# Simulation de flux — version complète (7 pages, 16 termes de glossaire)
> Site de référence francophone sur la simulation de flux : définitions, méthode, cas d’usage et ressources. Édité par OPTIFLUX SAS.
- Éditeur : OPTIFLUX SAS
- Domaine : https://www.simulation-de-flux.com/
- Langue : français
- Dernière mise à jour : 2026-11-04
- Carte du site : https://www.simulation-de-flux.com/llms.txt
## Sommaire
- [Caler les paramètres par machine learning](https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee/)
- [Définition de la simulation de flux](https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/definition/)
- [Files d’attente et loi de Little](https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/files-d-attente/)
- [L'IA dans la simulation de flux](https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/simulation-et-intelligence-artificielle/)
- [Limites et biais d’une simulation de flux](https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/limites-et-biais/)
- [Mentions légales](https://www.simulation-de-flux.com/mentions-legales/)
- [Simulation de flux : définition et méthodes](https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/)
- [Glossaire de la simulation de flux](https://www.simulation-de-flux.com/glossaire/)
- [Analyse de sensibilité](https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite/)
- [Entité](https://www.simulation-de-flux.com/glossaire/entite/)
- [Événement](https://www.simulation-de-flux.com/glossaire/evenement/)
- [Goulot d’étranglement](https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement/)
- [Horloge de simulation](https://www.simulation-de-flux.com/glossaire/horloge-de-simulation/)
- [Jumeau numérique](https://www.simulation-de-flux.com/glossaire/jumeau-numerique/)
- [Loi de Little](https://www.simulation-de-flux.com/glossaire/loi-de-little/)
- [Machine learning appliqué à la simulation](https://www.simulation-de-flux.com/glossaire/machine-learning-simulation/)
- [Machine learning et énergie de datacenter](https://www.simulation-de-flux.com/glossaire/machine-learning-datacenter/)
- [Régime transitoire](https://www.simulation-de-flux.com/glossaire/regime-transitoire/)
- [Réplication](https://www.simulation-de-flux.com/glossaire/replication/)
- [Ressource](https://www.simulation-de-flux.com/glossaire/ressource/)
- [Simulation à événements discrets](https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets/)
- [Taux d’occupation](https://www.simulation-de-flux.com/glossaire/taux-d-occupation/)
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/)
- [Vérification et validation](https://www.simulation-de-flux.com/glossaire/verification-et-validation/)
---
---
title: 'Caler les paramètres par machine learning'
description: 'Utiliser le machine learning pour analyser les sorties multivariées d’une simulation de flux et retrouver les valeurs des paramètres du modèle.'
url: 'https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee/'
mirrorOf: '/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee.md'
updated: '2026-11-04'
publishedAt: '2026-11-04'
cluster: 'comprendre'
schemaType: 'TechArticle'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Saves et al. — Modèles de substitution et XAI pour explorer des simulations (arXiv, 2025)'
url: 'https://arxiv.org/abs/2510.16742'
accessed: '2026-11-04'
- label: 'Huster et al. — Métamodélisation d’un modèle de simulation à événements discrets (Annals of Operations Research, 2026)'
url: 'https://link.springer.com/article/10.1007/s10479-026-07342-3'
accessed: '2026-11-04'
- label: 'Wikipédia — Analyse multivariée'
url: 'https://fr.wikipedia.org/wiki/Analyse_multivari%C3%A9e'
accessed: '2026-11-04'
- label: 'Wikipédia — Calibration de modèle'
url: 'https://en.wikipedia.org/wiki/Model_calibration'
accessed: '2026-11-04'
- label: 'SimPy — documentation officielle (simulation à événements discrets en Python)'
url: 'https://simpy.readthedocs.io/en/latest/'
accessed: '2026-11-04'
---
# Caler les paramètres par machine learning
> Utiliser le machine learning pour analyser les sorties multivariées d’une simulation de flux et retrouver les valeurs des paramètres du modèle.
Un modèle de simulation de flux produit plusieurs indicateurs de sortie — temps de séjour, taux d’occupation, longueur de file, débit — qui dépendent des paramètres d’entrée : nombre de ressources, lois de durée, taux d’arrivée. Quand on dispose de mesures réelles sur ces sorties, le problème inverse — retrouver les paramètres qui les expliquent — peut être résolu par apprentissage automatique.
## Pourquoi un problème inverse ?
Dans une étude classique, les paramètres sont fixés par les données terrain et la simulation produit les sorties. Mais il arrive que certaines grandeurs d’entrée soient inconnues ou difficiles à mesurer : temps réel de réglage d’une machine, taux de rebut, durée d’une absence non programmée. On dispose alors de mesures sur les sorties (débit constaté, files observées) et on cherche les paramètres qui rendent le modèle cohérent avec ces observations.
L’analyse multivariée est ici indispensable : un même débit moyen peut être obtenu par plusieurs combinaisons de paramètres, mais la distribution complète des sorties — file, occupation, variance des temps — lève une partie de cette ambiguïté.
## La démarche : de la simulation supervisée à l’inférence des paramètres
La méthode se décompose en quatre étapes :
| Étape | Ce qu’on fait | Résultat |
| ----------------------------------- | -------------------------------------------------------------------------------------------------------------------------------------------------- | --------------------------------------------------------- |
| **1. Plan d’expériences** | On échantillonne l’espace des paramètres inconnus (ex : durée de service de 2 à 8 minutes, taux de panne de 0 à 5 %) | Une table de N combinaisons de paramètres |
| **2. Simulations** | On exécute le modèle pour chaque combinaison et on collecte les sorties multivariées | N jeux d’entrées-sorties |
| **3. Entraînement d’un métamodèle** | On apprend un modèle de substitution — forêt aléatoire, processus gaussien, réseau de neurones — qui prédit les sorties à partir des paramètres | Un métamodèle rapide (fraction de seconde par prédiction) |
| **4. Inférence inverse** | On cherche les paramètres dont les sorties simulées se rapprochent le plus des observations réelles, par optimisation ou par apprentissage inverse | Les paramètres les plus vraisemblables |
La quatrième étape peut être réalisée par optimisation directe (minimiser l’écart entre sorties prédites et observées) ou par un second modèle entraîné à prédire les paramètres à partir des sorties. Dans les deux cas, la richesse des sorties multivariées réduit le nombre de solutions possibles.
## Ce que cette approche exige du modèle
La qualité de l’inférence dépend directement de trois conditions, qui renvoient aux principes posés dans la [définition de la simulation de flux](/comprendre-la-simulation-de-flux/definition/).
**Le modèle doit être sensible aux paramètres recherchés.** Si le taux de rebut n’a aucun effet sur les sorties mesurées, aucune méthode ne permettra de le retrouver. Une [analyse de sensibilité](/glossaire/analyse-de-sensibilite/) préalable identifie les paramètres qui pèsent sur les indicateurs disponibles.
**La variabilité doit être caractérisée.** Un modèle stochastique produit des sorties différentes à chaque [réplication](/glossaire/replication/). Le métamodèle peut apprendre sur les moyennes ou sur les distributions complètes ; le choix change l’incertitude sur les paramètres inférés.
**Les sorties observées doivent être comparables à celles du modèle.** Une donnée terrain collectée sur une période où le système n’était pas en [régime transitoire](/glossaire/regime-transitoire/) ne peut pas être rapprochée d’une simulation qui inclut la montée en charge, et inversement.
## Liens avec les autres méthodes et limites
L’inférence par apprentissage automatique ne remplace pas une mesure directe des paramètres : elle donne une estimation assortie d’une incertitude qu’il faut quantifier — par intervalle de vraisemblance, par ré-échantillonnage ou par inférence bayésienne. Elle est particulièrement utile en phase de calage d’un modèle existant, quand le système est en service mais que certaines données d’entrée sont manquantes ou obsolètes.
Cette page complète la fiche [machine learning appliqué à la simulation](/glossaire/machine-learning-simulation/), qui couvre le sens direct (prédire des sorties à partir de paramètres). L’inférence inverse en est le symétrique : elle utilise les mêmes outils — métamodèle, plan d’expériences, validation croisée — mais pose une question différente, celle de la cohérence du modèle avec ce qu’on observe.
Les [limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/) s’appliquent intégralement : un métamodèle entraîné sur un modèle lui-même mal calibré donnera des paramètres précis et faux.
---
Source : https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Définition de la simulation de flux'
description: 'Définition opératoire : entités, ressources, événements, aléa. Ce qui distingue une simulation d’une prévision, d’une optimisation ou d’un tableur.'
url: 'https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/definition/'
mirrorOf: '/comprendre-la-simulation-de-flux/definition.md'
updated: '2026-11-04'
publishedAt: '2026-11-04'
cluster: 'comprendre'
schemaType: 'TechArticle'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Banks, Carson, Nelson & Nicol — Discrete-Event System Simulation (notice bibliographique)'
url: 'https://openlibrary.org/works/OL18460439W'
accessed: '2026-11-04'
- label: 'SimPy — documentation officielle (simulation à événements discrets en Python)'
url: 'https://simpy.readthedocs.io/en/latest/'
accessed: '2026-11-04'
- label: 'Wikipédia — Simulation à événements discrets (article encyclopédique, sources primaires citées)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
- label: 'Wikipédia — Jumeau numérique (notion voisine, souvent confondue avec la simulation)'
url: 'https://fr.wikipedia.org/wiki/Jumeau_num%C3%A9rique'
accessed: '2026-11-04'
---
# Définition de la simulation de flux
> Définition opératoire : entités, ressources, événements, aléa. Ce qui distingue une simulation d’une prévision, d’une optimisation ou d’un tableur.
La simulation de flux est l’exécution d’un modèle dans lequel des entités traversent des ressources de capacité finie. Quatre notions suffisent à la définir : entité, ressource, événement, aléa. Privé de l’une des quatre, le dispositif décrit autre chose — un organigramme, un tableur, une prévision — mais pas une simulation.
## Une définition opératoire
> **Définition.** Un modèle de simulation de flux est un programme qui fait évoluer dans le temps un ensemble d’entités en compétition pour des ressources limitées, et qui enregistre des indicateurs à chaque changement d’état. Ses hypothèses sont des données du problème, pas des réglages internes.
Cette formulation est volontairement plus étroite que « représentation d’un système ». Elle exige trois propriétés vérifiables : un temps qui avance, des ressources de capacité finie, et une trace des états successifs. Une représentation qui ne satisfait pas ces trois points peut être utile — un schéma d’implantation, un organigramme — mais elle ne se conteste pas de la même manière : on ne peut pas lui demander ce qui se passe à 14 h un jour de pointe.
C’est cette exigence qui donne sa valeur à une étude. Un modèle exécutable se règle, s’exécute et se réfute ; un dessin se discute. Voir la [page pilier sur la simulation de flux](/comprendre-la-simulation-de-flux/) pour les quatre familles de méthodes.
## Les quatre mots qui définissent un modèle
| Mot | Ce qu’il désigne | Ce qui manque sans lui |
| ------------- | ----------------------------------------------------------------------------- | -------------------------------------------------------------- |
| **Entité** | Ce qui traverse le système : pièce, colis, patient, véhicule, dossier | Aucun flux à suivre : il n’y a rien à compter |
| **Ressource** | Une capacité finie qui sert les entités : machine, quai, guichet, serveur | Aucune contention, donc aucune file et aucun arbitrage |
| **Événement** | L’instant où l’état change : arrivée, début de service, fin, panne | Le temps n’avance plus ; le modèle est statique |
| **Aléa** | Un tirage dans une loi de probabilité, à partir d’un générateur reproductible | Un seul déroulement déterministe, sans intervalle de confiance |
Deux conséquences pratiques découlent de ce tableau.
**La ressource limitante commande le résultat.** Si aucune ressource n’est saturée, le système n’a pas de goulot et la simulation n’apprend rien qu’un calcul de débit ne donne pas. La première question d’un cadrage est donc : quelle ressource limite, et à quel horizon ?
**La graine fait partie du protocole.** Un modèle qui tire des durées doit pouvoir rejouer exactement le même déroulement, sinon un écart entre deux scénarios peut venir du hasard et non de la décision étudiée. La génération de nombres pseudo-aléatoires est traitée comme un sujet à part entière dans les manuels de référence — au même titre que la modélisation des arrivées.
## Ce que la simulation n’est pas
| Notion voisine | Ce qu’elle fait | Ce qui la sépare de la simulation de flux |
| ------------------------- | ---------------------------------------------------------------- | ------------------------------------------------------------------------------------------- |
| Prévision | Prolonge une série passée pour estimer une valeur future | La simulation ne prédit pas : elle compare des scénarios sous hypothèses explicites |
| Optimisation | Cherche le meilleur réglage selon une fonction objectif | Elle décide quel scénario essayer ; la simulation évalue, elle ne choisit pas |
| Tableur | Calcule des moyennes et des totaux | Il ne produit ni distribution, ni file d’attente, ni comportement transitoire |
| Jumeau numérique | Réplique d’un système réel, alimentée en continu par ses données | Une simulation d’étude est construite hors ligne, pour une question et une durée finies |
| Intelligence artificielle | Ajuste un modèle sur des exemples, sans mécanisme explicite | Un modèle de simulation expose ses règles ; c’est ce qui le rend discutable pièce par pièce |
La confusion la plus coûteuse est celle avec le jumeau numérique : elle fait espérer un modèle vivant, mis à jour par les données de production, alors qu’une étude de simulation est un artefact daté, livré avec ses hypothèses et périmé dès que le système change.
