Diese Arbeit befasst sich mit der Metamodellierung von Simulationsmodellen. Wenn ein Simulationsmodell sehr komplex ist, kann der Rechenaufwand zum Ausführen der Experimente erheblich sein. Außerdem erschwert sich die Analyse und Interpretation der Simulationsergebnisse. In diesem Fall bietet ein Metamodell Vorteile, weil es die Approximation von Input-Output-Verhältnissen auf der Basis der aus der Simulation erlangten Daten erlaubt. Dies bietet die Möglichkeit, Simulationsergebnisse zu prognostizieren und zu optimieren. Angesichts dieses Potentials befasst sich diese Arbeit mit den Grundprinzipen der Metamodellierung und mit der Charakterisierung gängiger Methoden, wie dem Kriging-Verfahren, der Spline-Regression, der Support-Vector-Machine, der polynomialen Regression, der radialen Basisfunktion, dem künstlichen neuronalen Netz und dem Entscheidungsbaum. Hierfür wurde auf die mathematischen Grundlagen, Lösungsverfahren, Vorteile, Nachteile und Anwendungsbeispiele eingegangen.
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.Häufig gestellte Fragen
Was ist ein Metamodell in der Simulation?
Ein Metamodell ist ein Modell eines Modells. Es approximiert die Input-Output-Verhältnisse eines komplexen Simulationsmodells, um Rechenaufwand zu sparen.
Warum wird Metamodellierung eingesetzt?
Sie reduziert den Rechenaufwand bei sehr komplexen Simulationen und ermöglicht schnellere Prognosen sowie die Optimierung von Simulationsergebnissen.
Welche Methoden der Metamodellierung werden in der Arbeit verglichen?
Untersucht werden unter anderem das Kriging-Verfahren, künstliche neuronale Netze (KNN), Support-Vector-Machines (SVM), polynomiale Regression und Entscheidungsbäume.
Was sind die Kriterien für den Methodenvergleich?
Die Methoden werden hinsichtlich ihrer Genauigkeit, Robustheit und Effizienz (Zeitlaufreduzierung) gegenübergestellt.
Was versteht man unter der Versuchsplanung?
Die Versuchsplanung (Design of Experiments) ist die strategische Auswahl von Datenpunkten aus der Simulation, um eine möglichst präzise Basis für das Metamodell zu schaffen.
Welche Rolle spielen künstliche neuronale Netze hierbei?
KNN werden als eine Methode zur Modellierung komplexer, nicht-linearer Zusammenhänge innerhalb der Simulationsdaten eingesetzt.
- Quote paper
- Daniela Rocio Cely Hernandez (Author), 2017, Metamodellierung von Simulationsmodellen. Methodenvergleich und prototypische Umsetzung, Munich, GRIN Verlag, https://www.grin.com/document/1050344
