Computersimulation

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

Statische Simulation

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

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

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

Kontinuierliche Simulation

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

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

Von hybrider Simulation spricht man dann, wenn das Modell sowohl Eigenschaften der kontinuierlichen als auch der diskreten Simulation aufweist.

System Dynamics

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

Die Multi-Agenten-Simulation erlaubt, emergente Phänomene und dynamische Wechselwirkungen zu modellieren.

Simulationssprachen

Entwicklung

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.

Beispiele

Für die kontinuierliche Simulation gibt es nur ganz wenige Standard-Programme, z. B. CSMP (Continuous System Modeling Program; IBM). Allerdings besteht hier inzwischen eine Vielzahl von speziellen Simulatoren, die wohl nur mehr aus Sicht der jeweiligen Fachbereiche überblickbar sind. Dem größeren Anwendungsbereich entsprechend und der besseren Standardisierungsmöglichkeit der Simulationselemente wegen liegt für die diskrete Simulation ein weit größeres Angebot an Sprachen vor; z. B.:

• ARENA
• Automod
• AweSim
• eM-Plant
• Enterprise Dynamics (früher Taylor ED)
• Flexsim
• RaceSim
• GPSS (General Purpose Simulation System)
• Mathematica
• MATLAB
• Modelica
• Plant Simulation (Tecnomatix/Siemens), hieß ursprünglich SIMPLE++, zwischenzeitlich auch eM-Plant
• Poses++
• Quest
• SIMAN
• SIMIO
• SiMPLE++
• Simulink
• SIMULA
• SimPy ist ein in Python implementiertes Simulationspaket, das auf Simula basiert.
• VisSim ist eine grafische Programmiersprache für die Simulation von dynamischen Systemen.
• WITNESS

Daneben gibt es eine Reihe von Simulatoren für spezielle Anwendungsfälle, wie z. B. für die Verkehrsphysik (VISSIM, SUMO), Aufzugsanlagen, Gießtechnik, oder Bahnplanung von Fertigungsrobotern. Auch viele Computerspiele entstanden aus Simulationsprogrammen, wie z. B. der Microsoft Flugsimulator oder Civilization.

Literatur

• M. Gsänger, J. Klawitter (Hrsg.): Modellbildung und Simulation in den Sozialwissenschaften. Röll, 1995, ISBN 3-927522-76-7.
• Valentin Braitenberg: Computer zwischen Experiment und Theorie. Rowohlt, 1995, ISBN 3-499-19927-0.
• Michael Gipser: Systemdynamik und Simulation. Teubner, 1999, ISBN 3-519-02743-7.
• Hermann Krallmann: Systemanalyse im Unternehmen. 4. Auflage. Oldenbourg, 2002, ISBN 3-486-27203-9.
• Axel Kuhn: Simulation in Produktion und Logistik. Springer, 2002, ISBN 3-486-27203-9.
• Horst Rathbauer: Angewandte Simulation mit GPSS World für Windows. Logos Berlin, ISBN 3-8325-0222-X.
• Reuven Y. Rubinstein, Benjamin Melamed: Modern Simulation and Modeling. John Wiley & Sons, 1998, ISBN 0-471-17077-1.
• Bodo Runzheimer: Operations Reseach. 7. Auflage. Th. Gabler, 2005, ISBN 3-409-30717-6.
• Detlef Steinhausen: Simulationstechniken. Oldenbourg, 1994, ISBN 3-486-22656-8.
• Horst Tempelmeier: Simulation mit SIMAN. Physica, 1991, ISBN 3-7908-0574-2.

Weblinks

• ASIM – Arbeitsgemeinschaft Simulation

Einzelnachweise

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