## Ce qu’une définition stricte impose au projet
- **Les hypothèses s’écrivent avant l’exécution.** Une hypothèse ajustée après avoir vu les résultats transforme l’étude en justification ; la figer avant est la seule parade organisationnelle efficace.
- **Les données d’entrée sont datées et traçables.** Une durée de traitement sans date, sans périmètre de mesure et sans méthode d’observation n’est pas une donnée, c’est une opinion avec une unité.
- **Le résultat est une distribution, pas un chiffre.** Un temps de séjour moyen sans intervalle de confiance ni analyse de sensibilité ne permet aucun arbitrage : il ne dit pas si l’écart entre deux scénarios est réel.
- **Le modèle est un livrable.** Un rapport de synthèse isolé ne vaut que par son auteur ; un modèle documenté, avec ses jeux d’entrée et ses conventions, reste utilisable par la personne suivante.
Ces quatre points ne relèvent pas de la technique de simulation : ils relèvent de la définition. Un tableur peut produire un chiffre unique et se contenter d’une moyenne ; un modèle de simulation, non.
## Un test de cohérence en trois questions
Avant d’accepter un modèle de simulation comme conforme à cette définition, trois questions suffisent :
1. **Quelle ressource limite le système, et sur quelle période ?** Sans réponse, il n’y a pas de contention modélisée ; le modèle calcule des flux sans goulot.
2. **D’où viennent les durées et les taux d’arrivée, et quand ont-ils été mesurés ?** Une réponse qui cite un standard théorique ou un souvenir d’atelier indique un modèle non alimenté.
3. **Combien de réplications, et quel intervalle pour l’indicateur principal ?** Une conclusion tirée d’une seule exécution confond l’effet étudié avec le bruit du générateur aléatoire.
Une étude qui répond aux trois est une étude qu’on peut contester utilement. Une étude qui n’y répond pas n’est pas fausse : elle est inauditable, ce qui revient au même au moment de décider.
## La suite logique
Une fois le vocabulaire posé, deux questions techniques arrivent presque toujours : combien de temps attend-on, et à partir de quel taux d’occupation l’attente devient-elle incontrôlable ? Ces deux réponses se calculent pour un guichet unique, et se simulent pour tout le reste : la page sur les [files d’attente et la loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/) donne les formules et leurs conditions d’application.
L’autre question est celle des limites : un modèle conforme à cette définition reste un modèle, avec ses données, ses hypothèses et ses angles morts. La page sur les [limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/) détaille les mécanismes qui font survivre une erreur à la validation.
Pour situer ce site et son éditeur, consultez l’[accueil de simulation-de-flux.com](/).
---
Source : https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/definition/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Files d’attente et loi de Little'
description: 'Pourquoi une file se forme, ce que la loi de Little permet de recouper, et ce que la variabilité coûte en capacité. Formules, conditions et limites.'
url: 'https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/files-d-attente/'
mirrorOf: '/comprendre-la-simulation-de-flux/files-d-attente.md'
updated: '2026-11-04'
publishedAt: '2026-11-04'
cluster: 'comprendre'
schemaType: 'TechArticle'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Little, J. D. C. — A Proof for the Queuing Formula: L = λW, Operations Research 9(3), 1961'
url: 'https://doi.org/10.1287/opre.9.3.383'
accessed: '2026-11-04'
- label: 'Wikipédia — Loi de Little (énoncé, conditions et usages)'
url: 'https://fr.wikipedia.org/wiki/Loi_de_Little'
accessed: '2026-11-04'
- label: 'Wikipédia — Théorie des files d’attente (modèles classiques et notation)'
url: 'https://fr.wikipedia.org/wiki/Th%C3%A9orie_des_files_d%27attente'
accessed: '2026-11-04'
- label: 'Wikipédia — Kingman’s formula (approximation du temps d’attente en trafic chargé)'
url: 'https://en.wikipedia.org/wiki/Kingman%27s_formula'
accessed: '2026-11-04'
- label: 'Wikipédia — Kendall’s notation (description A/S/c d’un système de files)'
url: 'https://en.wikipedia.org/wiki/Kendall%27s_notation'
accessed: '2026-11-04'
---
# Files d’attente et loi de Little
> Pourquoi une file se forme, ce que la loi de Little permet de recouper, et ce que la variabilité coûte en capacité. Formules, conditions et limites.
Une file se forme dès que les arrivées dépassent la capacité de service pendant un intervalle. Trois grandeurs la décrivent : le débit, le temps passé et le nombre de personnes présentes, que la loi de Little relie exactement. Ce qui fait exploser l’attente n’est pas le taux d’occupation seul, mais la variabilité des arrivées et des temps de service.
## La loi de Little, sans hypothèse de loi
Pour tout système stable en régime établi, le nombre moyen d’entités présentes (L), le débit moyen (λ) et le temps moyen passé dans le système (W) vérifient :
L = λ × W
Démonstration publiée par J. D. C. Little en 1961. La relation ne suppose ni arrivées poissonniennes, ni durées exponentielles, ni un seul serveur : elle demande des moyennes calculées sur une période longue, sur un système stable — dont la file ne grossit pas indéfiniment. La même relation s’applique à la file seule, avec L_q et W_q.
Son usage le plus utile est celui de **recoupement**. Si une simulation annonce un temps d’attente de 4 minutes pour un débit de 12 clients par heure, la file doit contenir en moyenne 0,8 client (12/60 × 4). Un écart signale une erreur de mesure ou de calcul, pas une subtilité du modèle. La page pilier détaille cette [vérification par la loi de Little](/comprendre-la-simulation-de-flux/) et les quatre familles de méthodes.
## La notation de Kendall : A/S/c
Un système de files se décrit par trois symboles, qui suffisent à savoir si une formule existe.
| Notation | Ce qu’elle signifie | Exemple d’usage |
| -------- | ----------------------------------------------------------------------- | ------------------------------------------------- |
| **A** | Loi des arrivées : M (poissonnienne), D (déterministe), G (générale) | M pour des arrivées indépendantes et sans mémoire |
| **S** | Loi des durées de service : M (exponentielle), D (constante), G (autre) | D pour un poste automatisé au cycle fixe |
| **c** | Nombre de serveurs en parallèle | c = 1 pour un guichet, c = 3 pour trois caisses |
Les cas M/M/1 et M/M/c ont des formules exactes ; M/D/1 aussi ; G/G/1 n’en a pas, seulement des approximations. Retenir cette frontière évite un contresens fréquent : une formule exacte appliquée à un système qui n’en respecte pas les hypothèses produit un chiffre faux avec l’autorité d’un résultat démontré.
## Le taux d’occupation ne suffit pas : la variabilité décide
Pour un système à serveur unique dont le taux d’occupation ρ reste sous 1, l’attente moyenne s’approxime, en trafic chargé, par :
E[W_q] ≈ ρ / (1 − ρ) × (c_a² + c_s²) / 2 × E[S]
Trois facteurs s’y lisent directement :
- **ρ / (1 − ρ)** est hyperbolique : à 50 % d’occupation il vaut 1, à 90 % il vaut 9, à 95 % il vaut 19. Passer de 50 % à 90 % d’occupation multiplie donc l’attente par neuf, pour un débit qui n’augmente que de 80 %.
- **(c_a² + c_s²) / 2** est la variabilité moyenne des arrivées et des services. Une exponentielle vaut 1 ; des lots, des rendez-vous groupés ou des durées très dispersées dépassent largement 1.
- **E[S]** est la durée moyenne de service. Un poste deux fois plus lent produit deux fois plus d’attente, à occupation égale.
La conséquence de gestion est contre-intuitive : à taux d’occupation identique, un système qui reçoit des lots attend beaucoup plus qu’un système à arrivées régulières. Lisser les arrivées — prendre des rendez-vous, étaler les lancements — agit sur le facteur de variabilité, pas sur la capacité.
## Ce que donne le calcul, pour un guichet unique
Le tableau ci-dessous applique les formules M/M/1 à un service moyen d’une minute. Ce sont des **sorties de modèle**, pas des mesures de terrain : elles décrivent un système dont les hypothèses sont respectées, et servent à raisonner sur les ordres de grandeur.
| Occupation ρ | Débit (client/min) | Attente moyenne W_q | File moyenne L_q | Temps total W |
| ------------ | ------------------ | ------------------- | ---------------- | ------------- |
| 50 % | 0,50 | 1,0 min | 0,5 client | 2,0 min |
| 70 % | 0,70 | 2,3 min | 1,6 client | 3,3 min |
| 80 % | 0,80 | 4,0 min | 3,2 clients | 5,0 min |
| 85 % | 0,85 | 5,7 min | 4,8 clients | 6,7 min |
| 90 % | 0,90 | 9,0 min | 8,1 clients | 10,0 min |
| 95 % | 0,95 | 19,0 min | 18,1 clients | 20,0 min |
La lecture utile est dans les écarts, pas dans les valeurs absolues. En passant de 80 % à 90 % d’occupation, le débit augmente de 12,5 % mais la file moyenne est multipliée par 2,5 et l’attente par 2,25. Les dix derniers points d’occupation se paient en attente, et l’arbitrage n’est pas technique : il dépend de ce qu’un client accepte d’attendre.
## Dimensionner : la marge est une décision
Un modèle ne dit jamais quel taux d’occupation viser. Il permet de chiffrer les conséquences d’un choix, ce qui est différent.
- **Fixer d’abord l’attente acceptable**, ensuite chercher la capacité qui la produit. L’inverse — dimensionner à 90 % parce que « c’est bien » — revient à laisser une formule décider à la place de l’exploitant.
- **Traiter la variabilité avant d’ajouter de la capacité.** Un poste supplémentaire coûte tous les mois ; lisser les arrivées ou regrouper les tâches peut coûter une réorganisation. Le facteur (c_a² + c_s²)/2 se travaille, la capacité se paie.
- **Vérifier le régime transitoire.** Les formules décrivent un régime établi. Une pointe de 30 minutes, une reprise après panne ou un changement de série ne relèvent pas de la moyenne de long terme.
## Quand le calcul ne suffit plus
Quatre situations rendent la formule inapplicable et la simulation nécessaire :
1. **Réseau de files.** Un client passe de la réception au contrôle puis à l’expédition. Les files interfèrent : une attente en amont décale les arrivées en aval, ce qu’aucune formule par étage ne capture.
2. **Priorités et files multiples.** Deux catégories de clients, une règle de priorité et des serveurs polyvalents : le système n’est plus décrit par trois symboles. La [définition d’un modèle de simulation](/comprendre-la-simulation-de-flux/definition/) explique pourquoi ces règles doivent être explicites pour être mesurables.
3. **Lots et changements de série.** Des durées de service qui dépendent du produit fabriqué avant produisent des corrélations que la notation de Kendall ne représente pas.
4. **Transitoire.** Montée en charge d’un nouvel atelier, fin de poste, pic saisonnier : le sujet est la trajectoire, pas la moyenne.
Dans ces cas, la simulation reprend le rôle du calcul, avec le même garde-fou : les hypothèses restent discutables une par une, et l’[analyse des limites et des biais](/comprendre-la-simulation-de-flux/limites-et-biais/) s’applique intégralement.
## Ce que cette page ne contient pas
Aucune mesure de file observée chez un client : l’archive du site historique n’en contient aucune de vérifiable, et une durée d’attente moyenne sans période, sans périmètre et sans méthode de relevé n’est pas une donnée. Les valeurs du tableau sont calculées à partir des formules citées, et le resteront.
Pour situer ce site et son éditeur, consultez l’[accueil de simulation-de-flux.com](/).
---
Source : https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/files-d-attente/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'L''IA dans la simulation de flux'
description: 'Ce que l''IA apporte à une étude de simulation de flux : métamodèles, calibration, optimisation, analyse de scénarios, et leurs limites.'
url: 'https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/simulation-et-intelligence-artificielle/'
mirrorOf: '/comprendre-la-simulation-de-flux/simulation-et-intelligence-artificielle.md'
updated: '2026-11-04'
cluster: 'comprendre'
schemaType: 'TechArticle'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Saves et al. — Modèles de substitution et XAI pour explorer des simulations (arXiv, 2025)'
url: 'https://arxiv.org/abs/2510.16742'
accessed: '2026-11-04'
- label: 'Huster et al. — Métamodélisation d’un modèle de simulation à événements discrets (Annals of Operations Research, 2026)'
url: 'https://link.springer.com/article/10.1007/s10479-026-07342-3'
accessed: '2026-11-04'
- label: 'Hao et al. — Modèles de substitution empilés et apprentissage actif validés par simulation (Informatica, 2026)'
url: 'https://www.informatica.si/index.php/informatica/article/download/13406/6687'
accessed: '2026-11-04'
- label: 'Wikipédia — Optimisation (mathématiques)'
url: 'https://fr.wikipedia.org/wiki/Optimisation_(math%C3%A9matiques)'
accessed: '2026-11-04'
- label: 'Wikipédia — Calibration de modèle'
url: 'https://en.wikipedia.org/wiki/Model_calibration'
accessed: '2026-11-04'
- label: 'Wikipédia — Analyse de sensibilité'
url: 'https://en.wikipedia.org/wiki/Sensitivity_analysis'
accessed: '2026-11-04'
---
# L'IA dans la simulation de flux
> Ce que l'IA apporte à une étude de simulation de flux : métamodèles, calibration, optimisation, analyse de scénarios, et leurs limites.
