Simulation als betriebliche Entscheidungshilfe: State of the Art und neuere Entwicklungen PDF
Preview Simulation als betriebliche Entscheidungshilfe: State of the Art und neuere Entwicklungen
Simulation als betriebliche Entscheidungshilfe State ofthe Art und neuere Entwicklungen Jörg Biethahn . Wilhelm Hummeltenberg Bernd Schmidt . Paul Stähly Thomas Witte (Hrsg.) Simulation als betriebliche Entscheidungshilfe State of the Art und neuere Entwicklungen Mit 160 Abbildungen und 20 Tabellen Springer-Verlag Berlin Heidelberg GmbH Professor Dr. Jörg Biethahn Georg-August-Universität Göttingen, Institut für Wirtschafisinformatik Platz der Göttinger Sieben 5, 0-37073 Göttingen, Deutschland Professor Dr. Wilhelm Hummeltenberg Universität Hamburg, Institut für Wirtschafisinformatik Max-Brauer-Allee 60, 0-22765 Hamburg, Deutschland Professor Dr. Bernd Schmidt Universität Passau, Lehrstuhl für Operation Research Innstraße 33, 0-94032 Passau, Deutschland Professor Dr. Paul Stähly Universität St. Gallen, Institut für Operations Research Bodanstraße 6, CH-9000 St. Gallen, Schweiz Professor Dr. Thomas Witte Universität Osnabrück, Institut für Informationsmanagement und Unternehmensführung Katharinenstraße 3, 0-49069 Osnabrück, Deutschland ISBN 978-3-7908-1178-0 Die Deutsche Bibliothek -CIP-Einheitsaufnahme Simulation als betriebUche Entscheidungshilfe : state ofthe art und neuere Entwicklungen I Hrsg.: Jörg Biethahn ... -Heidelberg : Physica-Verl.,l999 ISBN 978-3-7908-1178-0 ISBN 978-3-642-58671-2 (eBook) DOI 10.1007/978-3-642-58671-2 Dieses Werk ist urheberrechtlich geschützt. Die dadurch begründeten Rechte, insbeson dere die der Übersetzung, des Nachdrucks, des Vortrags, der Entnahme von Abbildungen und Tabellen, der Funksendungen, der Mikroverfilmung oder der Vervielfaltigung aufa n deren Wegen und der Speicherung in Datenverarbeitungsanlagen, bleiben, auch bei nur auszugsweiser Verwertung, vorbehalten. Eine Vervielfaltigung dieses Werkes oder von Teilen dieses Werkes ist auch im Einzelfall nur in den Grenzen der gesetzlichen Bestim mungen des Urheberrechtsgesetzes der Bundesrepublik Deutschland vom 9. September 1965 in der jeweils geltenden Fassung zulässig. Sie ist grundsätzlich vergütungspflichtig. Zuwiderhandlungen unterliegen den Strafbestimmungen des Urheberrechtsgesetzes. © Springer-Verlag Berlin Heidelberg 1999 Ursprünglich erschienen bei Physica-Verlag Heidelberg 1999 Die Wiedergabe von Gebrauchsnamen, Handelsnamen, Warenbezeichnungen USW. in diesem Werk berechtigt auch ohne besondere Kennzeichnung nicht zu der Annahme, daß solche Namen im Sinne der Warenzeichen-und Markenschutz-Gesetzgebung als frei zu betrachten wären und daher von jedermann benutzt werden dürften. Umschlaggestaltung: Erich Kirchner, Heidelberg SPIN 10702858 8812202-5432 1 0 -Gedruckt auf säurefreiem Papier Vorwort Dieser Band setzt die Bemühungen der Herausgeber fort, den Entwicklungsstand der Si mulation von betrieblichen Systemen zu dokumentieren. Ohne großen Zwang hat sich dabei eine Sammlung von Aufsätzen ergeben, die sich zur einen Hälfte mit methodischen Problemen und zur anderen Hälfte mit Anwendungen befassen. Das deutet darauf hin, daß nach über 30 Jahren des Einsatzes der Simulation zur Lösung betrieblicher Probleme die methodischen Konzepte noch immer entwicklungsfähig sind. Dafür steht die erste Hälfte der Aufsätze. Auf der anderen Seite wird die Simulation für viele unterschiedliche und immer wieder neue betriebliche