Computersimulation

aus Wikipedia, der freien Enzyklopädie
Wechseln zu: Navigation, Suche
Computersimulation der Wellen von Kielwasser
Wellenanimation des Tsunamis in Asien Dezember 2004

Unter Computersimulation bzw. Rechnersimulation versteht man die Durchführung einer Simulation mit Hilfe eines Computers, genauer: eines Computerprogrammes. Dieses Programm beschreibt bzw. definiert das Simulationsmodell. Zu den ersten Computersimulationen zählt das Fermi-Pasta-Ulam-Experiment.

Eine Bemerkung zur Computersimulation im Ingenieursbereich: Durch die Simulation an sich werden in den seltensten Fällen direkt die betrachteten Prozesse optimiert, z. B. der aerodynamische Widerstand eines Autos. Erst durch (wiederholte) Interpretation der Simulationsergebnisse und darauf aufbauenden Veränderungen am Modell können bessere Lösungen für ein bestimmtes Problem gefunden werden.

Arten der Simulation[Bearbeiten]

Statische Simulation[Bearbeiten]

In der statischen Simulation spielt die Zeit keine Rolle. Das Modell ist statisch, d. h., es betrachtet nur einen Zeitpunkt, ist also quasi eine Momentaufnahme.

Monte-Carlo-Simulation[Bearbeiten]

Fußt die Simulation auf Zufallszahlen und/oder Stochastik (Wahrscheinlichkeitsmathematik), so spricht man wegen der begrifflichen Nähe zum Glücksspiel von Monte-Carlo-Simulation. Diese Methode hat besonders in der Physik wichtige Anwendungen gefunden, und zwei Bücher ein-und-desselben Autors gehören zu den meistzitierten Veröffentlichungen in dieser Wissenschaftssparte.[1]

Dynamische Simulation[Bearbeiten]

Für die Modelle der dynamischen Simulation spielt die Zeit immer eine wesentliche Rolle. Die dynamische Simulation betrachtet Prozesse bzw. Abläufe.

Kontinuierliche Simulation[Bearbeiten]

Bei der kontinuierlichen Simulation werden stetige Prozesse abgebildet. Diese Art der Simulation nutzt Differentialgleichungen zur Darstellung physikalischer oder biologischer Gesetzmäßigkeiten, welche dem zu simulierenden Prozess zugrunde liegen.

Diskrete Simulation[Bearbeiten]

Die diskrete Simulation benutzt die Zeit, um nach statistisch oder zufällig bemessenen Zeitintervallen bestimmte Ereignisse hervorzurufen, welche ihrerseits den (nächsten) Systemzustand bestimmen.

Auch als Ablaufsimulation oder ereignisgesteuerte Simulation bezeichnet, findet die diskrete Simulation im Produktions- und logistischen Bereich ihre hauptsächliche Anwendung. Der weit überwiegende Teil der Praxisprobleme liegt in diesem Bereich. Die Modelle dieser Simulation sind im Gegensatz zu den kontinuierlichen gut mit standardisierten Elementen (z. B. Zufallszahlen, Warteschlangen, Wahrscheinlichkeitsverteilungen usw.) darstellbar. Einen weiteren leistungsfähigen Ansatz zur Entwicklung diskreter, ereignisgesteuerter Modelle bietet die Petri-Netz-Theorie.

Die Stärke der diskreten Simulation liegt darin, dass sie den Zufall bzw. die Wahrscheinlichkeit in das Modell mit einbezieht und bei genügend häufiger Durchrechnung eine Aussage über die zu erwartende Wahrscheinlichkeit der verschiedenen Systemzustände liefert. Das Anwendungsfeld für diese Art der Simulation ist daher entsprechend groß:

  • Arbeitsabläufe in der Produktion (alle Automobilhersteller sind große Simulationsanwender)
  • Prozesse der Logistik (Supply-Chains, Container-Umschlag usw.)
  • Abläufe mit großem Personen- oder Güter-Aufkommen (Flughäfen, Großbahnhöfe, aber auch Autobahn-Mautstellen, öffentliche Verkehrssysteme, Post-Verteilzentralen, Verschiebebahnhöfe usw.)

Hybride Simulation[Bearbeiten]

Von hybrider Simulation spricht man dann, wenn das Modell sowohl Eigenschaften der kontinuierlichen als auch der diskreten Simulation aufweist. Derartige Modelle finden sich beispielsweise in medizinischen Simulationen - insbesondere zu Ausbildungszwecken - wieder, bei denen die zu simulierende Biologie nicht hinreichend bekannt ist, um ein ausreichend detailliertes, kontinuierliches Modell erstellen zu können.