L’intelligence artificielle ne remplace pas un modèle de simulation : elle en accélère l’exploration, en améliore le calage et en élargit la lecture des résultats. Cinq apports se distinguent : les modèles de substitution, la calibration des paramètres, l’optimisation, l’analyse des scénarios et des données, et un cadre de limites et de bonnes pratiques.
## Vue d’ensemble
| Apport | Ce que l’IA apporte | Conséquence pratique |
| ------------------------------- | ------------------------------------------------------------------------ | ------------------------------------------------------------------------------ |
| **Modèles de substitution** | Un modèle d’approximation entraîné sur des entrées-sorties du simulateur | Explorer un grand nombre de scénarios sans relancer la simulation |
| **Calibration** | Retrouver les paramètres qui rendent le modèle cohérent avec les mesures | Un modèle calé sur l’observé, avec une incertitude quantifiée |
| **Optimisation** | Chercher les configurations qui atteignent un objectif | Passer de « que se passe-t-il si ? » à « quelle règle atteint la cible ? » |
| **Analyse des données** | Classer, expliquer et résumer des jeux de sorties volumineux | Des conclusions lisibles sur des volumes que la lecture directe n’absorbe plus |
| **Limites et bonnes pratiques** | Un cadre pour contrôler la fiabilité de chaque usage | L’IA reste un outil audité, pas une boîte noire |
## Modèles de substitution : explorer sans relancer la simulation
Le [machine learning appliqué à la simulation](/glossaire/machine-learning-simulation/) consiste à entraîner un modèle de substitution — réseau de neurones, forêt aléatoire, processus gaussien — sur les sorties d’un simulateur. La démarche est documentée pour les modèles de [simulation à événements discrets](/glossaire/simulation-a-evenements-discrets/) : on échantillonne l’espace des paramètres, on exécute le modèle sur cet échantillon, puis on apprend le métamodèle.
Le gain de vitesse est l’argument principal. Dans un exemple publié sur un flux de batteries à événements discrets, chaque exécution du modèle durait environ dix minutes ; le métamodèle l’a ramenée à une fraction de seconde. Cette accélération rend praticables des explorations qui ne l’étaient pas.
Le métamodèle n’est pas une copie du simulateur. Son erreur se mesure sur des points non vus pendant l’entraînement et reste plus élevée sur les sorties rares ou très [variables](/glossaire/variabilite/). Il complète la simulation, il ne la remplace pas.
## Calibration et ajustement des paramètres
Quand une entrée du modèle est inconnue — temps de réglage réel d’une machine, taux de rebut, durée d’une absence non programmée — les sorties observées permettent parfois de la retrouver. C’est le problème inverse, traité en détail dans la page [caler les paramètres par machine learning](/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee/) : échantillonner l’espace des paramètres, simuler, entraîner un métamodèle, puis chercher les paramètres dont les sorties prédites se rapprochent le plus des mesures. La [calibration de modèle](https://en.wikipedia.org/wiki/Model_calibration) s’apparente à cette recherche de cohérence entre modèle et observations.
Une réserve s’impose : un même indicateur moyen peut s’expliquer par plusieurs combinaisons de paramètres. Le résultat de la calibration est une estimation assortie d’une incertitude à quantifier — par intervalle de vraisemblance, ré-échantillonnage ou inférence bayésienne. Et un paramètre sans effet sur les sorties mesurées ne peut être retrouvé par aucune méthode : une [analyse de sensibilité](/glossaire/analyse-de-sensibilite/) préalable le détecte.
## Optimisation : chercher une configuration cible
La simulation répond classiquement à des questions « que se passe-t-il si ? ». L’optimisation couplée à un métamodèle inverse la question : quel nombre de ressources, quelle règle de priorité, quel seuil de déclenchement atteignent un objectif — réduire le temps de séjour, le coût ou le taux de dépassement d’un seuil — sous des contraintes explicites ? L’[optimisation]() s’appuie alors sur le métamodèle pour parcourir l’espace des configurations et ne relancer la simulation que sur les candidats prometteurs ; l’apprentissage actif oriente les exécutions suivantes vers les zones les plus informatives de cet espace.
Le résultat d’une optimisation n’est jamais accepté sans contrôle : la configuration retenue est rejouée sur le simulateur de référence, et l’écart avec les prédictions du métamodèle est publié avec la conclusion, comme le préconise une bonne pratique de [vérification et validation](/glossaire/verification-et-validation/).
## Analyse des scénarios et des données
Un plan d’expériences produit des tables de sorties trop volumineuses pour une lecture ligne à ligne. L’IA aide à les exploiter :
- **Classer les paramètres influents** par [analyse de sensibilité](/glossaire/analyse-de-sensibilite/) globale, pour vérifier que ce qui pèse sur la conclusion a bien été mesuré.
- **Regrouper les scénarios** aux comportements proches, pour ne présenter au décideur que quelques familles au lieu de centaines de courbes.
- **Signaler les régimes inhabituels** — combinaisons extrêmes, montées en charge, valeurs aberrantes — que la moyenne lisse.
- **Résumer les sorties** en indicateurs lisibles, sans jamais supprimer l’incertitude associée.
L’usage à grande échelle est illustré par la fiche [machine learning et énergie de datacenter](/glossaire/machine-learning-datacenter/) : les sorties simulées d’un système énergétique sont prédites, classées et comparées à une baseline, jusqu’à rendre possible le pilotage en continu de consignes réelles.
## Limites et bonnes pratiques
**Quatre limites.** L’IA hérite des approximations du modèle : un métamodèle entraîné sur un modèle biaisé produit des prédictions précises et fausses, et les [biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/) s’appliquent intégralement. Son erreur ne se contrôle que sur des données non vues : hors du domaine couvert par le plan d’expériences, elle n’est pas connue. Elle n’exonère de rien dans la [vérification et validation](/glossaire/verification-et-validation/) du modèle sous-jacent, qui restent des travaux distincts. Elle vieillit : quand le système réel change — gamme, effectifs, saisonnalité — le métamodèle et la simulation se périments ensemble.
**Bonnes pratiques.** Une checklist à tenir pour chaque usage de l’IA :
- Réserver un jeu de données jamais utilisé pour l’entraînement, afin de mesurer l’erreur du métamodèle.
- Documenter le plan d’expériences, les lois d’entrée et le nombre de [réplications](/glossaire/replication/) qui alimentent l’apprentissage.
- Ne jamais interroger le métamodèle hors des bornes du plan d’expériences.
- Garder le simulateur comme référence et rejouer sur lui tout résultat d’optimisation avant de le présenter.
- Dater le métamodèle et sa version, et le re-entraîner quand le système change, comme on révise un modèle de simulation.
- Publier l’incertitude avec le résultat : un chiffre isolé n’est pas une conclusion.
## Pour aller plus loin
Le [pilier simulation de flux](/comprendre-la-simulation-de-flux/) situe ces usages dans l’ensemble des méthodes, et la [définition d’un modèle de simulation](/comprendre-la-simulation-de-flux/definition/) en pose les notions de base. La page [caler les paramètres par machine learning](/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee/) détaille le problème inverse, tandis que la fiche [machine learning appliqué à la simulation](/glossaire/machine-learning-simulation/) couvre le sens direct des métamodèles. Le [jumeau numérique](/glossaire/jumeau-numerique/) est l’un des usages qui s’appuient sur cette vitesse de calcul.
Pour situer ce site et son éditeur, consultez l’[accueil de simulation-de-flux.com](/).
---
Source : https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/simulation-et-intelligence-artificielle/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Limites et biais d’une simulation de flux'
description: 'Les biais qui survivent à une validation : données théoriques, précision illusoire, transitoire ignoré, confirmation. Mécanismes et parades concrètes.'
url: 'https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/limites-et-biais/'
mirrorOf: '/comprendre-la-simulation-de-flux/limites-et-biais.md'
updated: '2026-11-04'
publishedAt: '2026-11-04'
cluster: 'comprendre'
schemaType: 'TechArticle'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Banks, Carson, Nelson & Nicol — Discrete-Event System Simulation (notice bibliographique)'
url: 'https://openlibrary.org/works/OL18460439W'
accessed: '2026-11-04'
- label: 'NIST/SEMATECH — e-Handbook of Statistical Methods (incertitude, erreurs de mesure, réplication)'
url: 'https://www.itl.nist.gov/div898/handbook/'
accessed: '2026-11-04'
- label: 'Wikipédia — Analyse de sensibilité (méthodes locales et globales)'
url: 'https://en.wikipedia.org/wiki/Sensitivity_analysis'
accessed: '2026-11-04'
- label: 'Wikipédia — Biais de confirmation (mécanisme et effets sur l’interprétation des résultats)'
url: 'https://fr.wikipedia.org/wiki/Biais_de_confirmation'
accessed: '2026-11-04'
---
# Limites et biais d’une simulation de flux
> Les biais qui survivent à une validation : données théoriques, précision illusoire, transitoire ignoré, confirmation. Mécanismes et parades concrètes.
Une simulation ne se trompe pas seulement par ses calculs : elle se trompe par ses entrées, son protocole et son interprétation. La validation du programme ne protège de rien dans ces trois cas. Les biais qui suivent survivent à un modèle techniquement irréprochable, et quelques-uns s’aggravent à mesure que le rendu devient convaincant.
## Vérifier n’est pas valider
Quatre activités sont régulièrement confondues, alors qu’elles répondent à des questions différentes.
| Activité | Question posée | Preuve attendue |
| -------------------------- | ----------------------------------------------------- | --------------------------------------------------------- |
| **Vérification** | Le programme fait-il ce que je crois qu’il fait ? | Relecture du code, cas tests, invariants, loi de Little |
| **Validation** | Le modèle représente-t-il le système réel ? | Confrontation à des indicateurs observés, écarts acceptés |
| **Calibration** | Quelles valeurs de paramètres reproduisent le passé ? | Ajustement documenté, jeu de données réservé |
| **Analyse de sensibilité** | La conclusion tient-elle si les entrées changent ? | Classement des entrées influentes, scénarios contrastés |
Un modèle peut être vérifié sans être validé : il tourne correctement et décrit une organisation qui n’existe pas. Il peut aussi être validé sur un mois et se révéler faux le mois suivant, parce que la gamme a changé. Les deux contrôles sont nécessaires, aucun ne remplace l’autre.
## Huit biais qui survivent à la validation
| Biais | Mécanisme | Parade opérationnelle |
| --------------------------------- | --------------------------------------------------------------------------- | ------------------------------------------------------------------------ |
| **Confirmation** | Les hypothèses sont ajustées jusqu’à retrouver l’intuition initiale | Hypothèses figées et datées avant exécution ; scénarios contradictoires |
| **Ancrage théorique** | Les durées viennent de standards jamais mesurés dans l’atelier concerné | Relevé daté, périmètre de mesure, valeurs extrêmes conservées |
| **Précision illusoire** | Trois décimales publiées sans intervalle de confiance | Nombre de réplications annoncé, intervalle pour chaque indicateur |
| **Transitoire ignoré** | La période de chauffe est moyennée avec le régime établi | Durée de chauffe déclarée, ou mesure séparée des premières heures |
| **Événements rares absents** | Une panne trimestrielle ne sort pas d’une réplication d’une journée | Horizon allongé ou événement injecté explicitement |
| **Sur-ajustement de calibration** | Les paramètres sont réglés sur l’unique jeu de données disponible | Jeu de validation réservé, jamais utilisé pour le réglage |
| **Modèle périmé** | La gamme, l’implantation ou les effectifs ont changé depuis la construction | Date de construction affichée, péremption déclarée, revue annuelle |
| **Rendu 3D comme preuve** | L’animation rend crédible une hypothèse inventée | Séparer communication et démonstration : la preuve est dans les chiffres |
Ces biais ont un point commun : aucun n’est détecté par un test unitaire. Ils se traitent par le protocole — ce qui est écrit avant, ce qui est daté, ce qui est conservé — et non par un outil supplémentaire.
## La sensibilité, seul contrôle qui porte sur la conclusion
Une conclusion de simulation est une comparaison entre scénarios. L’analyse de sensibilité teste cette comparaison : elle mesure de combien le résultat bouge quand les entrées bougent, et lesquelles comptent.
La méthode locale — faire varier un paramètre à la fois, toutes choses égales — est la plus répandue et la plus trompeuse. Elle ne voit pas les interactions : deux hypothèses peuvent se compenser, une durée de traitement plus longue étant masquée par un taux de panne plus faible. Les méthodes globales font varier les entrées ensemble et attribuent la variabilité du résultat à chaque entrée ; la théorie est documentée, et les outils existent.