Problemstellungen auch tatsächlich eingesetzt und damit die Brauchbarkeit des Ansatzes mit neuen Fällen und Anwendungsbereichen nach gewiesen. Das belegt die zweite Hälfte der Aufsätze. Ein solcher Überblicksband kann nur mit der Unterstützung vieler Autoren zustande kommen. Dank gebührt daher allen Autoren, die ihre Arbeiten für diesen Band zur Ver fügung gestellt haben, insbesondere denen, die in der Praxis tätig sind, und für die das Schreiben von Aufsätzen über letztlich erledigte Probleme nicht zu den Alltagsaufgaben gehört. Besonderer Dank gilt Herrn Dr. Th. Claus, Universität Osnabrück, der die redak tionelle Betreuung der Beiträge übernommen hat. Er hat dafür gesorgt, daß aus den Ein zelbeiträgen einigermaßen einheitliche Dokumente geworden sind und so ein Buch zu stande gekommen ist. Prof. Dr. 1. Biethahn Prof. Dr. W. Hummeltenberg Universität Göttingen Universität Hamburg Prof. Dr. B. Schmidt Prof. Dr. P. Stähly Universität Passau Universität St. Gallen Prof. Dr. Th. Witte Universität Osnabrück Inhaltsverzeichnis I. Grundlagen 1 Zur Planung und effizienten Abwicklung von Simulationsexperimenten Roland Küll, Paul Stähly 2 Datenbankgetriebene objektorientierte Simulation 22 Thomas Witte 3 Modellierung und Simulation -Terminologische Probleme 50 Martin Frank II. Simulationstools 4 Graphische Modellspezifikation und objektorientierter Ansatz 65 in universellen Simulationssystemen Karin Reger 5 Simulation dynamischer Systeme mit dem 87 blockorientierten Simulationssystem BORIS Jörg Kahlert, Michael Schulze Gronover III. Lösungssuche 6 Ein Beispiel zur stochastischen Optimierung mittels Simulation 108 und einem Genetischen Algorithmus Volker Nissen, Jörg Biethahn 7 Objektorientierte Simulation und evolutionäre Parameteroptimierung 126 Thorsten Claus IV. Anwendungsbereiche A. VerkehrsplanungILogistik 8 Simulation von Verkehrsströmen 149 RalfBethke 9 Simulation als Planungshilfe zur Dimensionierung von Containerterminals 162 Carsten Boll 10 Tourenplanung mit Selbstorganisierenden Netzen 182 Ralf Retzko, Matthias Schumann 11 Materialflussplanung eines Versandzentrums 198 Rüdiger Roos, Erika Söllner, Gerhard Braun Vlll Inhaltsverzeichnis B. Produktionsplanung und -steuerung/Computer Integrated Manufacturing 12 Simulation und Wissensverarbeitung als integrale Bestandteile eines Systems 219 zur Fertigungsdisposition Peter Gmilkowsky, Frank Roth 13 Integrierte Kostenrechnung bei einem Simulationsmodell 255 für CKW-freie Reinigungsanlagen Norbert Grebe 14 Ereignisorientiertes Tool-Management 265 Gerhard Petuelli, Vif Müller 1 Zur Planung und effizienten Abwicklung von Simulationsexperimenten Roland Küll, Paul Stähly' Zusammenfassung Dank der rasanten Entwicklung im Hardware- und Softwaresektor ist die Simulation ein bedeutsa mes Instrument zur Unterstützung bei der Entscheidungsfindung geworden. Dies insbesondere deshalb, weil praxisrelevante Problemstellungen sehr schnell durch ein hohes Mass an Komplexität geprägt sind, sodass der Einsatz von mathematischen Optimierungsverfahren im Rahmen von Ent scheidungsmodellen allenfalls nicht mehr gegeben ist. Dies ist vor allem bei vielen dynamischen, stochastischen Systemen mit gegenseitigen Abhängigkeiten zwischen den einzelnen Prozessen der Fall. In derartigen Situationen sind einzig noch Simulationsmodelle einsetzbar, obwohl damit eine "Rückstufung" von der Ebene der Optimierungsmodelle auf jene der Erklärungsmodelle ("wenn dann"-Kausalbeziehungen) in