Ereignisdiskrete Simulation (Discrete-Event Simulation, DES)
- Eingeführt von
- Banks, Carson, Nelson & Nicol (textbook lineage); foundational work by Tocher & Conway (1960s)
- Jahr
- 1960s (formalized); modern computational form from 1970s onward
- Typ
- Stochastic process simulation
Dieser Text ist eine maschinelle Übersetzung und wurde noch nicht geprüft. Original auf Englisch lesen
Was leistet sie?
Die ereignisdiskrete Simulation (Discrete-Event Simulation, DES) ist ein Paradigma der computergestützten Modellierung, bei dem sich der Zustand eines Systems nur zu einer zählbaren Folge von Zeitpunkten – den Ereignissen – ändert.
Zwischen den Ereignissen ändert sich nichts, sodass die Simulationsuhr direkt von einem Ereignis zum nächsten springt. Formalisiert durch die grundlegenden Lehrbücher von Banks, Carson, Nelson und Nicol sowie von Law in den 1960er bis 2000er Jahren, ist DES zum Standardwerkzeug für die Analyse von Warteschlangensystemen, Patientenflüssen im Gesundheitswesen, Fertigungslinien und Logistiknetzwerken geworden, in denen Entitäten im Laufe der Zeit Ressourcen durchlaufen.
Die Intuition hinter der Methode
Stellen Sie sich eine Notaufnahme eines Krankenhauses vor: Patienten kommen an, warten auf eine Krankenschwester, erhalten Behandlung und gehen. Das wirkliche Leben aktualisiert sich nicht jede Millisekunde – es ändert sich nur, wenn etwas passiert: ein Patient kommt an, eine Krankenschwester wird frei oder ein Patient wird entlassen. DES erfasst genau diese Logik. Die Simulation unterhält eine sortierte Liste zukünftiger Ereignisse und verarbeitet sie nacheinander, wobei eine virtuelle Uhr auf die Zeit jedes Ereignisses vorgerückt wird, anstatt jede Millisekunde durchzuarbeiten. Dies macht sie auch für komplexe Systeme schnell und ermöglicht es Analysten, Fragen zu stellen wie: 'Was wäre, wenn wir eine Krankenschwester hinzufügen?' oder 'Was wäre, wenn sich die Ankünfte montags verdoppeln?', ohne das reale System zu berühren.
Geschichte
Die Grundlagen von DES wurden in den späten 1950er und frühen 1960er Jahren von Forschern wie K.D. Tocher und R.W. Conway gelegt, die die ersten universellen Simulationssprachen (GSP, GPSS) entwickelten. Das Ereignisplanungsparadigma – die Pflege einer nach Zeit sortierten Future-Event List – wurde in den 1970er Jahren zum Standard. Die Lehrbücher von Banks, Carson, Nelson und Nicol (erste Auflage 1984, jetzt in fünfter Auflage 2010) und Law (erste Auflage 1982, jetzt in fünfter Auflage 2015) konsolidierten die Methodik, die Auswertungsverfahren und die Eingangsmodellierungstechniken, die die moderne Praxis definieren. DES verbreitete sich schnell in der Operations Research, im Wirtschaftsingenieurwesen und im Management des Gesundheitswesens und ist heute sowohl in Open-Source-Bibliotheken (SimPy, simmer) als auch in kommerziellen Plattformen implementiert.
Wann wird sie eingesetzt?
DES passt immer dann, wenn ein System als diskrete Entitäten beschrieben werden kann, die sich durch Ressourcen bewegen, die von stochastischen Ankunfts- und Bedienzeiten gesteuert werden. Es ist die geeignete Wahl für Warteschlangensysteme, Patientenflüsse in Notaufnahmen und auf Krankenhausstationen, Durchsatzanalysen in der Fertigung und Lieferkette, die Personalplanung von Callcentern und die Routenplanung in der Logistik – überall dort, wo der Analyst Kapazitäten, Engpässe oder 'Was-wäre-wenn'-Szenarien bewerten muss, ohne am realen System zu experimentieren. Es ist keine Normalverteilungsannahme erforderlich. Die Anzahl der Replikationen muss ausreichend sein (typischerweise mindestens 30 oder ≥1000 für schmale Konfidenzintervalle) – bei zu wenigen Replikationen sind die DES-Ergebnisse unzuverlässig und ein analytisches Warteschlangenmodell kann vorzuziehen sein. Verteilungsinputs (Ankunfts- und Bedienzeitverteilungen) müssen aus historischen Daten geschätzt werden; wenn keine Daten vorhanden sind, sind Expertenbefragungen oder Pilotläufe erforderlich.
Grenzen und Hinweise
- Unsicherheit der Eingabedaten: Die Ergebnisse sind nur so zuverlässig wie die angepassten Ankunfts- und Bedienzeitverteilungen.