Deux usages suffisent à une revue de projet :
- **Classer les entrées par influence** et vérifier que les plus influentes sont bien celles qui ont été mesurées. Une conclusion qui dépend d’un paramètre supposé n’est pas une conclusion, c’est une hypothèse déguisée.
- **Tester la conclusion inverse.** Si les scénarios favorables et défavorables produisent le même classement, la décision est robuste. S’ils s’inversent sur un paramètre plausible, l’étude vient de rendre un service majeur : elle a identifié ce qu’il faut mesurer avant de décider.
## Reconnaître une étude fragile en dix minutes
Six questions, à poser dans cet ordre. Une étude solide y répond sans documents supplémentaires.
1. **Les hypothèses sont-elles datées et antérieures aux résultats ?** Une note de cadrage signée avant l’exécution vaut mieux que n’importe quelle déclaration d’intention.
2. **D’où viennent les durées, et sur quelle période ?** « Temps standard » sans relevé n’est pas une source. La [définition d’un modèle de simulation](/comprendre-la-simulation-de-flux/definition/) exige des entrées traçables, pas des entrées plausibles.
3. **Combien de réplications, et quel intervalle pour l’indicateur principal ?** Un chiffre unique est une anecdote, quel que soit le soin apporté au modèle.
4. **Quelle période de chauffe a été écartée ?** Sur un système qui démarre vide, les premières heures ne représentent rien d’observable.
5. **Quels scénarios contredisent la conclusion, et ont-ils été exécutés ?** Une étude qui ne teste que des variantes favorables est une justification.
6. **Le modèle est-il livré, avec ses conventions ?** Un rapport seul ne se reprend pas ; il se croit. Les [files d’attente et la loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/) offrent d’ailleurs un moyen simple de recouper les ordres de grandeur annoncés.
Une étude qui échoue à la question 3 ou à la question 1 n’est pas réparable en aval : le défaut est dans le protocole, pas dans le modèle.
## Ce que cette page ne contient pas
Aucune statistique sur le taux d’échec des projets de simulation : elle n’existe pas de manière comparable d’un périmètre à l’autre, et un chiffre cité sans définition d’« échec » serait plus nuisible qu’utile. Aucune donnée client non plus : cette page décrit des mécanismes, pas des performances.
## La suite
Pour la vue d’ensemble des méthodes et du déroulé d’une étude, revenez à la [page pilier sur la simulation de flux](/comprendre-la-simulation-de-flux/). Pour la construction d’un modèle conforme à ces exigences, la page sur la [définition et le vocabulaire](/comprendre-la-simulation-de-flux/definition/) donne les quatre notions et les questions de cohérence.
Pour situer ce site et son éditeur, consultez l’[accueil de simulation-de-flux.com](/).
---
Source : https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/limites-et-biais/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Mentions légales'
description: 'Éditeur, directeur de la publication, hébergeur et propriété intellectuelle du site simulation-de-flux.com, édité par OPTIFLUX SAS.'
url: 'https://www.simulation-de-flux.com/mentions-legales/'
mirrorOf: '/mentions-legales.md'
updated: '2026-11-04'
schemaType: 'WebPage'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Archive du site (capture du 9 septembre 2019) — mentions légales d’origine'
url: 'https://web.archive.org/web/20190909000000/http://www.simulation-de-flux.com/'
accessed: '2026-11-04'
- label: 'Hetzner Online GmbH — mentions légales (raison sociale, siège, registre du commerce)'
url: 'https://www.hetzner.com/legal/impressum/'
accessed: '2026-11-04'
---
# Mentions légales
> Éditeur, directeur de la publication, hébergeur et propriété intellectuelle du site simulation-de-flux.com, édité par OPTIFLUX SAS.
## Éditeur du site
Le site `www.simulation-de-flux.com` est édité par **OPTIFLUX SAS**, société par actions simplifiée
immatriculée au RCS de Lyon sous le numéro 753 149 780, dont le siège social est situé 10 rue d’Italie,
69780 Mions, France.
- **Directeur de la publication** : Alain Parmigiani, en qualité de représentant légal.
- **Contact** : [info@optiflux-sas.com](mailto:info@optiflux-sas.com), ou par courrier à l’adresse
ci-dessus.
## Objet du site
Le site publie des définitions, une méthode et un vocabulaire de la simulation de flux. Ses deux points
d’entrée sont la [définition de la simulation de flux](/comprendre-la-simulation-de-flux/) et le
[glossaire](/glossaire/). Il ne vend rien en ligne, ne diffuse aucune publicité et ne collecte aucune
donnée personnelle.
## Hébergement
Le site est hébergé par **Hetzner Online GmbH**, Industriestr. 25, 91710 Gunzenhausen, Allemagne —
immatriculée au registre du commerce d’Ansbach sous le numéro HRB 6089, TVA intracommunautaire
DE 812871812. Les serveurs sont situés en Allemagne, dans l’Union européenne.
## Propriété intellectuelle
Les textes, schémas et éléments graphiques originaux publiés sur ce site sont protégés par le droit
d’auteur. Les marques et logotypes cités appartiennent à leurs titulaires respectifs. Les documents
cités en source restent la propriété de leurs éditeurs et sont référencés, non reproduits.
## Données personnelles et cookies
Ce site ne place aucun cookie, n’utilise aucune mesure d’audience et ne comporte aucun formulaire. Il
ne reçoit donc aucune donnée personnelle, à l’exception des journaux de connexion tenus par
l’hébergeur pour la sécurité du service. Aucune donnée n’est transmise à un tiers.
## Signaler une erreur
Une erreur factuelle, une source introuvable ou un lien rompu peuvent être signalés à
[info@optiflux-sas.com](mailto:info@optiflux-sas.com) ou par courrier à l’adresse de l’éditeur. La
correction est publiée avec sa date ; les limites assumées du site sont décrites dans la page
[limites et biais](/comprendre-la-simulation-de-flux/limites-et-biais/).
---
Source : https://www.simulation-de-flux.com/mentions-legales/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Simulation de flux : définition et méthodes'
description: 'La simulation de flux représente un processus sous forme de modèle exécutable pour comparer des scénarios avant de décider. Définition, méthodes, limites.'
url: 'https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/'
mirrorOf: '/comprendre-la-simulation-de-flux.md'
updated: '2026-11-04'
publishedAt: '2026-11-04'
cluster: 'comprendre'
schemaType: 'TechArticle'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Banks, Carson, Nelson & Nicol — Discrete-Event System Simulation (notice bibliographique)'
url: 'https://openlibrary.org/works/OL18460439W'
accessed: '2026-11-04'
- label: 'Little, J. D. C. — A Proof for the Queuing Formula: L = λW, Operations Research 9(3), 1961'
url: 'https://doi.org/10.1287/opre.9.3.383'
accessed: '2026-11-04'
- label: 'Metropolis, N. & Ulam, S. — The Monte Carlo Method, JASA 44(247), 1949'
url: 'https://doi.org/10.1080/01621459.1949.10483310'
accessed: '2026-11-04'
- label: 'SimPy — documentation officielle (simulation à événements discrets en Python)'
url: 'https://simpy.readthedocs.io/en/latest/'
accessed: '2026-11-04'
- label: 'Wikipédia — Simulation à événements discrets (article encyclopédique, sources primaires citées)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
---
# Simulation de flux : définition et méthodes
> La simulation de flux représente un processus sous forme de modèle exécutable pour comparer des scénarios avant de décider. Définition, méthodes, limites.
La simulation de flux consiste à représenter un processus — atelier, entrepôt, guichet, réseau de transport — sous la forme d’un modèle exécutable, puis à l’exécuter pour mesurer ce qui se produirait sous différentes hypothèses. Ce n’est pas une prévision : c’est une comparaison de scénarios, qui rend explicites les compromis d’une décision.
## À retenir
- Un modèle de simulation est un **programme**, pas un dessin : il se règle, s’exécute et se conteste.
- Il répond à des questions du type « que se passe-t-il si… », jamais à « quelle est la meilleure solution ».
- La valeur d’un résultat est bornée par la qualité des données d’entrée et par la validation du modèle.
- Une étude se juge sur ses hypothèses et ses intervalles de confiance, pas sur le nombre de décimales affichées.
- Le livrable utile est un modèle transmissible et documenté, pas un rapport de synthèse isolé.
## Approfondir ce pilier
Trois pages détaillent les points que ce pilier ne fait que poser :
- [Définition de la simulation de flux](/comprendre-la-simulation-de-flux/definition/) — les quatre notions qui définissent un modèle, et ce qu’une simulation n’est pas.
- [Files d’attente et loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/) — pourquoi une file se forme, ce que les formules donnent, et quand elles cessent d’être applicables.
- [Limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/) — les biais qui survivent à la validation, et les parades opérationnelles.
- [Analyse multivariée des sorties par machine learning](/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee/) — retrouver les paramètres d’un modèle à partir de ses sorties observées.
- [L’IA dans la simulation de flux](/comprendre-la-simulation-de-flux/simulation-et-intelligence-artificielle/) — ce que l’IA apporte à une étude : métamodèles, calibration, optimisation, analyse de scénarios.
Les autres pages du dossier (multi-agents, Monte-Carlo, jumeau numérique) seront publiées une par une, avec leurs sources, et apparaîtront ici à leur publication.
## Définition : un modèle exécutable, pas un schéma
> **Définition.** La simulation de flux est l’exécution d’un modèle dynamique d’un système dans lequel des entités — pièces, colis, patients, véhicules, dossiers — traversent des ressources limitées : machines, quais, guichets, serveurs. Elle estime des indicateurs de performance (débit, temps de séjour, taux d’occupation, longueur de file) sur une période et sous des hypothèses explicites.
Trois éléments séparent un modèle de simulation d’une représentation statique :
1. **Le temps.** Le modèle avance dans le temps, soit par sauts d’un événement au suivant (simulation à événements discrets), soit par pas réguliers (simulation continue). Cette progression produit des séries d’indicateurs, pas une valeur unique.
2. **L’aléa.** Les arrivées, les durées de traitement et les pannes sont tirées dans des lois de probabilité à partir de générateurs pseudo-aléatoires reproductibles. C’est ce qui permet d’obtenir des intervalles de confiance plutôt qu’un chiffre isolé.
3. **Les ressources limitées.** La contention est le cœur du problème : sans capacité finie, il n’y a ni file d’attente, ni arbitrage à simuler.
Une feuille de calcul décrit un système en moyenne ; un modèle de simulation le fait fonctionner, y compris dans ses phénomènes transitoires : montée en charge, changement de série, panne simultanée de deux postes.
### La loi de Little, seul résultat exact disponible sans simulation
Pour tout système stable, le nombre moyen d’entités présentes dans le système (L), le débit moyen (λ) et le temps moyen passé dans le système (W) vérifient :
L = λ × W
Démonstration établie par J. D. C. Little en 1961. La formule ne suppose ni file markovienne, ni distribution particulière : elle demande seulement des moyennes calculées sur une période longue et un système en régime établi. Elle sert à **recouper** un modèle : si le nombre d’entités en cours calculé par la simulation ne vérifie pas cette relation, le modèle ou la mesure du débit est faux.
Là où la loi s’arrête, la simulation commence : elle donne la distribution des temps d’attente, l’effet d’une priorité de traitement, la file qui se forme à 14 h un jour de pointe — que les formules analytiques ne fournissent que pour des cas d’école très particuliers.
## Quatre familles de méthodes
Le terme « simulation de flux » recouvre plusieurs techniques, qui ne répondent pas aux mêmes questions. Les confondre est la première cause de cahier des charges mal cadré.
| Méthode | Ce qu’elle représente | Quand elle s’impose | Limite principale |
| ------------------------- | ---------------------------------------------------------------------------------------------- | ------------------------------------------------------------------------------------------------------ | ------------------------------------------------------------------------------------- |
| Événements discrets (DES) | Des entités individuelles et des ressources limitées, dont l’état change à des instants précis | Flux physiques ou documentaires avec files, priorités, pannes, changements de série | Demande des distributions de durées fiables et une validation soignée |
| Monte-Carlo | Un tirage répété de variables incertaines pour obtenir une distribution de résultats | Incertitude sur des paramètres agrégés : coûts, délais, capacité d’un dimensionnement | Ne représente pas les interactions dynamiques entre entités |
| Dynamique des systèmes | Des stocks et des flux agrégés, en pas de temps réguliers | Boucles de rétroaction et politiques globales sur des horizons longs | Perd le comportement individuel ; peu pertinent pour une implantation d’atelier |
| Multi-agents | Des agents autonomes avec des règles de décision locales | Comportements humains ou logistiques hétérogènes (piétons, véhicules autonomes, allocation distribuée) | Calibration des règles comportementales difficile, résultats sensibles aux hypothèses |
Deux repères historiques utiles pour situer les outils : la méthode de Monte-Carlo est publiée par Metropolis et Ulam en 1949 ; les premiers langages de simulation à événements discrets apparaissent dans les années 1960 (Simula), et les premiers logiciels commerciaux graphiques dans les années 1980 (Plant Simulation, SIMAN, WITNESS, ProModel, ExtendSim). La simulation à événements discrets reste aujourd’hui la technique dominante en industrie, en transport et dans les services.