Kauf genommen werden muss. Die Simulation beinhaltet indessen im Gegensatz zur weitverbreiteten Meinung mehr als nur Experimentieren am Modell. Neben der Modellentwicklung und Modellimplementierung gewinnt die effektive und effiziente Planung und Durchführung der Simulationsexperimente zentrale Bedeutung; andernfalls wird das Arbeiten mit Simulationsmodellen sowohl in zeitlicher als auch kostenmässiger Hinsicht sehr aufwendig, einer der Hauptgründe dafür, dass viele entwickelte Simulationsmodelle nicht genutzt bzw. eingesetzt werden. Im Rahmen der Planung von stochastischen Simulationsexperimenten tritt somit die Frage in den Vordergrund, welche Parameterkonstellationen wie lange simuliert werden müssen, um aus den Ergebnissen Schlussfolgerungen ziehen zu können. Die Frage nach der Effektivität, also nach der Auswahl geeigneter, wichtiger oder "richtiger" Parameterkonstellationen, wird im Rahmen der Versuchsplanung beantwortet. Die Frage nach der Effizienz, d.h. nach der optimalen Anzahl der Simulationsläufe je Parameterkonstellation wird im Rahmen der taktischen Planung von Simula tionsexperimenten behandelt. Diese Anzahl erforderlicher Simulationsläufe wird durch die Rechen genauigkeit bestimmt, die ihrerseits auf die Daten-und Modellgenauigkeit auszurichten ist. 1.1 Einsatzmöglichkeiten der Simulation Viele Problemstellungen der wirtschaftlichen Realität sind durch eine hohe Komplexität gekennzeichnet, sodass sie weder in einem Optimierungsmodell abgebildet noch exakt mit mathematischen Methoden gelöst werden können. In solchen Situationen geht man zu heuristischen Verfahren über, die sich letztendlich durch systematisches Probieren und modellorientiertes Experimentieren möglichst weitgehend bzw. abschätzbar gut an opti- * Für Anregungen sind die Autoren den Herren Franz Ferschl, Universität München, sowie Winfried Stier und Christoph Wahl, Universität St. Gallen, verbunden. J. Biethahn et al. (eds.), Simulation als betriebliche Entscheidungshilfe © Physica-Verlag Heidelberg 1999 2 Roland Küll, Paul Stähly male Lösungen anzunähern versuchen. Die Simulation als typische OR-Methode gehört zu dieser Klasse von Verfahren. Einer der wichtigsten Anwendungsfalle der Simulation ist demnach dort zu sehen, wo infolge komplexer Strukturen mit den herkömmlichen Rechenvedahren keine Lösung ermittelt werden kann. Die Simulation wird aufg rund dessen in komplexen Problemstel lungen eingesetzt, etwa bei dynamischen Prozessen mit gegenseitigen Abhängigkeiten und unscharfen Ausgangsdaten. Darüber hinaus lässt sich die Simulation unter anderem bei folgenden Problemstellungen einsetzen: - bei der Gewinnung von Informationen, die zum Verständnis des zu analysierenden Systems beitragen, - bei der Untersuchung des zukünftigen Verhaltens realer Systeme (Prognose), - bei der Ermittlung einer Parameterkonstellation, die hinsichtlich eines Zieles oder ei- nes Zielbündels ein bestmögliches Ergebnis abschätzbar gut anstrebt bzw. "garan tiert". Literatur: Anwendungsbeispiele u.a. in: Gould et al. [13 J, Koch [25J , Law, Kelton [27J , Liebl [30J, Markland [31], Markland, Sweigart [32J, Rachlitz [38J, Stähly [42J, [43J, [44J . . Vor- und Nachteile sowie Notwendigkeit der Simulation u.a. in Cook, Russell [5J . 