Comportement global du système

4.6

Comportement global du système

Dans cette section, nous présentons le pourcentage de gain de performance moyen (PGPM) mesuré pour chaque IPC calculé par les agents afin d’orchestrer le workflow en cours d’exécution. Ce phénomène est illustré dans le diagramme de séquence (figure 4.15) représentant l’interaction entre les principaux agents du système.

4.6.1 Diagramme de séquence

Le comportement dynamique global du système est décrit par la figure 4.15 sous la forme d’un diagramme de séquence déployé avec l’outil UML. Dans ce diagramme, les différents agents collabo- ratifs du système sont représentés sous la forme de lignes de vie interactives qui communiquent par les échanges de messages. Un message est un élément de communication bidirectionnel entre lignes de vie qui déclenche un comportement spécifique au sein de l’agent récepteur. Il existe trois types de messages :un message synchrone (représenté par une flèche pleine) qui bloque l’agent émetteur

jusqu’à la réception de la réponse,un message asynchrone (représenté par une flèche creuse) et un message réflexif (représenté par une boucle) qui représente un comportement interne. Les bandes

verticales le long d’une ligne de vie représentent les périodes d’activation. Ce diagramme montre comment les séquences de messages se succèdent et à quels moments les acteurs sont sollicités. On peut donc voir sur la figure 4.15 qu’à l’arrivée d’un ou plusieurs patients, l’agent RIA identifie les différentes tâches de soins et leurs niveaux d’urgence et envoie toutes ces informations à l’agent SOA. Ce dernier crée les PWIA correspondantes et déclenche le processus d’orchestration et de ré-orchestration qui se poursuit tout au long qu’il existe des patients en attente.

4.6.2 Orchestration basée sur des indicateurs de performance

La stratégie qui relie les actions aux indicateurs de performance correspond à l’orchestration dynamique. Cette dernière est mise en évidence par l’agent qui contrôle en temps réel l’instance du workflow et calcule pour cette instance les valeurs réelles des indicateurs (DTS, CSR, TAC), enregistrées dans le PIV. Dans le chapitre 5, nous testons à travers plusieurs scénarios l’impact de l’orchestration statique (suivi de la séquence entre les tâches données par le processus de l’ordonnancement tout au long de l’exécution du workflow) ainsi que l’impact de l’orchestration dynamique (qui consiste à modifier l’ordonnancement en cours d’exécution) sur ces indicateurs de performance. Pour ce faire, nous calculons, pour chaque IPC dans le PIV, sa valeur moyenne pour tous les patients participant à l’expérimentation (cf. 5.5.4.1). Nous devons calculer ces valeurs pour l’orchestration statique et dynamique (OS et OD).

Pour chaque IPC enregistré dans le PIV, le pourcentage de gain de performance moyen (PGPM) est calculé comme suit :

P GP M(IP C) = OD(IP C) − OS(IP C)

Figure4.15 – Diagramme de séquence

Où

— P GP M(IP C) est le pourcentage de gain de performance moyen de IPC,

— OD(IP C) est la valeur moyenne totale de l’IPC pour l’orchestration dynamique du workflow, — OS(IP C) est la valeur moyenne totale de l’IPC pour l’orchestration statique du workflow. Puis :

— Si P GP M(IP C) < 0 alors, l’IPC a été amélioré grâce à l’orchestration dynamique,

— Si P GP M(IP C) > 0 alors, l’IPC s’est détérioré dans le contexte de l’OD par rapport au contexte de l’OS,

— Si P GP M(IP C) = 0 alors, il n’y a pas de gain dans les valeurs d’IPC considéré.