## Le déroulé d’une étude, en quatre phases
Les quatre phases d’une étude de simulation de flux. Chaque phase produit un livrable daté ; la
phase 4 n’est pas la fin de l’étude mais le début du suivi.
| Phase | Question à laquelle elle répond | Livrable relu par le décideur | Erreur fréquente |
| ------- | -------------------------------------------------------------------------- | -------------------------------------------------------------------- | --------------------------------------------------------------- |
| Cadrer | Quelle décision doit être prise, et quels indicateurs la départagent ? | Note de cadrage : périmètre, scénarios, indicateurs, critère d’arrêt | Modéliser « tout le site » au lieu du goulot qui décide |
| Mesurer | Quelles sont les durées, les lois et les variabilités réelles ? | Fichier de données daté, hypothèses, valeurs extrêmes | Réutiliser des temps standards théoriques jamais mesurés |
| Simuler | Que produisent les scénarios, et avec quelle incertitude ? | Modèle documenté, jeux d’expériences, intervalles de confiance | Conclure sur une seule réplication, sans analyse de sensibilité |
| Décider | Quel compromis accepte-t-on, et comment le vérifierait-on sur le terrain ? | Note d’arbitrage, hypothèses révisables, indicateurs de suivi | Lire la sortie du modèle comme une prédiction |
La phase de mesure est celle qui fait échouer le plus d’études, pour une raison simple : elle produit des chiffres dont personne ne veut assumer la responsabilité. Un modèle alimenté par des durées théoriques reproduit fidèlement une organisation qui n’existe pas.
## Ce que la simulation apporte à une décision
- **Comparer des scénarios sur les mêmes bases.** Deux implantations, deux règles de priorité, deux tailles de lot sont évaluées avec le même modèle, les mêmes données et la même période : la différence observée ne vient pas d’un changement de méthode de calcul.
- **Rendre visible la variabilité.** Un dimensionnement moyen masque les pointes. Le modèle donne la distribution des temps de séjour et le taux de dépassement d’un seuil, pas seulement une moyenne.
- **Révéler les interactions.** Un poste devient goulot parce qu’un autre a été accéléré ou parce qu’une règle de réapprovisionnement a changé. Ces effets de second ordre sont ce qu’un tableur ne capte pas.
- **Documenter les hypothèses.** Un modèle est un ensemble d’hypothèses exécutables, donc contestables une par une, dans un ordre explicite. C’est son intérêt principal en revue de projet.
## Quand elle n’est pas l’outil adapté
Une étude de simulation coûte des semaines de mesure et de construction. Elle ne se justifie pas dans quatre situations :
- **Le calcul suffit.** Une file à un seul serveur, un dimensionnement linéaire, une capacité théorique se traitent par formule. Simuler pour retrouver un résultat analytique n’apporte rien.
- **Les données n’existent pas et ne peuvent pas être produites.** Sans durées observées, le modèle ne fait que déplacer l’incertitude, en lui donnant une apparence de rigueur.
- **La décision est déjà prise.** Une simulation commandée pour confirmer un choix est un document de justification, pas une étude : elle produira les hypothèses nécessaires à sa conclusion.
- **L’enjeu est faible au regard du coût.** Si l’erreur d’un mauvais choix se corrige à faible coût, décider vite et mesurer ensuite est plus rationnel.
## Les limites et les biais
**Un modèle n’est jamais plus juste que ses données.** Des durées de traitement théoriques, des taux de panne supposés et des arrivées « moyennes » produisent des résultats précis et faux. La qualité d’une étude se mesure d’abord à la traçabilité de ses entrées.
**La précision affichée est un piège.** Un temps de séjour calculé à la seconde près reste une estimation assortie d’un intervalle. Publier trois décimales sans intervalle de confiance suggère une exactitude qui n’existe pas.
**Le régime transitoire est souvent le vrai sujet.** Les moyennes de long terme intéressent rarement un exploitant ; ce sont les pointes, les montées en charge et les files de fin de poste qui décident. Une période de chauffe mal traitée fausse ces résultats.
**Les événements rares sont mal représentés.** Une panne qui survient quelques fois par an ne sort pas naturellement d’une réplication courte. Il faut soit allonger l’horizon, soit modéliser l’événement explicitement.
**La validation est un travail à part entière.** Vérifier un modèle (le programme fait-il ce qu’on croit ?) ne dit rien de sa validité (représente-t-il le système réel ?). La seconde exige une confrontation au terrain, sur des indicateurs observés, et un accord explicite du commanditaire sur les écarts acceptés.
**Le biais de confirmation est structurel.** Il est toujours possible d’ajuster des hypothèses jusqu’à retrouver l’intuition initiale. La parade est organisationnelle : hypothèses figées avant les résultats, scénarios contradictoires testés, analyse de sensibilité publiée avec les conclusions.
**Un modèle non maintenu devient un faux témoin.** Un an plus tard, les données, la gamme et l’implantation ont changé. Un modèle conservé sans mise à jour est plus dangereux qu’aucun modèle, parce qu’il conserve l’autorité de son origine.
**Le rendu 3D ne prouve rien.** L’animation aide à communiquer et à faire discuter un atelier ; elle ne valide aucune hypothèse. Un modèle animé avec des durées inventées reste faux, et son apparence le rend plus convaincant.
Ces limites, et les biais qui les accompagnent, sont détaillés mécanisme par mécanisme — avec les parades opérationnelles — dans la page [limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/).
## Ce que nous ne savons pas
Cette page décrit des méthodes, pas des performances. Nous ne publions pas, à ce stade :
- **aucun chiffre client** : l’archive historique du site n’en contient aucun de vérifiable, et une réduction de lead time anonyme sans méthode de mesure n’est pas une donnée ;
- **aucun retour sur investissement type** : il dépend du coût d’une décision erronée pour chaque organisation, et aucun barème public ne le remplace ;
- **aucun comparatif de logiciels** : il suppose des critères datés, une méthodologie de test et une divulgation des liens avec les éditeurs ; il fera l’objet d’une page dédiée ;
- **aucune durée standard de projet** : elle dépend du périmètre, de la disponibilité des données et de la précision attendue.
Ces éléments seront publiés avec leur source et leur méthode de mesure, ou pas du tout.
## Pour aller plus loin
Ce pilier ouvre un dossier qui se construit page par page. La page sur [l’IA dans la simulation de flux](/comprendre-la-simulation-de-flux/simulation-et-intelligence-artificielle/) et celle sur [l’analyse multivariée par machine learning](/comprendre-la-simulation-de-flux/machine-learning-analyse-multivariee/) complètent les pages citées plus haut : la [définition](/comprendre-la-simulation-de-flux/definition/), les [files d’attente](/comprendre-la-simulation-de-flux/files-d-attente/) et les [limites et biais](/comprendre-la-simulation-de-flux/limites-et-biais/). Les suivantes — simulation à événements discrets, simulation multi-agents, Monte-Carlo, jumeau numérique — seront publiées une par une, avec leurs sources, et apparaîtront dans la section « Comprendre » du menu à leur publication. Aucune n’est annoncée avant d’exister.
Pour situer ce site et son éditeur, consultez l’[accueil de simulation-de-flux.com](/).
---
Source : https://www.simulation-de-flux.com/comprendre-la-simulation-de-flux/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Glossaire de la simulation de flux'
description: 'Définitions sourcées des termes de la simulation de flux : entité, ressource, événement, loi de Little, taux d’occupation, sensibilité.'
url: 'https://www.simulation-de-flux.com/glossaire/'
mirrorOf: '/glossaire.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
---
# Glossaire de la simulation de flux
> Définitions sourcées des termes de la simulation de flux : entité, ressource, événement, loi de Little, taux d’occupation, sensibilité.
16 termes définis et sourcés. Chaque fiche indique sa définition, sa
formule et son exemple quand ils s’appliquent, ses termes liés et ses sources.
## Termes
- [Analyse de sensibilité](https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite/) : Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure. · [Markdown](https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite.md)
- [Entité](https://www.simulation-de-flux.com/glossaire/entite/) : Objet qui traverse un modèle de simulation : pièce, colis, patient, dossier. Il porte des attributs et suit un parcours. · [Markdown](https://www.simulation-de-flux.com/glossaire/entite.md)
- [Événement](https://www.simulation-de-flux.com/glossaire/evenement/) : Changement instantané de l’état du modèle : arrivée, fin de service, panne, changement de poste. Il fait avancer l’horloge. · [Markdown](https://www.simulation-de-flux.com/glossaire/evenement.md)
- [Goulot d’étranglement](https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement/) : Ressource dont la capacité limite le débit de l’ensemble. Son taux d’occupation est le plus élevé, et il plafonne la sortie. · [Markdown](https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement.md)
- [Horloge de simulation](https://www.simulation-de-flux.com/glossaire/horloge-de-simulation/) : Temps interne du modèle, qui avance par sauts d’un événement au suivant. Elle n’a pas de pas fixe, contrairement au temps réel. · [Markdown](https://www.simulation-de-flux.com/glossaire/horloge-de-simulation.md)
- [Jumeau numérique](https://www.simulation-de-flux.com/glossaire/jumeau-numerique/) : Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne. · [Markdown](https://www.simulation-de-flux.com/glossaire/jumeau-numerique.md)
- [Loi de Little](https://www.simulation-de-flux.com/glossaire/loi-de-little/) : L = λ × W : le nombre moyen d’entités présentes égale le débit moyen multiplié par le temps moyen passé. Sans hypothèse de loi. · [Markdown](https://www.simulation-de-flux.com/glossaire/loi-de-little.md)
- [Machine learning appliqué à la simulation](https://www.simulation-de-flux.com/glossaire/machine-learning-simulation/) : Le machine learning construit un modèle d’approximation des sorties d’une simulation : il accélère l’exploration de scénarios et aide à lire les résultats. · [Markdown](https://www.simulation-de-flux.com/glossaire/machine-learning-simulation.md)
- [Machine learning et énergie de datacenter](https://www.simulation-de-flux.com/glossaire/machine-learning-datacenter/) : Le machine learning analyse les sorties d’une simulation de flux d’énergie d’un datacenter pour prédire consommation, températures et PUE. · [Markdown](https://www.simulation-de-flux.com/glossaire/machine-learning-datacenter.md)
- [Régime transitoire](https://www.simulation-de-flux.com/glossaire/regime-transitoire/) : Phase de montée en charge du début de simulation, dont les mesures ne représentent pas le fonctionnement courant du système. · [Markdown](https://www.simulation-de-flux.com/glossaire/regime-transitoire.md)
- [Réplication](https://www.simulation-de-flux.com/glossaire/replication/) : Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance. · [Markdown](https://www.simulation-de-flux.com/glossaire/replication.md)
- [Ressource](https://www.simulation-de-flux.com/glossaire/ressource/) : Moyen limité qu’une entité attend avant de poursuivre : machine, guichet, quai, opérateur. Sa capacité fixe le débit maximal. · [Markdown](https://www.simulation-de-flux.com/glossaire/ressource.md)
- [Simulation à événements discrets](https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets/) : Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant. · [Markdown](https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets.md)
- [Taux d’occupation](https://www.simulation-de-flux.com/glossaire/taux-d-occupation/) : Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime. · [Markdown](https://www.simulation-de-flux.com/glossaire/taux-d-occupation.md)
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/) : Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente. · [Markdown](https://www.simulation-de-flux.com/glossaire/variabilite.md)
- [Vérification et validation](https://www.simulation-de-flux.com/glossaire/verification-et-validation/) : Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu. · [Markdown](https://www.simulation-de-flux.com/glossaire/verification-et-validation.md)
## Portée
- Chaque définition est adossée à au moins une source consultable, reprise dans
le front-matter de la fiche et visible sur sa page.
- Aucune définition ne cite de chiffre client : l’archive historique n’en contient
aucun de vérifiable.
- Un terme non publié n’apparaît ni ici, ni dans `llms.txt`, ni dans le plan de
site.
---
Source : https://www.simulation-de-flux.com/glossaire/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Analyse de sensibilité'
description: 'Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure.'
url: 'https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite/'
mirrorOf: '/glossaire/analyse-de-sensibilite.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Analyse de sensibilité (définition et méthodes)'
url: 'https://fr.wikipedia.org/wiki/Analyse_de_sensibilit%C3%A9'
accessed: '2026-11-04'
- label: 'Wikipédia — Sensitivity analysis (méthodes et usages en modélisation)'
url: 'https://en.wikipedia.org/wiki/Sensitivity_analysis'
accessed: '2026-11-04'
related:
- 'verification-et-validation'
- 'variabilite'
---
# Analyse de sensibilité
> Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure.
L’analyse de sensibilité fait varier une ou plusieurs hypothèses du modèle et observe l’effet sur les indicateurs de sortie. Elle répond à une question que la simulation seule ne tranche pas : le classement des scénarios tient-il, si les durées de service sont plus longues de 10 %, si les arrivées sont plus irrégulières, si une ressource tombe en panne deux fois plus souvent ?
Deux usages se complètent. En entrée, l’analyse sert à prioriser la collecte de données : si le résultat varie fortement avec une hypothèse mal connue, c’est cette donnée qu’il faut mesurer avant de décider. En sortie, elle borne la confiance accordée aux conclusions : un scénario qui ne gagne que sous une hypothèse favorable n’est pas un scénario robuste.
