Metamodellierung von Simulationsmodellen. Methodenvergleich und prototypische Umsetzung

Inhaltsverzeichnis

• Einleitung
• Motivation
• Zielsetzung
• Methodik
• Aufbau der Arbeit
• Grundlagen der Simulation und Metamodellierung
• Der Begriff Simulation
• Grundlagen der Metamodellierung von Simulationsmodellen
• Phasen der Simulation und Metamodellierung
• Zweckmäßigkeit einer Metamodellierung
• Versuchsplanung: Ein Überblick
• Methoden zur Metamodellierung
• Polynomiale Regression (PR)
• Spline-Regression (SR)
• Support-Vector-Machine (SVM)
• Künstliche neuronale Netze (KNN)
• Radiale Basisfunktion (RBF)
• Kriging-Verfahren (KV)
• Entscheidungsbäume (EB)
• Zusammenfassung der Methoden
• Prototypische Umsetzung und Gegenüberstellung
• Kriterien für die Gegenüberstellung
• Simulierte Systeme
• Implementierung
• Ergebnisse
• Fazit und Ausblick

Zielsetzung und Themenschwerpunkte

Diese Arbeit befasst sich mit der Metamodellierung von Simulationsmodellen. Die Zielsetzung ist es, die Grundprinzipien der Metamodellierung zu erläutern, gängige Methoden zu charakterisieren und diese anhand einer prototypischen Umsetzung zu vergleichen. Die Arbeit behandelt die folgenden Themenschwerpunkte:

• Grundlagen der Simulation und Metamodellierung
• Charakterisierung gängiger Metamodellierungsmethoden
• Prototypische Umsetzung und Vergleich der Methoden
• Bewertung der Metamodellierung hinsichtlich der Zeitlaufreduzierung

Zusammenfassung der Kapitel

Das erste Kapitel liefert eine Einleitung in die Thematik der Metamodellierung von Simulationsmodellen. Es werden die Motivation, Zielsetzung, Methodik und der Aufbau der Arbeit erläutert. Im zweiten Kapitel werden die Grundlagen der Simulation und der Metamodellierung von Simulationsmodellen vorgestellt. Es werden die Phasen der Simulation und Metamodellierung sowie die Zweckmäßigkeit einer Metamodellierung beleuchtet. Darüber hinaus wird ein Überblick über die Versuchsplanung gegeben. Das dritte Kapitel befasst sich mit verschiedenen Methoden zur Metamodellierung. Es werden die mathematischen Grundlagen, Lösungsverfahren, Vorteile, Nachteile und Anwendungsbeispiele der folgenden Methoden vorgestellt: polynomiale Regression, Spline-Regression, Support-Vector-Machine, künstliche neuronale Netze, radiale Basisfunktion, Kriging-Verfahren und Entscheidungsbäume. Im vierten Kapitel werden die Methoden der polynomialen Regression, Support-Vector-Machine, künstlichen neuronalen Netze und Entscheidungsbäume anhand einer prototypischen Umsetzung verglichen. Dabei werden die Kriterien Genauigkeit, Robustheit und Effizienz herangezogen. Das fünfte Kapitel fasst die Ergebnisse der Arbeit zusammen und gibt einen Ausblick auf zukünftige Forschungsarbeiten.

Schlüsselwörter

Metamodellierung, Simulation, Simulationsmodelle, Künstliche neuronale Netze, Polynomiale Regression, Entscheidungsbaum, Zeitlaufreduzierung, Robustheit, Genauigkeit, Effizienz.