1.2 Modellierung Die Simulation, die aufgrund der revolutionären Entwicklung der Computer-Technologie an Bedeutung gewonnen hat, experimentiert nicht am System, sondern lediglich an einem zugehörigen Modell. Bei einem Modell handelt es sich um ein Abbild eines Systems, welches jene Eigenschaften des Systems enthalten soll, die für das zu untersuchende Pro blem von Bedeutung sind. Der Zweck des Modells besteht entweder darin, ein System in seiner Struktur zu beschreiben (Beschreibungsmodelle, z.B. Organigramm einer Unter nehmung, Netzplan eines Projektes) oder Prognosen über das Verhalten der anvisierten Ziele herleiten zu können, wenn man die verschiedenen Massnahmen teilweise oder voll ständig austauscht. Im Vordergrund steht im zweiten Fall die Kausalbeziehung zwischen einer Input- und Outputgrösse, d.h. eine "wenn-dann"-Beziehung. Dieser Modelltyp wird als Erklärungs- respektive Simulationsmodell bezeichnet. Für die Herleitung optimaler Entscheidungen geht es darüber hinaus um die Problemstellung, aus den möglichen Handlungsalternativen mit ihren Kausalbeziehungen zu den Outputgrössen jene zu ermit teln, welche die vorgegebenen Outputgrössen bzw. Entscheidungskriterien am besten er füllen. Diese Modelle werden als Entscheidungs- bzw. Optimierungsmodelle bezeichnet (Vgl. Abbildung 1). Man kann Simulation demnach auffassen als eine Methode zur Modellierung und rech nergestüzten Analyse von Systemen auf der Basis von Erklärungsmodellen ("wenn-dann" Kausalbeziehungen) und anschliessend als ein experimentelles Durchspielen einer Vielzahl von möglichen Strategien, d.h. Parameterkonstellationen, um jeweils die Aus wirkungen auf die vorgegebenen Ziele aufzudecken. Simulation ist indessen mehr als nur Experimentieren am Modell, denn eine Simulationsstudie umfasst neben der Modellent- Zur Planung und effizienten Abwicklung von Simulationsexperimenten 3 wicklung, -implementierung und einem geplanten Experimentieren am Modell auch eine Analyse der Simulationsergebnisse unter statistischen Gesichtspunkten. Aus diesem Blickwinkel kann man die Abwicklung eines Simulationsexperiments (feste Parameter konstellation) als ein gesteuertes statistisches Zufallsexperiment auffassen, das mit Hilfe eines Rechners durchgeführt wird. Beschreibungsmodell Massnahmen, Ergebnis Aktionen ,-----, --g-r-ö-s-s. en Erklärungsmodell bzw. Simulationsmodell "wenn" "dann" L--___- ---' Massnahmen, Ergebnis Aktionen .--'-----, grössen ------. Entscheidungsmodell bzw. System Optimierungsmodell "wte nn" '-----------' "dta nn" "wenn ist wie festzulegen? sodaB "dann" => Opt 1 4 • Bild 1 Modelltypen Ziel der Simulationsstudie muss die Erzeugung einerseits "richtiger", d.h. möglichst opti maler, andererseits aussagekräftiger Ergebnisse sein, dies vor dem Hintergrund, die erhal tenen Ergebnisse auf das reale System zu übertragen. Die Güte der Ergebnisse der einzel nen Simulationsexperimente hängt wesentlich von der Modell-, Daten- und Re chengenauigkeit ab. Die Datengenauigkeit wird hauptsächlich durch die Gewissenhaftigkeit und Sorgfalt be einflusst, mit der die benötigten Daten erhoben werden. In diesem Zusammenhang ist die Frage der Datenschärfe, des Datenverständnisses und der Datenaggregation hervorzuhe ben. Unter der Modellgenauigkeit versteht man die Güte der Abbildungstreue zwischen Simulationsmodell und zugrundeliegendem System. Sie hängt somit davon ab, inwieweit der im Hinblick auf die vorgegebenen Ziele relevante Realitätsausschnitt im Modell ab gebildet wird. Die Rechengenauigkeit eines Simulationsexperiments (vorgegebene Para meterkonstellation) hängt von der Anzahl der Simulationsläufe ab. Bezüglich der Re chengenauigkeit ist - analog der