Elle se conduit à hypothèses figées, avant de regarder les résultats, faute de quoi elle devient un outil de confirmation. Voir [vérification et validation](/glossaire/verification-et-validation/) et les parades décrites dans [limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/).
## Termes liés
- [Vérification et validation](https://www.simulation-de-flux.com/glossaire/verification-et-validation/) : Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/) : Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.
---
Source : https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Entité'
description: 'Objet qui traverse un modèle de simulation : pièce, colis, patient, dossier. Il porte des attributs et suit un parcours.'
url: 'https://www.simulation-de-flux.com/glossaire/entite/'
mirrorOf: '/glossaire/entite.md'
updated: '2026-11-04'
synonyms:
- 'Item'
- 'Unité de flux'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Simulation à événements discrets (entités, ressources, événements)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
- label: 'Banks, Carson, Nelson & Nicol — Discrete-Event System Simulation (notice bibliographique)'
url: 'https://openlibrary.org/works/OL18460439W'
accessed: '2026-11-04'
related:
- 'ressource'
- 'evenement'
- 'replication'
---
# Entité
> Objet qui traverse un modèle de simulation : pièce, colis, patient, dossier. Il porte des attributs et suit un parcours.
Dans une simulation de flux, l’entité est l’objet qui traverse le modèle : une pièce sur une ligne d’usinage, un colis dans un entrepôt, un patient aux urgences, un dossier dans un service. Chaque entité porte des attributs — type, priorité, date d’arrivée, gamme — et un parcours, c’est-à-dire la suite d’étapes qu’elle franchit jusqu’à sa sortie du système.
Le niveau de détail est une décision de modélisation. Simuler chaque pièce individuellement permet de mesurer la dispersion des temps de séjour ; simuler des lots réduit le temps de calcul mais efface cette dispersion. Une entité doit donc être définie assez finement pour répondre à la question posée, et pas davantage.
L’entité est l’une des quatre notions qui définissent un modèle, avec la ressource, l’événement et l’aléa : elles sont explicitées dans la [définition de la simulation de flux](/comprendre-la-simulation-de-flux/definition/).
## Exemple
Sur une ligne de conditionnement, l’entité peut être le lot de bouteilles. Si la question porte sur le débit horaire, un lot suffit ; si elle porte sur le taux de rebut par bouteille, il faut descendre à la bouteille — et accepter un modèle plus coûteux à exécuter.
## Termes liés
- [Ressource](https://www.simulation-de-flux.com/glossaire/ressource/) : Moyen limité qu’une entité attend avant de poursuivre : machine, guichet, quai, opérateur. Sa capacité fixe le débit maximal.
- [Événement](https://www.simulation-de-flux.com/glossaire/evenement/) : Changement instantané de l’état du modèle : arrivée, fin de service, panne, changement de poste. Il fait avancer l’horloge.
- [Réplication](https://www.simulation-de-flux.com/glossaire/replication/) : Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.
---
Source : https://www.simulation-de-flux.com/glossaire/entite/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Événement'
description: 'Changement instantané de l’état du modèle : arrivée, fin de service, panne, changement de poste. Il fait avancer l’horloge.'
url: 'https://www.simulation-de-flux.com/glossaire/evenement/'
mirrorOf: '/glossaire/evenement.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Simulation à événements discrets (échéancier et traitement des événements)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
- label: 'Banks, Carson, Nelson & Nicol — Discrete-Event System Simulation (notice bibliographique)'
url: 'https://openlibrary.org/works/OL18460439W'
accessed: '2026-11-04'
related:
- 'entite'
- 'horloge-de-simulation'
- 'replication'
---
# Événement
> Changement instantané de l’état du modèle : arrivée, fin de service, panne, changement de poste. Il fait avancer l’horloge.
Un événement est un changement d’état daté : une entité arrive, un service se termine, une machine tombe en panne, un poste change, une commande est libérée. Entre deux événements, rien ne change ; le modèle peut donc sauter directement de l’un au suivant, sans calculer d’état intermédiaire.
C’est cette propriété qui rend la simulation à événements discrets économique : le temps de calcul dépend du nombre d’événements traités, pas de la durée simulée. Simuler une année d’exploitation en quelques secondes suppose que les périodes creuses ne coûtent rien — ce qui est exact, tant qu’aucun phénomène continu n’est à représenter.
La liste des événements programmés, triée par date, constitue l’échéancier du modèle. Son ordre de traitement doit être déterministe : à date égale, une règle explicite tranche, sinon deux exécutions du même modèle peuvent diverger. Voir aussi l’[horloge de simulation](/glossaire/horloge-de-simulation/) et la [définition de la simulation de flux](/comprendre-la-simulation-de-flux/definition/).
## Termes liés
- [Entité](https://www.simulation-de-flux.com/glossaire/entite/) : Objet qui traverse un modèle de simulation : pièce, colis, patient, dossier. Il porte des attributs et suit un parcours.
- [Horloge de simulation](https://www.simulation-de-flux.com/glossaire/horloge-de-simulation/) : Temps interne du modèle, qui avance par sauts d’un événement au suivant. Elle n’a pas de pas fixe, contrairement au temps réel.
- [Réplication](https://www.simulation-de-flux.com/glossaire/replication/) : Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.
---
Source : https://www.simulation-de-flux.com/glossaire/evenement/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Goulot d’étranglement'
description: 'Ressource dont la capacité limite le débit de l’ensemble. Son taux d’occupation est le plus élevé, et il plafonne la sortie.'
url: 'https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement/'
mirrorOf: '/glossaire/goulot-d-etranglement.md'
updated: '2026-11-04'
synonyms:
- 'Contrainte'
- 'Bottleneck'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Théorie des contraintes (identification de la contrainte)'
url: 'https://fr.wikipedia.org/wiki/Th%C3%A9orie_des_contraintes'
accessed: '2026-11-04'
- label: 'Wikipédia — Théorie des files d’attente (saturation et stabilité)'
url: 'https://fr.wikipedia.org/wiki/Th%C3%A9orie_des_files_d%27attente'
accessed: '2026-11-04'
related:
- 'taux-d-occupation'
- 'variabilite'
---
# Goulot d’étranglement
> Ressource dont la capacité limite le débit de l’ensemble. Son taux d’occupation est le plus élevé, et il plafonne la sortie.
Un goulot d’étranglement est la ressource qui contraint le débit d’un flux : tant qu’elle est saturée, augmenter la capacité des autres étapes ne change rien à la production. La théorie des contraintes en fait le point de pilotage principal d’un système, avec une conséquence contre-intuitive : une heure perdue sur le goulot est une heure perdue pour tout le système, alors qu’une heure perdue ailleurs est souvent absorbée.
Dans un modèle de simulation, le goulot n’est pas toujours celui que l’atelier désigne. Il se lit sur les résultats — taux d’occupation le plus élevé, file la plus longue, attente la plus forte — et il peut se déplacer quand la demande change : la ressource contraignante en pointe n’est pas celle du régime moyen.
Confondre goulot et étape la plus lente est une erreur fréquente : une étape lente mais peu sollicitée ne contraint rien. Les indicateurs qui permettent de trancher sont décrits dans [files d’attente et loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/), et le [taux d’occupation](/glossaire/taux-d-occupation/) en est le premier.
## Termes liés
- [Taux d’occupation](https://www.simulation-de-flux.com/glossaire/taux-d-occupation/) : Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime.
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/) : Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.
---
Source : https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Horloge de simulation'
description: 'Temps interne du modèle, qui avance par sauts d’un événement au suivant. Elle n’a pas de pas fixe, contrairement au temps réel.'
url: 'https://www.simulation-de-flux.com/glossaire/horloge-de-simulation/'
mirrorOf: '/glossaire/horloge-de-simulation.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Simulation à événements discrets (mécanisme d’horloge)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
- label: 'SimPy — documentation officielle (environnement de simulation et temps simulé)'
url: 'https://simpy.readthedocs.io/en/latest/'
accessed: '2026-11-04'
related:
- 'evenement'
- 'replication'
---
# Horloge de simulation
> Temps interne du modèle, qui avance par sauts d’un événement au suivant. Elle n’a pas de pas fixe, contrairement au temps réel.
L’horloge de simulation est le temps tel que le modèle le vit : une variable qui ne progresse que lorsqu’un événement est traité, en sautant de la date courante à la date du prochain événement programmé. Rien n’est calculé entre deux événements, ce qui distingue ce mécanisme d’une simulation à pas de temps fixe, où chaque intervalle est évalué même quand rien ne se passe.
Cette horloge n’a aucun lien avec la durée réelle du calcul. Une simulation de dix ans peut prendre une seconde comme une heure, selon le nombre d’événements et la complexité des traitements. Confondre les deux conduit à de mauvaises décisions techniques : optimiser le temps de calcul n’améliore pas la représentativité du modèle, et un modèle rapide reste un modèle faux s’il représente mal le système.
Le pilotage de cette horloge est décrit dans la documentation de [SimPy](https://simpy.readthedocs.io/en/latest/), bibliothèque Python de simulation à événements discrets, où elle apparaît sous le nom d’environnement. Elle est aussi au cœur de la page [définition de la simulation de flux](/comprendre-la-simulation-de-flux/definition/).
## Termes liés
- [Événement](https://www.simulation-de-flux.com/glossaire/evenement/) : Changement instantané de l’état du modèle : arrivée, fin de service, panne, changement de poste. Il fait avancer l’horloge.
- [Réplication](https://www.simulation-de-flux.com/glossaire/replication/) : Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.
---
Source : https://www.simulation-de-flux.com/glossaire/horloge-de-simulation/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Jumeau numérique'
description: 'Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne.'
url: 'https://www.simulation-de-flux.com/glossaire/jumeau-numerique/'
mirrorOf: '/glossaire/jumeau-numerique.md'
updated: '2026-11-04'
synonyms:
- 'Digital twin'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Jumeau numérique (définition et propriétés)'
url: 'https://fr.wikipedia.org/wiki/Jumeau_num%C3%A9rique'
accessed: '2026-11-04'
- label: 'Wikipédia — Digital twin (connexion aux données et cycle de vie)'
url: 'https://en.wikipedia.org/wiki/Digital_twin'
accessed: '2026-11-04'
related:
- 'simulation-a-evenements-discrets'
- 'verification-et-validation'
---
# Jumeau numérique
> Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne.
Un jumeau numérique est un modèle exécutable d’un système existant, alimenté par ses données réelles — capteurs, ordres de fabrication, historique de maintenance — et mis à jour assez souvent pour rester représentatif. Sa finalité est opérationnelle : suivre l’état courant, tester une décision avant de l’appliquer, anticiper une dérive.
Il se distingue d’une étude de simulation classique par trois propriétés. Le modèle est connecté : les données d’entrée ne sont pas des hypothèses mais des mesures. Il est daté : il représente le système tel qu’il est aujourd’hui, pas tel qu’il était lors de l’étude. Il est maintenu : sans mise à jour, il cesse d’être un jumeau pour redevenir un modèle périmé — ce qui est pire qu’aucun modèle, puisqu’il conserve l’autorité de son origine.
La [vérification et la validation](/glossaire/verification-et-validation/) y sont permanentes plutôt que ponctuelles, et la qualité des données devient le facteur limitant. Les biais propres aux modèles non maintenus sont détaillés dans [limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/).
## Termes liés
- [Simulation à événements discrets](https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets/) : Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant.
- [Vérification et validation](https://www.simulation-de-flux.com/glossaire/verification-et-validation/) : Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.
---
Source : https://www.simulation-de-flux.com/glossaire/jumeau-numerique/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Loi de Little'
description: 'L = λ × W : le nombre moyen d’entités présentes égale le débit moyen multiplié par le temps moyen passé. Sans hypothèse de loi.'
url: 'https://www.simulation-de-flux.com/glossaire/loi-de-little/'
mirrorOf: '/glossaire/loi-de-little.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Little, J. D. C. — A Proof for the Queuing Formula: L = λW, Operations Research 9(3), 1961'
url: 'https://doi.org/10.1287/opre.9.3.383'
accessed: '2026-11-04'
- label: 'Wikipédia — Loi de Little (énoncé et conditions de validité)'
url: 'https://fr.wikipedia.org/wiki/Loi_de_Little'
accessed: '2026-11-04'
related:
- 'taux-d-occupation'
- 'replication'
---
# Loi de Little
> L = λ × W : le nombre moyen d’entités présentes égale le débit moyen multiplié par le temps moyen passé. Sans hypothèse de loi.
La loi de Little relie trois grandeurs mesurables d’un système stable : le nombre moyen d’entités présentes (L), le débit moyen de sortie (λ) et le temps moyen passé dans le système (W). Elle s’écrit L = λ × W, et sa force est de ne supposer aucune distribution particulière des arrivées ni des durées de service.
Elle sert d’abord à vérifier un modèle : si le débit, le nombre moyen en système et le temps de séjour mesurés ne satisfont pas la relation, l’un des trois comptages est faux. C’est un contrôle peu coûteux, qui détecte les erreurs de périmètre — entités comptées à l’entrée mais pas à la sortie, par exemple.