- Aufwärmverzerrung: Das Ignorieren der Aufwärmperiode verzerrt Schätzungen im stationären Zustand nach oben oder unten.
- Replikationen: Zu wenige Replikationen (weniger als ca. 30) führen zu breiten Konfidenzintervallen, die Szenariovergleiche unzuverlässig machen.
- Rechenaufwand: Komplexe Modelle mit vielen Entitäten und Ressourcen können erhebliche Laufzeiten erfordern, um schmale Konfidenzintervalle zu erzielen.
- Modellvalidierung erfordert historische Daten zur Verifizierung; schlecht abgebildete Prozesse führen zu irreführenden Ergebnissen.
Die Bedingungen der Quelle ersetzen weder eine unabhängige wissenschaftliche Prüfung noch die Validierung durch eine Analyse-Engine.
Stärken
- Behandelt komplexe, nichtlineare Prozesse – Ressourcenkonflikte, variable Routenführung, Prioritätswarteschlangen –, die analytische Warteschlangenmodelle nicht darstellen können.
- Erzeugt realistische Konfidenzintervalle durch unabhängige Replikationen, wodurch Unsicherheit explizit gemacht wird.
- Unterstützt 'Was-wäre-wenn'-Experimente und Szenariovergleiche, ohne das reale System zu stören.
- Keine Verteilungsannahmen für Ausgaben; jede Eingangsverteilung kann berücksichtigt werden.
- Anwendbar in einer Vielzahl von Domänen – Gesundheitswesen, Fertigung, Logistik, Dienstleistungsbetriebe – ohne das Kernparadigma zu ändern.
Anwendungen
- Patientenfluss in der Notaufnahme: Bewertung von Personalstärke, Triage-Richtlinien und Bettenkapazität zur Reduzierung von Wartezeiten.
- Durchsatz in der Fertigung: Identifizierung von Engpass-Arbeitsplätzen, Dimensionierung von Puffern und Planung von Schichtplänen.
- Lieferkette und Logistik: Modellierung von Lagerbetrieb, Lieferrouten und Bestandsauffüllung bei stochastischer Nachfrage.
- Personalplanung von Callcentern: Ermittlung der Agentenzahl und Routing-Regeln zur Erfüllung von Service-Level-Agreements.
- Betrieb von Flughäfen und Häfen: Simulation von Gate-Zuweisungen, Bodenabfertigung und Frachtdurchsatz.
So funktioniert es
So funktioniert es
Der Analyst bildet den realen Prozess ab: Entitäten (Patienten, Aufträge, Fahrzeuge), Ressourcen (Krankenschwestern, Maschinen, Lastwagen), Warteschlangen und Routing-Logik. Dieses konzeptionelle Modell ist der Bauplan für alles, was folgt – vage Prozessdiagramme führen zu unzuverlässigen Simulationen.
Ankunfts-Zwischenzeiten und Bedienungsdauern werden mithilfe historischer Daten und Anpassungstests (Goodness-of-Fit) auf Wahrscheinlichkeitsverteilungen – typischerweise exponentiell, Erlang, logarithmisch-normal oder empirisch – angepasst. Die Verteilungsdaten sind die primäre Quelle der Unsicherheit in DES; wenn Daten knapp sind, sind Sensitivitätsanalysen über plausible Verteilungsfamilien unerlässlich.
Der Ereigniskalender (Future-Event List) wird initialisiert. Jeder Ereignistyp (Ankunft, Service-Start, Service-Ende, Abgang) wird mit den Zustandsübergängen kodiert, die er verursacht. Ein Zufallszahlengenerator steuert jedes stochastische Element, und separate Generatoren werden den Ankunfts- und Serviceprozessen zugewiesen, damit Techniken zur Varianzreduktion wie gemeinsame Zufallszahlen später angewendet werden können.
Die Simulation wird vor der Datenerfassung für eine Aufwärmperiode ausgeführt. Zur Zeit Null ist das System normalerweise leer – eine künstliche Anfangsbedingung, die Schätzungen im stationären Zustand verzerrt. Die Aufwärmperiode (geschätzt mit Welchs Methode oder ähnlichem) lässt das System das statistische Gleichgewicht erreichen, bevor die Messung beginnt.
Mehrere unabhängige Replikationen werden ausgeführt, jede mit einem anderen Zufallssamen. Replikationen, nicht Beobachtungen innerhalb eines einzelnen Laufs, sind die Einheiten der statistischen Analyse. Mindestens 30 Replikationen werden für eine zuverlässige Schätzung von Konfidenzintervallen empfohlen; die erforderliche Anzahl kann durch ein sequenzielles Pilotverfahren bestimmt werden.
