Computersimulation
Durchführung einer Simulation mit Hilfe eines Computerprogrammes
From Wikipedia, the free encyclopedia
Unter Computersimulation bzw. Rechnersimulation versteht man die Durchführung einer Simulation mit Hilfe eines Computers, genauer: eines Computerprogrammes oder als Teil einer Software. Dieses Programm beschreibt bzw. definiert das Simulationsmodell oder Computermodell. Umgangssprachlich werden die Programme auch als Codes bezeichnet, da es sich um diskrete Entwicklungen handelt, die häufig versuchen, ein spezifisches Problem numerisch zu lösen. Heutzutage sind außerdem viele Computersimulationen Teil größerer, freier oder kommerzieller Applikationen.
Im Spezialfall meint Computersimulation die Modellierung und Simulation von Modellen von Computern bzw. Rechnerarchitekturen.[1][2]
Einleitung
Computersimulation setzt ein Modell voraus, wobei die mathematische Modellierung dieses Modells ein eigenes Fachgebiet ist.[3] Eine weitere mathematische Grundlage der Modellierung bildet die Lineare Algebra, Numerik, Numerische Integration, Differentialgleichungen[4][5], Finite Differenzen (FD), Finite Elemente (FEM), Algorithmik, u. dgl. Zusammengefasst spricht man auch von Modellierung und Simulation. Ein verwandtes Gebiet ist die numerischen Simulationen.
Werden Simulationen im Rahmen von physikalischen Problemen angewendet, spricht man auch von der Computerphysik. Die Simulation von chemischen Problemen findet im Rahmen der theoretischen Chemie statt. Übergeordnet spricht man auch von einem Wissenschaftliches Rechnen.
Diese Aktivitäten finden sowohl in der Forschung und Entwicklung als auch in Unternehmen und anderen Organisationen statt. Sie begleiten in der Regel eine rechnergestützte Entwicklung. Die Modellierung von Systemen findet im Rahmen der Systemmodellierung statt, welche Teil des Systems Engineering ist. Modellierung und Simulation werden ebenfalls genutzt, um die Verifizierung und Validierung von Systemen sicherzustellen.[6]
Die Computersimulation wird in einer großen Anzahl von Themengebieten verwendet, speziell aber in den Ingenieurwissenschaften, beispielsweise im Fahrzeugbau.[7] Außerdem in der Biologie oder Biotechnologie[8], dort teilweise auch im Bereich der Bioinformatik.
Geschichte
Zu den ersten Computersimulationen zählt die Simulation eines zweidimensionalen Harte-Kugel-Modells mittels des Metropolisalgorithmus und das Fermi-Pasta-Ulam-Experiment.[9][10] Die Entwicklung der Fachdisziplin ist stets eng mit dem Aufkommen und der Weiterentwicklung von Computern im 20. Jahrhundert verbunden, von den damaligen Rechenmaschinen und Großrechnern bis hin zu den heutigen Supercomputern. Es wurden auch spezialisierte Hochsprachen entwickelt, wie, beispielsweise Fortran oder Simula. Aufgrund ihrer besonderen, geeigneten Eigenschaften wird Fortran bis heute zu Simulationszwecken verwendet. In kleineren Arbeitsumgebungen werden Workstations auch für die Anwendung von Computersimulationen oder für aufwendige Berechnungen aus den Bereichen CAD, CFD usw. eingesetzt. Seit etwa den 2020er Jahren werden auch KI-unterstützte Simulationen erforscht.[11]
Arten der Simulation
Unterscheidung nach Statik und Dynamik
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.
Dynamische Simulation
Für die Modelle der dynamischen Simulation spielt die Zeit immer eine wesentliche Rolle. Die dynamische Simulation betrachtet Prozesse bzw. Abläufe.
Unterscheidung nach kontinuierlich und diskret
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.)
Multi-Agenten-Simulation
Die Multi-Agenten-Simulation, die als Spezialfall der diskreten Simulation gesehen werden kann, erlaubt, emergente Phänomene und dynamische Wechselwirkungen zu modellieren.
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.
Hybride Simulation
Von hybrider Simulation spricht man dann, wenn das Modell sowohl Eigenschaften der kontinuierlichen als auch der diskreten Simulation aufweist. Derartige Modelle finden sich beispielsweise in medizinischen Simulationen – insbesondere zu Ausbildungszwecken – wieder, bei denen die zu simulierende Biologie nicht hinreichend bekannt ist, um ein ausreichend detailliertes, kontinuierliches Modell erstellen zu können.
Weitere Arten
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 und Ingenieurwesen viele Anwendungen gefunden, und zwei Bücher des Physikers Kurt Binder gehören zu den meistzitierten Veröffentlichungen im Bereich der Simulation statistischer Systeme, vgl. auch Molekular Simulation.[12][13]
System Dynamics
Unter Systemdynamik wird die Simulation komplexer, zeitdiskreter, nicht-linearer, dynamischer und rückgekoppelter Systeme verstanden. Unter solchen Simulatoren werden u. a.
- 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.
Simulationssprachen
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. Künstliche 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.
Ontologische Verortung
Simulationsgestütztes Vorgehen in den Wissenschaften hat sich seit Aufkommen häufig in spezifischen Teildisziplinen (bspw. Computer-Aided Engineering, Computational Sciences, Computational Social Science) konzentriert. Neuere Interventionen plädieren dagegen für die Wahrnehmung von Computersimulationen als wissenschaftliche Instrumente, um diese mittelfristig als disziplinweit akzeptierte Formen des Erkenntnisgewinns zu akzeptieren.[14]
Literatur
Fachliteratur
- Stanley J. Farlow: Partial Differential Equations for Scientists and Engineers (= Dover books on advanced mathematics). Dover, New York 1993, ISBN 978-0-486-67620-3 (englisch, Online).
- K. W. Morton, D. F. Mayers: Numerical Solution of Partial Differential Equations. Cambridge University Press, Cambridge ; New York 1994, ISBN 978-0-521-41855-3 (englisch, Online).
- Reuven Y. Rubinstein, Benjamin Melamed: Modern Simulation and Modeling (= Wiley series in probability and statistics. Applied probability and statistics section). Wiley, New York 1998, ISBN 978-0-471-17077-8 (englisch, Online).
- Thomas Witelski, Mark Bowen: Methods of Mathematical Modelling: Continuous Systems and Differential Equations (= Springer Undergraduate Mathematics Series). Springer International Publishing, Cham 2015, ISBN 978-3-319-23041-2, doi:10.1007/978-3-319-23042-9 (englisch).
- Juan Manuel Durán: Computer Simulations in Science and Engineering: Concepts - Practices - Perspectives (= The Frontiers Collection). Springer International Publishing, Cham 2018, ISBN 978-3-319-90880-9, doi:10.1007/978-3-319-90882-3 (englisch).
Andere Beiträge
- Valentin Braitenberg (Hrsg.): Simulation: Computer zwischen Experiment und Theorie (= Rororo Sachbuch. Band 9927). Rowohlt, Reinbek bei Hamburg 1995, ISBN 978-3-499-19927-1.