Elle sert ensuite à raisonner sans simuler. Une entreprise qui traite 40 dossiers par jour et en compte 120 en cours sait, sans modèle, que le délai moyen est de trois jours. La condition de validité est la stabilité : sur une période transitoire, la relation ne s’applique pas telle quelle. La démonstration et les applications sont détaillées dans [files d’attente et loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/).
## Formule
L = λ × W
## Termes liés
- [Taux d’occupation](https://www.simulation-de-flux.com/glossaire/taux-d-occupation/) : Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime.
- [Réplication](https://www.simulation-de-flux.com/glossaire/replication/) : Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.
---
Source : https://www.simulation-de-flux.com/glossaire/loi-de-little/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Machine learning appliqué à la simulation'
description: 'Le machine learning construit un modèle d’approximation des sorties d’une simulation : il accélère l’exploration de scénarios et aide à lire les résultats.'
url: 'https://www.simulation-de-flux.com/glossaire/machine-learning-simulation/'
mirrorOf: '/glossaire/machine-learning-simulation.md'
updated: '2026-11-04'
synonyms:
- 'Apprentissage automatique'
- 'Métamodèle'
- 'Surrogate model'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Saves et al. — Modèles de substitution et XAI pour explorer des simulations (arXiv, 2025)'
url: 'https://arxiv.org/abs/2510.16742'
accessed: '2026-11-04'
- label: 'Hao et al. — Modèles de substitution empilés et apprentissage actif validés par simulation (Informatica, 2026)'
url: 'https://www.informatica.si/index.php/informatica/article/download/13406/6687'
accessed: '2026-11-04'
- label: 'Huster et al. — Métamodélisation d’un modèle de simulation à événements discrets (Annals of Operations Research, 2026)'
url: 'https://link.springer.com/article/10.1007/s10479-026-07342-3'
accessed: '2026-11-04'
related:
- 'analyse-de-sensibilite'
- 'simulation-a-evenements-discrets'
- 'jumeau-numerique'
- 'verification-et-validation'
- 'variabilite'
---
# Machine learning appliqué à la simulation
> Le machine learning construit un modèle d’approximation des sorties d’une simulation : il accélère l’exploration de scénarios et aide à lire les résultats.
Le machine learning appliqué à la simulation consiste à entraîner un modèle d’apprentissage — réseau de neurones, forêt aléatoire, XGBoost ou processus gaussien — sur les sorties d’un simulateur, afin de prédire ces résultats sans relancer la simulation. L’objectif est double : explorer beaucoup plus de scénarios en un temps réduit, et interpréter ce qui pilote les indicateurs de sortie.
La démarche suit un cycle : on échantillonne l’espace des paramètres par un plan d’expériences, on exécute la simulation sur cet échantillon, puis on entraîne le modèle sur les entrées-sorties collectées. Les gains peuvent être spectaculaires : sur un modèle de flux de batteries à événements discrets, chaque run durait environ dix minutes et le métamodèle l’a ramené à une fraction de seconde, avec un R² de 0,69 pour XGBoost en prédiction globale. L’exploration d’un grand espace de scénarios passe alors de plusieurs heures à quelques secondes.
Le modèle d’approximation n’est pas une copie du simulateur : son erreur doit être contrôlée sur des points non vus, et il reste moins fiable sur les sorties rares ou très variables. Il complète la simulation plutôt qu’il ne la remplace — la [vérification et validation](/glossaire/verification-et-validation/) de l’un et de l’autre restent distinctes. Combiné à une [analyse de sensibilité](/glossaire/analyse-de-sensibilite/), il aide à classer les paramètres qui pèsent, et il est un des moteurs d’un [jumeau numérique](/glossaire/jumeau-numerique/).
## Usages
| Usage | Méthode | Bénéfice |
| --------- | -------------------------------------------------------- | --------------------------------------- |
| Prédire | Modèle entraîné sur les sorties du simulateur | Scénarios explorés en quelques secondes |
| Expliquer | Importance des variables, explications de modèle | Paramètres pilotes identifiés |
| Décider | Apprentissage actif alimenté par les indicateurs simulés | Politiques ajustées en continu |
Le modèle doit être nourri par une [simulation à événements discrets](/glossaire/simulation-a-evenements-discrets/) fidèlement construite : les données d’apprentissage héritent de ses approximations comme de sa [variabilité](/glossaire/variabilite/).
## Termes liés
- [Analyse de sensibilité](https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite/) : Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure.
- [Simulation à événements discrets](https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets/) : Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant.
- [Jumeau numérique](https://www.simulation-de-flux.com/glossaire/jumeau-numerique/) : Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne.
- [Vérification et validation](https://www.simulation-de-flux.com/glossaire/verification-et-validation/) : Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/) : Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.
---
Source : https://www.simulation-de-flux.com/glossaire/machine-learning-simulation/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Machine learning et énergie de datacenter'
description: 'Le machine learning analyse les sorties d’une simulation de flux d’énergie d’un datacenter pour prédire consommation, températures et PUE.'
url: 'https://www.simulation-de-flux.com/glossaire/machine-learning-datacenter/'
mirrorOf: '/glossaire/machine-learning-datacenter.md'
updated: '2026-11-04'
synonyms:
- 'Métamodèle énergétique de datacenter'
- 'Surrogate model de flux d’énergie'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'DeepMind — L’IA réduit de 40 % la facture de refroidissement des datacenters Google (2016)'
url: 'https://deepmind.google/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40/'
accessed: '2026-11-04'
- label: 'Optimisation du refroidissement d’un datacenter guidée par le machine learning (arXiv, 2026)'
url: 'https://arxiv.org/html/2601.02275'
accessed: '2026-11-04'
- label: 'Métamodélisation 3D rapide pour la thermique des datacenters (arXiv, 2025)'
url: 'https://arxiv.org/pdf/2511.11722v1'
accessed: '2026-11-04'
related:
- 'machine-learning-simulation'
- 'jumeau-numerique'
- 'verification-et-validation'
- 'simulation-a-evenements-discrets'
---
# Machine learning et énergie de datacenter
> Le machine learning analyse les sorties d’une simulation de flux d’énergie d’un datacenter pour prédire consommation, températures et PUE.
Le machine learning appliqué à l’analyse des sorties d’une simulation de flux d’énergie d’un datacenter entraîne un métamodèle sur les résultats du simulateur — puissance, température, PUE — pour les prédire sans relancer la simulation. Cela accélère l’exploration des scénarios de refroidissement et révèle les gaspillages. Même logique que le [machine learning appliqué à la simulation](/glossaire/machine-learning-simulation/), appliquée à un système énergétique.
## Les sorties analysées
Un modèle dynamique du datacenter simule la puissance des serveurs, la puissance des auxiliaires de refroidissement, les températures d’air et d’eau, et le PUE (Power Usage Effectiveness) : le rapport de l’énergie totale du bâtiment à l’énergie consommée par l’informatique. Le métamodèle apprend ces relations sur un plan d’expériences. Sur le supercalculateur Frontier, un surrogate contraint en monotonie prédit la puissance des auxiliaires avec une erreur moyenne de 0,026 MW, et le PUE avec une marge de ±0,01 pour 98,7 % des échantillons.
## Usages
| Usage | Méthode | Bénéfice |
| -------- | ---------------------------------------------------- | ------------------------------------------ |
| Prédire | Métamodèle des sorties simulées | Scénarios explorés sans relancer le modèle |
| Piloter | Recommandations sur les consignes de refroidissement | Consommation de refroidissement réduite |
| Détecter | Comparaison du réel à la baseline simulée | Gaspillages localisés en heures et en MWh |
Chez Google, des réseaux de neurones entraînés sur les données des capteurs ont réduit de 40 % l’énergie de refroidissement, soit 15 % du PUE après prise en compte des pertes. Sur Frontier, la comparaison à la baseline révèle environ 85 MWh d’inefficacité annuelle concentrés sur certains régimes de fonctionnement.
## Une accélération décisive
Les surrogates travaillant directement sur une représentation 3D du datacenter — charges serveurs, vitesse des ventilateurs, consignes de température — prédisent les cartes thermiques jusqu’à 20 000 fois plus vite que la simulation détaillée : des millisecondes au lieu d’heures. Cette vitesse rend possible le pilotage en temps réel du refroidissement et la redistribution des charges, avec des économies d’énergie de l’ordre de 7 %.
## Limites et précautions
Le métamodèle ne remplace pas le simulateur : son erreur se contrôle sur des points non vus lors de l’entraînement, et sa [vérification et validation](/glossaire/verification-et-validation/) restent distinctes de celles du modèle de simulation. Il sert de baseline continue, à la manière d’un [jumeau numérique](/glossaire/jumeau-numerique/), mais se dégrade si les conditions du datacenter changent. Les données d’apprentissage héritent des approximations du modèle, comme de la [variabilité de la simulation](/glossaire/variabilite/).
## Termes liés
- [Machine learning appliqué à la simulation](https://www.simulation-de-flux.com/glossaire/machine-learning-simulation/) : Le machine learning construit un modèle d’approximation des sorties d’une simulation : il accélère l’exploration de scénarios et aide à lire les résultats.
- [Jumeau numérique](https://www.simulation-de-flux.com/glossaire/jumeau-numerique/) : Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne.
- [Vérification et validation](https://www.simulation-de-flux.com/glossaire/verification-et-validation/) : Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.
- [Simulation à événements discrets](https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets/) : Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant.
---
Source : https://www.simulation-de-flux.com/glossaire/machine-learning-datacenter/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Régime transitoire'
description: 'Phase de montée en charge du début de simulation, dont les mesures ne représentent pas le fonctionnement courant du système.'
url: 'https://www.simulation-de-flux.com/glossaire/regime-transitoire/'
mirrorOf: '/glossaire/regime-transitoire.md'
updated: '2026-11-04'
synonyms:
- 'Période de chauffe'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Régime transitoire (définition du transitoire et du régime permanent)'
url: 'https://fr.wikipedia.org/wiki/R%C3%A9gime_transitoire'
accessed: '2026-11-04'
- label: 'Banks, Carson, Nelson & Nicol — Discrete-Event System Simulation (notice bibliographique)'
url: 'https://openlibrary.org/works/OL18460439W'
accessed: '2026-11-04'
related:
- 'replication'
- 'variabilite'
---
# Régime transitoire
> Phase de montée en charge du début de simulation, dont les mesures ne représentent pas le fonctionnement courant du système.
Un modèle démarre généralement vide : aucune entité en file, toutes les ressources disponibles. Les premières heures simulées décrivent donc une montée en charge, pas la situation habituelle. Cette phase est le régime transitoire ; la période qui suit, où les indicateurs se stabilisent autour d’une moyenne, est le régime établi.
Mélanger les deux fausse les résultats dans un sens prévisible : les temps d’attente sont sous-estimés, puisque le système est artificiellement peu chargé au départ. Deux pratiques corrigent ce biais — écarter une période de chauffe avant de mesurer, ou initialiser le modèle dans un état représentatif, files préremplies et en-cours positionnés.
Le choix dépend de la question posée. Si l’objet de l’étude est justement la montée en charge — ouverture d’un site, lancement d’une gamme, pic saisonnier —, le transitoire n’est plus un artefact à éliminer : c’est le sujet. La page [limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/) détaille ce que ce choix change aux conclusions.
## Termes liés
- [Réplication](https://www.simulation-de-flux.com/glossaire/replication/) : Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/) : Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.
---
Source : https://www.simulation-de-flux.com/glossaire/regime-transitoire/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Réplication'
description: 'Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.'
url: 'https://www.simulation-de-flux.com/glossaire/replication/'
mirrorOf: '/glossaire/replication.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Banks, Carson, Nelson & Nicol — Discrete-Event System Simulation (notice bibliographique)'
url: 'https://openlibrary.org/works/OL18460439W'
accessed: '2026-11-04'
- label: 'Wikipédia — Simulation à événements discrets (répétitions et estimateurs)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
related:
- 'regime-transitoire'
- 'variabilite'
- 'horloge-de-simulation'
---
# Réplication
> Exécution indépendante du même modèle avec des tirages aléatoires différents. Sans plusieurs réplications, aucun intervalle de confiance.
Une réplication est une exécution complète du modèle, depuis son état initial, avec une graine aléatoire différente. Chaque réplication produit une trajectoire : les indicateurs mesurés — temps de séjour moyen, débit, longueur de file — diffèrent d’une exécution à l’autre, parce que les arrivées et les durées de service sont tirées au hasard.
Un résultat unique n’est donc pas un résultat : c’est un point sans dispersion. Publier un temps de séjour moyen sans intervalle de confiance revient à présenter une estimation comme une mesure. La pratique courante consiste à produire plusieurs réplications indépendantes, puis à calculer la moyenne et l’intervalle de confiance sur ces moyennes — et non sur les observations individuelles, qui sont corrélées à l’intérieur d’une même réplication.
Le nombre de réplications se fixe par la précision recherchée : un intervalle trop large ne permet pas de trancher entre deux scénarios, et l’écart entre scénarios est souvent plus petit que l’intervalle. Voir le [régime transitoire](/glossaire/regime-transitoire/), dont les mesures ne doivent pas être mélangées à celles du régime établi, et la page [files d’attente et loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/) pour les indicateurs à comparer.
