. Dans le graphe de transition de la Chaîne de Markov, une des probabilités a été remplacée par .
Quelle est la valeur de ?
2. Donner la matrice de transition de cette Chaîne de Markov ?
3. Si l’état initial est 1, 0, 0 , donner les probabilités de présence dans chaque état au pas
1 et au pas 2 ?
4. Si elle existe, calculer la distribution stationnaire de cette Chaîne de Markov ?
5. Calculer le nombre de pas moyen pour aller pour la première fois dans l’état 3 ?

Exercice N° 3
Les météorologistes d’un pays ont établi un tableau qui donne la probabilité du temps du lendemain
en fonction de la météo du jour.

météo du
lendemain beau couvert pluie orageux
météo du jour
beau 0.7 0.2 0.0 0.1
couvert 0.2 0.4 0.0
pluie 0.6 0.0 0.4
orageux 0.6 0.0 0.3

62
Chapitre 05 Chaînes de Markov

1. Quelques valeurs manquent. Compléter ce tableau ?

2. Si on suppose que ce tableau reflète ce qui se passe vraiment, expliquer pourquoi on peut modéliser
la météo par une Chaîne de Markov à temps discret ?
3. Faire un schéma de cette Chaîne de Markov ?
4. Si elle existe, calculer la distribution stationnaire de cette Chaîne de Markov ?
5. Sur 365 jours, donner le nombre moyen de jours de beau temps, de jours de temps couvert, de jour
de pluie et de jours orageux ?
6. Combien de jours en moyenne pour avoir une journée orageuse la première fois, sachant qu’il fait
beau initialement?

Exercice N° 4
Un fumeur décide d’arrêter de fumer. Le premier jour suivant cette décision (jour 0), il ne fume
pas. On suppose que la probabilité qu’il fume le jour 1 s’il n’a pas fumé le jour est , et que la
probabilité qu’il ne fume pas le jour 1 s’il a fumé le jour est , Avec : 0 , 1.

1. Expliquer pourquoi on peut modéliser le système par une Chaîne de Markov à temps discret ?
2. Commenter la modélisation de ce problème par une Chaîne de Markov; donner son graphe et sa
matrice de transition ?
3. Calculer la probabilité qu’il ne fume pas les jours 3 et 4 ?
4. Si elle existe, calculer la distribution stationnaire de cette Chaîne de Markov ?

63
 Bibliographie

Bibliographie
[AFCET 77] Association française de cybernétique économique et technique, "Modélisation et
maîtrise des systèmes techniques économiques sociaux", Paris, Ed. Hommes et
Techniques, 1977.
[Aissani 07] A. Aissani, "Modélisation et Simulation", Office des Publications Universitaires,
USTHB Alger, Algérie, 2007.
[Alur 94] R. Alur et D. Dill, "A theory of automata", Theoretical Computer Science Journal,
Vol. 2 N°126, 1994.
[Arnold 92] A. Arnold, "Systèmes de transitions finis et sémantique des processus
communicants", Editions Masson, 1992.
[Bank 98] J. Bank, "Handbook of Simulation: Principles, Methodology, Advances,
Applications, and Practice" , Wiley Interscience, 1998.
[Berglund 14] N. Berglund, "Processus aléatoires et applications", Master 2 Pro de Mathématiques,
Université d’Orléans, 2014.
[Bouleau 88] N. Bouleau, "Processus Stochastiques et Applications", Hermann, Paris, 1988.
[Brams 83] G.W. Brams, "Réseaux de Petri : Théorie et pratique", Masson, 1983.
[David 92] R. David et H. Alla, "Du Grafcet aux reseaux de Petri", Hermes, 1992.
[Feller 60] W. Feller, "An introduction to probability theory and its applications", John Wiley
and sons, 1960.
[Guikhman 80] I. I. Guikhman et A. V. Skorokhod, "Introduction à la Théorie des Processus
Aléatoires", Editions MIR, Moscou, 1980.
[Harel 87] D. Harel, "Statecharts : a Visual Formalism for Complex Systems", Science of
Computer Programming, 1987.
[Hopcroft 01] J. Hopcroft, R. Motwani et J. Ullman, "Introduction to Automata Theory, Languages
and Computation", 2nd edition, Addison-Wesley, 2001.

[Karlin 68] S. Karlin , "Initiation aux processus stochastique", Dunod, 1968.

[Law 91] A.M. Law, W.D. Kelton, "Simulation Modeling and Analysis" Editions McGraw-
Hill, 2nd edition, 1991 .
[Murata 89] T. Murata, "Petri Nets: Properties, Analysis and Applications", IEEE, Vol. 77, 1989.
[Norris 97] J. R. Norris, "Markov Chains", Cambridge University Press, 1997.
[Pritsker 87] A.A.B. Pritsker, "Compilation of definitions of Simulation", Simulation, Vol.40,
n°8, 1987.
[Vidal 92] G. Vidal-Naquet et A. Choquet-Geniet, "Reseaux de Petri et Systèmes Parallèles",
Armand Colin, 1992.
[Wolper 91] P. Wolper. "Introduction à la calculabilité", InterEditions, 1991.

64