Das Interesse an der Modellierung und Analyse großer Netze in der Logistik liegt häufig in der optimalen Ausgestaltung eines geplanten Systems oder der optimalen Reorganisation eines bestehenden Systems. In beiden Fällen besteht das Ziel darin, die modellseitig vorhandenen Freiheitsgrade derart auszufüllen, dass die System-Anforderungen hinsichtlich Leistungsfähigkeit, Zuverlässigkeit und/oder Kosten optimal oder zumindest nahezu optimal erfüllt werden. Aus methodischer Sicht ist die Wahl der Freiheitsgrade somit eine Optimierungsaufgabe auf einem i.A. mehrdimensionalen Suchraum, deren Zielfunktion meist durch ein komplexes Simulationsmodell beschrieben ist. Da die Auswertung eines einzigen Punktes aus dem Suchraum durch einen Simulationslauf häufig bereits sehr zeitintensiv ist, und da die Simulationsresultate zudem stochastischen Charakter haben, lässt sich obige Optimierungsaufgabe nur anhand spezieller, an die Simulation angepasster Optimierungsverfahren lösen.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
April J, Glover F, Kelly JP, Laguna M, Better M (2006) Enhancing business process management with simulation optimization. Proc.Winter Simulation Conference 2006
Andadottir S (2006) Simulation optimization with coutably infinitefeasible regions. ACM Trans. Model Comput Simul 16:357–374
Bause F, Beilner H, Kriege J. ProC/B: Eine Modellierungsumgebung zur prozesskettenorientierten Beschreibung und Analyse logistischer Netze In: Buchholz P, Clausen U (Hrsg.), Große Netze der Logistik, Springer 2009
Buchholz P, Kemper P, Müller D, Thümmler A (2007) OPEDo: A tool framework for modeling and optimization of stochastic models. Proc. ValueTools 2007
Buchholz P,Müller D, ThümmlerA (2005) Optimization of process chain models with response surface methodolgy and the ProC/B toolset. In: Lünther HG, Mattfield D, Sul L (Hrgs) Supply chain management and Logistik. Physica Verlag, S 553–573
Bause F, Buchholz P,Kemper P (1998)Atoolbox for functional and quantitative analysis of DES. Quantitative Evaluation of Computing and Communication Systems (LNCS 1469), Springer, pp 356–359
Buchholz P, Thümmler A (2005) Enhancing evolutionary algorithms with statistical selection procedures for simulation optimization. Winter Simulation Conference 2005
Fu MC (2002) Optimization for simulation: Theory vs. practice. INFORMS J Comput 14:192–215
Goldstein AA, Price IF (1971) On descent from local minima. Math Comput 25(115)
Hong LJ, Nelson BL (2006) Discrete optimization via simulation using COMPASS. Oper Res 54:115–129
Jarre F, Stoer J (2003) Optimierung. Springer
Jones DR, Schonlau M, Welch WJ (1998) Efficient global optimization of expensive black-box functions. J Global Optim 13:455–492
Kleijnen JP (2007) Kriging metamodeling in simulation: A review. Working Paper, Tilburg University
Kolda TG, Lewis RM, Torczon V (2003) Optimization by direct search: New perspectives on some classical and modern methods. SIAM Rev 45:385–482
Law AM, Kelton WD (2000) Simulation modeling and analysis. McGraw Hill
Li R, SudjiantoA (2005) Analysis of computer experiments using penalized likelihood in Gaussian Kriging models. Joint Statistical Meetings
Michalewicz Z, Fogel DB (2004) How to solve it: Modern heuristics. Springer
Montgomery DC, Myers RH (2002) Response surface methodology: Process and product optimization using designed experiments, 2nd edn. Wiley
Montgomery DC (2001) Design and analysis of experiments, 5th edn. Wiley
Neddermeijer HG, van Oortmarssen GJ, Piersma N, Dekker R (2000)A framework for response surface methodology for simulation optimization. Proc. Winter Simulation Conference, Orlando, FL, USA, pp 129–136
Nissen V, Propach J (1998) On the robustness of population-based versus point-based optimization in the presence of noise, IEEE Trans. Evol Comput 2:107–119
Sriver TA, Chrissis JW (2004) Combined pattern search and ranking and selection for simulation optimization. Proc. Winter Simulation Conference
Schwefel PP (1995) Evolution and optimum seeking. Wiley
Swisher JR, Jacobson SH, Yücesan E (2003) Discrete-event simulation optimization using ranking, selection, and multiple comparison procedures: A survey. ACM Trans. Model Comp Simul 13(2):134–154
Author information
Authors and Affiliations
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2009 Springer-Verlag Berlin Heidelberg
About this chapter
Cite this chapter
Arns, M., Buchholz, P., Müller, D. (2009). Optimierung ereignis-diskreter Simulationsmodelle im ProC/B-Toolset. In: Buchholz, P., Clausen, U. (eds) Große Netze der Logistik. Springer, Berlin, Heidelberg. https://doi.org/10.1007/978-3-540-71048-6_8
Download citation
DOI: https://doi.org/10.1007/978-3-540-71048-6_8
Publisher Name: Springer, Berlin, Heidelberg
Print ISBN: 978-3-540-71047-9
Online ISBN: 978-3-540-71048-6
eBook Packages: Computer Science and Engineering (German Language)