## Termes liés
- [Régime transitoire](https://www.simulation-de-flux.com/glossaire/regime-transitoire/) : Phase de montée en charge du début de simulation, dont les mesures ne représentent pas le fonctionnement courant du système.
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/) : Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.
- [Horloge de simulation](https://www.simulation-de-flux.com/glossaire/horloge-de-simulation/) : Temps interne du modèle, qui avance par sauts d’un événement au suivant. Elle n’a pas de pas fixe, contrairement au temps réel.
---
Source : https://www.simulation-de-flux.com/glossaire/replication/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Ressource'
description: 'Moyen limité qu’une entité attend avant de poursuivre : machine, guichet, quai, opérateur. Sa capacité fixe le débit maximal.'
url: 'https://www.simulation-de-flux.com/glossaire/ressource/'
mirrorOf: '/glossaire/ressource.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Simulation à événements discrets (ressources et files d’attente)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
- label: 'SimPy — documentation officielle (ressources et files d’attente en Python)'
url: 'https://simpy.readthedocs.io/en/latest/'
accessed: '2026-11-04'
related:
- 'entite'
- 'taux-d-occupation'
- 'goulot-d-etranglement'
---
# Ressource
> Moyen limité qu’une entité attend avant de poursuivre : machine, guichet, quai, opérateur. Sa capacité fixe le débit maximal.
La ressource est ce que l’entité doit obtenir pour avancer : une machine, un guichet, un quai de chargement, un opérateur, un serveur. Elle se caractérise par une capacité — le nombre d’unités identiques disponibles en parallèle — et par une politique de service : premier arrivé, premier servi, priorité, rendez-vous.
Une ressource n’est pas seulement un compteur de disponibilité : elle peut tomber en panne, être changée d’outil, suivre des horaires de poste. Ces interruptions comptent, parce qu’elles consomment la capacité disponible et créent des files que le modèle doit reproduire. Une ressource déclarée « toujours disponible » produit un résultat optimiste, souvent sans que personne ne l’ait décidé.
Le rapport entre le temps d’occupation et le temps disponible est le [taux d’occupation](/glossaire/taux-d-occupation/) ; c’est lui qui explique l’essentiel des attentes observées. Les files qu’il provoque sont traitées dans la page [files d’attente et loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/).
## Formule
Capacité disponible = nombre d’unités × temps de disponibilité
## Termes liés
- [Entité](https://www.simulation-de-flux.com/glossaire/entite/) : Objet qui traverse un modèle de simulation : pièce, colis, patient, dossier. Il porte des attributs et suit un parcours.
- [Taux d’occupation](https://www.simulation-de-flux.com/glossaire/taux-d-occupation/) : Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime.
- [Goulot d’étranglement](https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement/) : Ressource dont la capacité limite le débit de l’ensemble. Son taux d’occupation est le plus élevé, et il plafonne la sortie.
---
Source : https://www.simulation-de-flux.com/glossaire/ressource/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Simulation à événements discrets'
description: 'Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant.'
url: 'https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets/'
mirrorOf: '/glossaire/simulation-a-evenements-discrets.md'
updated: '2026-11-04'
synonyms:
- 'DES'
- 'Simulation par événements'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Simulation à événements discrets (principe et champs d’application)'
url: 'https://fr.wikipedia.org/wiki/Simulation_%C3%A0_%C3%A9v%C3%A9nements_discrets'
accessed: '2026-11-04'
- label: 'SimPy — documentation officielle (simulation à événements discrets en Python)'
url: 'https://simpy.readthedocs.io/en/latest/'
accessed: '2026-11-04'
related:
- 'entite'
- 'ressource'
- 'evenement'
---
# Simulation à événements discrets
> Famille de méthodes où l’état ne change qu’à des instants datés, les événements. L’horloge saute de l’un au suivant.
La simulation à événements discrets — souvent abrégée DES, de l’anglais discrete-event simulation — représente un système dont l’état ne change qu’en des instants précis : une arrivée, une fin de service, une panne, une libération de ressource. Entre deux de ces instants, aucun état n’évolue, ce qui permet à l’horloge de sauter directement d’un événement au suivant.
Elle convient aux systèmes où des entités en nombre fini se disputent des ressources limitées : ateliers, entrepôts, guichets, réseaux logistiques, services hospitaliers. Elle est moins adaptée aux phénomènes continus — niveaux de stock, températures, débits de fluides — que traitent la dynamique des systèmes ou la simulation continue.
Trois éléments en forment le socle : l’[entité](/glossaire/entite/), qui circule ; la [ressource](/glossaire/ressource/), qui la retient ; l’[événement](/glossaire/evenement/), qui fait avancer le temps. La mise en œuvre dans un langage de programmation est illustrée par [SimPy](https://simpy.readthedocs.io/en/latest/) ; les quatre familles de méthodes sont comparées dans la page [définition de la simulation de flux](/comprendre-la-simulation-de-flux/definition/).
## Termes liés
- [Entité](https://www.simulation-de-flux.com/glossaire/entite/) : Objet qui traverse un modèle de simulation : pièce, colis, patient, dossier. Il porte des attributs et suit un parcours.
- [Ressource](https://www.simulation-de-flux.com/glossaire/ressource/) : Moyen limité qu’une entité attend avant de poursuivre : machine, guichet, quai, opérateur. Sa capacité fixe le débit maximal.
- [Événement](https://www.simulation-de-flux.com/glossaire/evenement/) : Changement instantané de l’état du modèle : arrivée, fin de service, panne, changement de poste. Il fait avancer l’horloge.
---
Source : https://www.simulation-de-flux.com/glossaire/simulation-a-evenements-discrets/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Taux d’occupation'
description: 'Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime.'
url: 'https://www.simulation-de-flux.com/glossaire/taux-d-occupation/'
mirrorOf: '/glossaire/taux-d-occupation.md'
updated: '2026-11-04'
synonyms:
- 'Taux d’utilisation'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Théorie des files d’attente (taux d’utilisation et stabilité)'
url: 'https://fr.wikipedia.org/wiki/Th%C3%A9orie_des_files_d%27attente'
accessed: '2026-11-04'
- label: 'Kingman, J. F. C. — formule approchée des files d’attente (article encyclopédique)'
url: 'https://en.wikipedia.org/wiki/Kingman%27s_formula'
accessed: '2026-11-04'
related:
- 'loi-de-little'
- 'variabilite'
- 'goulot-d-etranglement'
---
# Taux d’occupation
> Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime.
Le taux d’occupation — ou taux d’utilisation — est le rapport entre le temps où une ressource est effectivement occupée et le temps où elle est disponible : ρ = λ / (c × μ), où λ est le débit d’arrivée, c le nombre d’unités en parallèle et μ le débit de service d’une unité.
Il ne mesure pas l’attente, mais il en commande l’ordre de grandeur. Pour une file à une seule ressource, l’attente moyenne évolue comme ρ / (1 − ρ) : à 50 % d’occupation, ce facteur vaut 1 ; à 90 %, il vaut 9 ; à 95 %, il vaut 19. Autrement dit, gagner dix points d’occupation peut multiplier l’attente par dix — sans qu’aucune ressource n’ait été supprimée.
C’est pourquoi un taux d’occupation élevé n’est pas un objectif en soi. Il doit être lu avec la [variabilité](/glossaire/variabilite/) des arrivées et des services : un système très régulier supporte une charge élevée qu’un système irrégulier ne supporte pas. Les formules et leurs limites sont exposées dans [files d’attente et loi de Little](/comprendre-la-simulation-de-flux/files-d-attente/).
## Formule
ρ = λ / (c × μ)
## Termes liés
- [Loi de Little](https://www.simulation-de-flux.com/glossaire/loi-de-little/) : L = λ × W : le nombre moyen d’entités présentes égale le débit moyen multiplié par le temps moyen passé. Sans hypothèse de loi.
- [Variabilité](https://www.simulation-de-flux.com/glossaire/variabilite/) : Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.
- [Goulot d’étranglement](https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement/) : Ressource dont la capacité limite le débit de l’ensemble. Son taux d’occupation est le plus élevé, et il plafonne la sortie.
---
Source : https://www.simulation-de-flux.com/glossaire/taux-d-occupation/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Variabilité'
description: 'Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.'
url: 'https://www.simulation-de-flux.com/glossaire/variabilite/'
mirrorOf: '/glossaire/variabilite.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Coefficient de variation (définition et usage comparatif)'
url: 'https://fr.wikipedia.org/wiki/Coefficient_de_variation'
accessed: '2026-11-04'
- label: 'Kingman, J. F. C. — formule approchée des files d’attente (article encyclopédique)'
url: 'https://en.wikipedia.org/wiki/Kingman%27s_formula'
accessed: '2026-11-04'
related:
- 'taux-d-occupation'
- 'analyse-de-sensibilite'
- 'goulot-d-etranglement'
---
# Variabilité
> Dispersion des arrivées et des durées de service, mesurée par le coefficient de variation. À charge égale, elle décide de l’attente.
La variabilité désigne la dispersion des flux qui entrent dans un système et des durées qu’ils y passent. Elle se mesure couramment par le coefficient de variation — écart-type divisé par la moyenne —, qui a l’avantage d’être sans unité et donc comparable d’une étape à l’autre.
Deux ateliers au même taux d’occupation n’ont pas les mêmes files si leurs arrivées sont régulières ici et groupées là. L’approximation de Kingman le formalise : le temps d’attente croît avec la somme des variabilités des arrivées et des services, divisée par (1 − ρ). Réduire la variabilité — lisser les lancements, mutualiser les ressources, standardiser les gammes — agit donc directement sur l’attente, sans ajouter de capacité.
Dans un modèle, la variabilité est une donnée d’entrée, pas un réglage. La fixer « au pire » ou « au mieux » est un choix qui doit être écrit et testé en [analyse de sensibilité](/glossaire/analyse-de-sensibilite/), sinon le résultat ne vaut que pour une hypothèse invisible.
## Formule
CV = σ / µ
## Termes liés
- [Taux d’occupation](https://www.simulation-de-flux.com/glossaire/taux-d-occupation/) : Part du temps où une ressource est occupée, notée ρ. Il ne suffit pas à prédire l’attente, mais il en fixe le régime.
- [Analyse de sensibilité](https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite/) : Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure.
- [Goulot d’étranglement](https://www.simulation-de-flux.com/glossaire/goulot-d-etranglement/) : Ressource dont la capacité limite le débit de l’ensemble. Son taux d’occupation est le plus élevé, et il plafonne la sortie.
---
Source : https://www.simulation-de-flux.com/glossaire/variabilite/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---
---
title: 'Vérification et validation'
description: 'Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.'
url: 'https://www.simulation-de-flux.com/glossaire/verification-et-validation/'
mirrorOf: '/glossaire/verification-et-validation.md'
updated: '2026-11-04'
publisher: 'OPTIFLUX SAS'
sources:
- label: 'Wikipédia — Vérification et validation (distinction des deux activités)'
url: 'https://fr.wikipedia.org/wiki/V%C3%A9rification_et_validation'
accessed: '2026-11-04'
- label: 'Wikipédia — Verification and validation (portée en modélisation et simulation)'
url: 'https://en.wikipedia.org/wiki/Verification_and_validation'
accessed: '2026-11-04'
related:
- 'analyse-de-sensibilite'
- 'jumeau-numerique'
---
# Vérification et validation
> Vérifier, c’est contrôler que le programme fait ce qu’on croit ; valider, c’est établir qu’il représente le système réel pour l’usage prévu.
Les deux termes sont souvent confondus, alors qu’ils désignent deux activités distinctes et non interchangeables. La vérification porte sur la construction du modèle : le programme fait-il ce que le modélisateur croit ? Elle se conduit par des tests ciblés — loi de Little respectée, système vide puis chargé, cas limites, comparaison à un calcul manuel sur un modèle jouet.
La validation porte sur la relation au réel : le modèle représente-t-il le système étudié, pour la question posée ? Elle repose sur une confrontation à des données observées — débits, temps de séjour, files — et sur un accord explicite du commanditaire quant aux écarts acceptés. Un modèle peut être parfaitement vérifié et néanmoins invalide, s’il reproduit fidèlement des hypothèses fausses.
Cette validation n’est jamais définitive : elle vaut pour un périmètre, une période et un usage. Un modèle validé pour dimensionner un atelier ne l’est pas pour arbitrer un investissement. Les biais qui survivent à la validation sont traités dans [limites et biais d’une simulation de flux](/comprendre-la-simulation-de-flux/limites-et-biais/).
## Termes liés
- [Analyse de sensibilité](https://www.simulation-de-flux.com/glossaire/analyse-de-sensibilite/) : Mesure de l’effet d’une variation d’hypothèse sur le résultat. Elle indique quelles données méritent d’être mesurées avant de conclure.
- [Jumeau numérique](https://www.simulation-de-flux.com/glossaire/jumeau-numerique/) : Modèle exécutable connecté aux données réelles d’un système et mis à jour en continu. Distinct d’une étude de simulation hors ligne.
---
Source : https://www.simulation-de-flux.com/glossaire/verification-et-validation/ — version Markdown de la page HTML, générée au build.
Éditeur : OPTIFLUX SAS.
Les liens internes renvoient aux pages HTML du site ; les sources citées sont
reprises du front-matter, avec leur date de consultation.
---