4.7

Synthèse

L’ordonnancement à horizon glissant proposé est basé sur deux processus, un processus d’or- donnancement et un processus d’orchestration. Lors de la première période du premier horizon, le processus d’ordonnancement est lancé en appliquant l’AM pour donner un bon ordonnancement des patients présents dans cette période. Ensuite, pendant que l’ordonnancement se relance à nouveau dans la deuxième période, le processus d’orchestration dynamique est lancé en parallèle sur la première période, et ainsi de suite jusqu’à la dernière période de l’horizon. Ce phénomène de

4.8. Conclusion 105 l’exécution d’ordonnancement et de l’orchestration avec un décalage d’une période se répète pour tous les autres horizons. Ceci est présenté dans une architecture à base d’agents qui permet d’unifier les dimensions structurelles, fonctionnelles et comportementales du SUA dans un même schéma. L’idée est d’identifier tous les éléments cruciaux afin de prendre en compte tous les paramètres pour l’optimisation locale et globale de la structure du SU en générale et du SUA spécifiquement. Par exemple, cette architecture permet de combiner les méthodes d’optimisation et les systèmes multi-agents pour optimiser d’une manière collaborative les différents flux logistiques hospitaliers. D’autres architectures de SU ont été élaborées dans la littérature pour optimiser le flux logistique dans les SU telles que dans [Wimmer et al., 2016] et dans [Wautelet et al., 2018]. Néanmoins, la plupart de ces travaux n’ont pas utilisé des stratégies qui relient les mesures de performance aux actions réelles. Par exemple, actuellement dans les organisations de santé, il y a un manque de communication entre les différents acteurs des hôpitaux. Les informations de dossier patient ne sont pas échangées en temps réel entre les différents membres du personnel médical (arrivent parfois en retard ou sont oubliées).

4.8

Conclusion

Dans ce chapitre, nous avons développé une méthode d’ordonnancement à horizon glissant présentée en deux phases. la première phase est basée sur l’algorithme AMOR pour l’ordonnance- ment des patients programmés et non programmés dans le SUA. L’utilisation d’AMOR attribue un temps de consultation théorique à chaque patient dès son arrivée, en accordant non seulement une priorité plus élevée aux patients les plus urgents, mais aussi, en optimisant la charge de travail du personnel médical. La performance de l’algorithme AMOR a été améliorée par l’incorporation d’un modèle de chromosome en hypercube. Ensuite, afin de mieux articuler l’interférence entre les trois types de patients (PP, PNP, PUNP), nous avons intégré une architecture informatique à trois niveaux pour le SUA. Cette architecture intègre des agents communicants afin d’atteindre un objectif commun qui estlutter contre la tension. Cette architecture a un rôle efficace, elle per-

met effectivement de relier les indicateurs de performance aux actions réelles à travers la phase de l’orchestration dynamique. En effet, pour évaluer en temps réel les IPC, l’architecture à base d’agents proposée orchestre et ré-orchestre d’une manière dynamique les instances du workflow patient en cours d’exécution. Ceci est possible grâce à l’intégration des algorithmes de planification et de ré-orchestration dans le comportement de l’agent SOA afin d’optimiser les trois indicateurs de performance (TAC, DTS, CSR) lors de l’exécution du PWIA. Dans le chapitre 5, nous présentons des résultats de simulation utilisant des bases de données réelles du SUA portant sur l’année (2016-2017), ces résultats prouvent l’intérêt des approches proposées.

Chapitre

5

Simulations et Résultats

5.1

Introduction

Dans ce chapitre, nous présentons les résultats et les différents scénarios de simulation de l’approche de résolution proposée dans le chapitre 4 en utilisant la base de données réelle du SUA fournie par l’hôpital (BDDH). Cette BDDH porte sur une année (de juin 2016 jusqu’à mai 2017) et ses données sont collectées grâce au logiciel ResUrgence du SUA de CHRU de Lille. En effet, nous commençons par analyser minutieusement les données de cette BDDH, puis nous nous focalisons sur la simulation de notre architecture de résolution dynamique qui est basée sur l’alliance entre la métaheuristique utilisée dans AMOR et les SMA. Les résultats trouvés prouvent l’intérêt d’adopter une telle approche pour mieux gérer le problème de tension dans le SUA qui représente notre terrain d’expérimentation.