System Dynamics[Bearbeiten]

Unter Systemdynamik wird die Simulation

  • komplexer,
  • zeitdiskreter,
  • nicht linearer,
  • dynamischer und
  • rückgekoppelter

Systeme verstanden. Im Wesentlichen werden unter solchen Simulatoren

  • das Rückkopplungsverhalten sozioökonomischer Systeme („Industrial Dynamics“),
  • die Entwicklung von Ballungszentren („Urban Dynamics“) und
  • Weltmodelle, wie z. B. für den Club of Rome („World Dynamics“)

subsumiert. Die Arbeitsweisen und Werkzeuge entsprechen nahezu zur Gänze denen der Regelungstechnik bzw. der Kybernetik.

Multi Agenten Simulation[Bearbeiten]

Die Multi-Agenten-Simulation, die als Spezialfall der diskreten Simulation gesehen werden kann, erlaubt, emergente Phänomene und dynamische Wechselwirkungen zu modellieren.

Simulationssprachen[Bearbeiten]

Obwohl ein Simulationsprogramm (Simulator) prinzipiell mit jeder allgemeinen Programmiersprache – in einfachen Fällen sogar mit Standardwerkzeugen wie z. B. einer Tabellenkalkulation – erstellt werden kann, wurden seit den 1960er-Jahren – nach der erstmaligen Verfügbarkeit hinreichend schneller Rechner – auch besondere Simulationssprachen entwickelt.

Zunächst beschränkten sich diese Sprachen noch auf die rein mathematische bzw. numerische Ermittlung und Darstellung der Simulationsverläufe und -ergebnisse. Mit dem Aufkommen immer leistungsfähiger PCs in den 1980er-Jahren trat jedoch mehr und mehr die graphische Repräsentation und in jüngerer Zeit auch die Animation hinzu.

In der diskreten Simulation gibt es derzeit Bestrebungen zur Implementierung optimierender Verfahren, wie z. B. Neuronale Netze, Genetische Algorithmen oder Fuzzy Logic. Diese Komponenten sollen den klassischen Simulatoren, welche an sich nicht optimierend wirken, die Eigenschaft der selbständigen Suche nach optimalen Lösungen hinzufügen.

Unter dem Begriff „Digitale Fabrik“ versuchen große Unternehmen – besonders des Fahrzeug- und Flugzeugbaues – die (vorwiegend animierte) Ablaufsimulation mit Verfahren zur Kostenermittlung, zur automatisierten Erstellung technischer Dokumentation und Planungssystemen für Produktionsstätten und -anlagen zu koppeln, um so Entwicklungszeiten und -kosten sowie Qualitätsprüfungs- und Wartungsaufwendungen zu minimieren.

Literatur[Bearbeiten]

  • Jerry Banks, John S. Carson, II, Barry L. Nelson, David M. Nicol: Discrete-Event System Simulation, 5th Ed., Prentice Hall, 2009, ISBN 9780138150372.
  • Kurt Binder: Computersimulationen. Physik Journal 3 (5), 2004, 25-30.
  • Valentin Braitenberg: Computer zwischen Experiment und Theorie. Rowohlt, 1995, ISBN 3-499-19927-0.
  • George F. Fishman: Discrete-Event Simulation: Modeling, Programming, and Analysis, Springer-Verlag, 2001, ISBN 0-387-95160-1.
  • Michael Gipser: Systemdynamik und Simulation. Teubner, 1999, ISBN 3-519-02743-7.
  • Bernd Page, Wolfgang Kreutzer: The Java Simulation Handbook, Simulating Discrete Event Systems with UML and Java, Shaker-Verlag, 2005, ISBN 9783832237714.
  • Reuven Y. Rubinstein, Benjamin Melamed: Modern Simulation and Modeling. John Wiley & Sons, 1998, ISBN 0-471-17077-1.
  • Bodo Runzheimer: Operations Research. 7. Auflage. Th. Gabler, 2005, ISBN 3-409-30717-6.
  • Detlef Steinhausen: Simulationstechniken. Oldenbourg, 1994, ISBN 3-486-22656-8.

Weblinks[Bearbeiten]

Einzelnachweise[Bearbeiten]

  1. Kurt Binder, Monte Carlo methods in statistical physics, Springer, Berlin [u.a.] 1979, ISBN 3-540-09018-5, und Applications of the Monte Carlo method in statistical physics, Berlin, Springer 1984, ISBN 3-540-12764-X