Zusammenfassende Statistiken – mittlere Wartezeit, Durchsatz, Ressourcenauslastung – werden über die Replikationen berechnet und mit 95%-Konfidenzintervallen berichtet. Wenn das Konfidenzintervall zu breit ist, werden mehr Replikationen oder Techniken zur Varianzreduktion angewendet. Szenariovergleiche verwenden dieselben Zufallssamen (gemeinsame Zufallszahlen), um das Rauschen zwischen den Szenarien zu reduzieren.
Häufige Fallstricke
- Weniger als 1000 Replikationen ausführen, wenn schmale Konfidenzintervalle benötigt werden – verwenden Sie ein sequenzielles Pilotverfahren, um die minimal erforderliche Anzahl zu ermitteln.
- Weglassen oder Unterdimensionieren der Aufwärmperiode – Kennzahlen im stationären Zustand, die von einem leeren System zur Zeit Null gesammelt werden, sind für die Auslastung nach unten und für die Wartezeiten nach oben verzerrt.
- Verwendung eines einzelnen langen Laufs anstelle mehrerer unabhängiger Replikationen – Beobachtungen innerhalb eines Laufs sind autokorreliert und können nicht als unabhängige Datenpunkte für die Schätzung von Konfidenzintervallen behandelt werden.
- Anpassen der falschen Verteilungsfamilie an Ankunfts- oder Bedienzeiten – Führen Sie immer formale Anpassungstests (Goodness-of-Fit) durch und überprüfen Sie die angepasste Verteilung anhand empirischer Daten, bevor Sie sie akzeptieren.
- Verwechslung von DES mit kontinuierlicher Simulation – DES ist geeignet für Systeme, bei denen Zustandsänderungen ereignisgesteuert sind; für kontinuierlich sich entwickelnde Bestände und Flüsse ist Systemdynamik das richtige Paradigma.
Häufig gestellte Fragen
Wie viele Replikationen benötige ich?
Eine Mindestanzahl von 30 unabhängigen Replikationen ist ein üblicher Ausgangspunkt für vorläufige Analysen, aber schmale Konfidenzintervalle für Entscheidungsfindungen erfordern typischerweise 100–1000 oder mehr. Verwenden Sie ein sequenzielles Pilotverfahren: Führen Sie eine anfängliche Charge von 10–30 Replikationen durch, schätzen Sie die Varianz und berechnen Sie dann die zusätzlichen Replikationen, die benötigt werden, um Ihre Ziel-Halbbreite zu erreichen.
Wie bestimme ich die Aufwärmperiode?
Welchs grafische Methode ist der am weitesten verbreitete Ansatz: Plotten Sie einen gleitenden Durchschnitt der Leistungsmetrik über die Zeit und identifizieren Sie den Punkt, an dem sie sich stabilisiert. Alternativ können Sie den Mecklenburg-White-Test verwenden oder das Modell einfach lange genug laufen lassen, dass die Aufwärmung weniger als 10 % der Gesamtlaufzeit ausmacht. Das Weglassen der Aufwärmung verzerrt die Schätzungen im stationären Zustand.
Wann sollte ich DES anstelle eines analytischen Warteschlangenmodells verwenden?
Analytische Warteschlangenmodelle (M/M/c und Varianten) liefern exakte oder angenäherte geschlossene Ergebnisse für einfache, idealisierte Systeme. Verwenden Sie DES, wenn der Prozess komplexe Routen, mehrere konkurrierende Ressourcentypen, nicht-exponentielle Bedienzeiten, Stapelankünfte oder zeitlich variierende Ankunftsraten aufweist – Situationen, in denen analytische Lösungen nicht verfügbar sind oder unrealistische Vereinfachungen erfordern.
Was ist, wenn ich keine historischen Daten zum Anpassen von Verteilungen habe?
Expertenbefragungen (z. B. minimale, wahrscheinlichste, maximale Schätzungen zur Anpassung einer Dreiecksverteilung) sind ein akzeptierter Ausweg für vorläufige Modelle. Führen Sie Sensitivitätsanalysen über plausible Verteilungsfamilien durch, um zu verstehen, wie sich die Unsicherheit der Eingabedaten auf die Unsicherheit der Ausgabedaten auswirkt. Sammeln Sie reale Daten, wenn das Modell ausgereift ist.
Verwandte Methoden
Quellen
Banks, J., Carson, J.S., Nelson, B.L. & Nicol, D.M. (2010). Discrete-Event System Simulation (5th ed.). Pearson.
ISBN: 978-0136062127Kopiert.Law, A.M. (2015). Simulation Modeling and Analysis (5th ed.). McGraw-Hill.
ISBN: 978-0073401324Kopiert.