Bestimmung des Umfangs einer Stichprobe verbunden mit ihrer Aussagekraft über die Grundgesamtheit -je Simulationsexperiment die Anzahl der Simulationsläufe zu bestimmen. Dabei wird bei jedem Simulationslauf für jede Wahl eines Einflussgrössenvektors eine Ausprägung aus der gemeinsamen Verteilung seiner Komponenten gezogen und der Prozess mit den daraus resultierenden Einflussgrössen ab gearbei tet. 4 Roland Küll, Paul Stähly 1.3 Simulationsarten Bevor näher auf die Durchführungsschriue einer Simulationsstudie eingegangen wird, sollen kurz verschiedene Aspekte, die ein Simulationsmodell charakterisieren, aufgeführt werden: - Statische und dynamische Simulationsmodelle: Während ein dynamisches Modell ein System im Zeitablauf darstellt, repräsentiert ein statisches Modell ein System zu einem bestimmten Zeitpunkt. Bei dynamischen Simu lationsmodellen wird weiter zwischen zeit- und ereignisorientierter Simulation differenziert. Bei der zeitorientierten Simulation wird das Modell zu vorher festge legten (meist äquidistanten) Zeitpunkten untersucht. Dies setzt allerdings die Kenntnis der systemrelevanten Zeitpunkte voraus, was bei zufallsabhängigen Systemen selten gegeben ist. Hier bietet sich eine ereignisorientierte Simulation an. Bei diesem Modellansatz wird das System nicht zu fest vorgegebenen Zeitintervallen, sondern zu jenen Zeitpunkten betrachtet, welche dem Eintreten von Ereignissen im Ablauf der Simulationsstudie entsprechen. Diskrete und stetige Simulationsmodelle: Diskrete Simulationsmodelle sind dadurch gekennzeichnet, dass die Zustandsvariablen sich nur zu bestimmten Zeit- bzw. Ereignispunkten ändern. Verändern sich die Zu standsvariablen des Modells über die Zeit hinweg kontinuierlich, so spricht man von einem stetigen Modell. - Deterministische und stochastische Simulationsmodelle: Basiert das Simulationsmodell auf Eingabedaten, deren Werte jeweils vorgegeben sind, so spricht man von einem deterministischen Modell. Treten hingegen eine oder mehrere Zufallsvariablen als Eingabegrössen auf, so bezeichnet man dieses Modell als stochastisch. Bezüglich dieser Aspekte sei darauf hingewiesen, dass die meisten ökonomischen und organisatorischen Problemstellungen diskreter dynamischer stochastischer Natur sind, weshalb im weiteren ausführlicher auf diesbezügliche Modelle eingegangen wird. Da bei der stochastischen Simulation Zufallseinflüsse in den Eingabedaten zu berücksichtigen sind, stellen infolgedessen auch die Simulationsergebnisse Zufallsvariablen dar. Dies erfordert die wiederholte Durchführung des Simulationslaufs im Rahmen eines Simulationsexperiments (gleiche Parameterkonstellation), um eine Stichprobe von Ergebnissen zu erhalten, die statistisch gesicherte Aussagen erlaubt. Die Anzahl der durchzuführenden Simulationsläufe wird wesentlich durch die geforderte Rechengenauigkeit festgelegt. Ferner wird deutlich, dass Zufallszahlen bzw. deren Erzeugung von grundlegender Be deutung für die Durchführung von Simulationsexperimenten sind. (Auf eine ausführliche Darstellung zur Erzeugung beliebig verteilter Zufallszahlen als Realisationen von Zufalls variablen vorgegebener Verteilungen bzw. "guter" Zufallszahlengeneratoren sei auf F. Härte! [14] verwiesen.) Es wird darauf aufmerksam gemacht, dass die Bereitstellung "guter" Zufallszahlen massgeblich die Datengenauigkeit beeinflusst, welche ihrerseits die Aussagekraft der Simulationsergebnisse stark tangiert.
The list of books you might like
