--- title: "Simulationsmodellierung" source: "https://systems-analysis.info/int/Simulationsmodellierung" wiki: "systems-analysis.info/int" article: "Simulationsmodellierung" language: "de" categories: - "Category:German" - "Category:Modeling" - "Category:Operations research" - "Category:Systems analysis" revision_id: 6721 wiki_created_at: 2026-09-07T00:10:09Z wiki_modified_at: 2026-09-07T00:10:09Z downloaded_at: 2026-09-07T23:15:30Z --- # Simulationsmodellierung **Simulationsmodellierung** (englisch: *simulation modeling*) ist eine Forschungsmethode, bei der ein reales System durch sein Modell ersetzt wird, das die Struktur und das Verhalten des Systems ausreichend genau nachbildet[\[1\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-vestnik-astu-1)[\[2\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-wiki-simulation-2). Im Allgemeinen versteht man unter einem Simulationsmodell ein Softwaresystem (Computermodell), mit dem rechnergestützte Experimente durchgeführt werden können: Das Modell wird auf einem Computer mit unterschiedlichen Sätzen von Eingangsparametern «durchlaufen» gelassen, und die resultierenden Ergebnisse werden analysiert[\[3\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-britannica-simulation-3). Das Ziel einer solchen Modellierung ist es, die Eigenschaften des untersuchten Systems zu verstehen oder die Folgen verschiedener Betriebsstrategien zu bewerten, ohne direkte Experimente am realen Objekt durchführen zu müssen[\[4\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-akpan2025-4). Die Methode wird als Spezialfall der mathematischen Modellierung betrachtet, bei der eine analytische (formelbasierte) Lösung des Problems entweder unbekannt oder zu komplex ist, um sie zu erhalten[\[5\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-lychkina2010-5). Ein Simulationsmodell bildet den zeitlichen Ablauf von Prozessen ab, oft unter Einbeziehung zufälliger Faktoren, und ermöglicht es, numerische Schätzungen der Systemeigenschaften durch statistische Auswertung der Ergebnisse wiederholter Modelldurchläufe zu erhalten[\[6\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-zadorozhniy2013-6)[\[1\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-vestnik-astu-1). ## Schlüsseleigenschaften und Theoreme Im Gegensatz zur analytischen Modellierung liefert die Simulationsmodellierung Ergebnisse in Form einer Reihe von numerischen Realisierungen und nicht als explizite Formel[\[2\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-wiki-simulation-2). Daher ist es erforderlich, eine Reihe von Experimenten mit dem Modell durchzuführen und die Ergebnisse statistisch auszuwerten, um verlässliche Informationen über das untersuchte System zu erhalten. ### Statistische Grundlagen - **Gesetz der großen Zahlen:** Eine grundlegende Eigenschaft, die der Methode zugrunde liegt. Nach diesem Gesetz streben die Durchschnittswerte der Ausgangsgrößen mit zunehmender Anzahl unabhängiger Modelldurchläufe (Anzahl der Zufallsrealisierungen) gegen ihre theoretischen Erwartungswerte[\[6\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-zadorozhniy2013-6). - **Zentraler Grenzwertsatz:** Dieses Ergebnis ermöglicht die Schätzung der Genauigkeit von Simulationsergebnissen. Es besagt, dass die Abweichung des Mittelwerts, der aus $N$ unabhängigen Durchläufen ermittelt wurde, vom wahren Mittelwert ungefähr proportional zu $1/\sqrt{N}$ ist. Dies ermöglicht die Konstruktion von Konfidenzintervallen für die erhaltenen Schätzungen[\[6\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-zadorozhniy2013-6). - **Gesetz von Little:** In der Warteschlangentheorie verbindet dieses Gesetz ($\bar{L} = \lambda\bar{W}$) die durchschnittliche Anzahl von Aufträgen im System ($\bar{L}$), ihre Ankunftsrate ($\lambda$) und die durchschnittliche Verweildauer im System ($\bar{W}$). Es dient als wichtiges Werkzeug zur Verifikation (Überprüfung der Korrektheit) von Simulationsmodellen für Warteschlangen[\[7\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-wiki-littles-law-7). ## Grundlegende Modellierungsparadigmen In der Simulationsmodellierung werden mehrere Ansätze unterschieden, die sich im Abstraktionsgrad und in der Art des betrachteten Prozesses unterscheiden. - **Diskrete-ereignisorientierte Simulation** (englisch: *Discrete-Event Simulation, DES*): Fokussiert sich auf Ereignisse, die den Systemzustand zu diskreten Zeitpunkten ändern (z. B. die Ankunft eines Kunden oder der Abschluss einer Bedienung). Dies ist das vorherrschende Paradigma im Operations Research zur Analyse von Warteschlangensystemen, Logistikketten und Produktionslinien[\[2\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-wiki-simulation-2). - **Systemdynamik** (englisch: *System Dynamics, SD*): Arbeitet mit aggregierten Variablen und modelliert die kontinuierliche Dynamik von Systemen durch die Lösung von Differentialgleichungssystemen. Eignet sich für die Analyse komplexer sozioökonomischer Systeme. - **Agentenbasierte Modellierung** (englisch: *Agent-Based Modeling, ABM*): Betrachtet ein System als eine Ansammlung autonomer Objekte (Agenten), von denen jedes nach vorgegebenen Regeln handelt. Das globale Verhalten des Systems ergibt sich aus der Interaktion vieler Agenten. Wird zur Modellierung von sozialen Systemen, Epidemien und Märkten verwendet[\[2\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-wiki-simulation-2). In der modernen Praxis werden häufig multiparadigmatische Werkzeuge (z. B. AnyLogic) eingesetzt, die es ermöglichen, diese Ansätze in einem einzigen Modell zu kombinieren. ## Beispiele ### Beispiel 1: M/M/1-Warteschlangensystem Betrachten wir ein System mit einem einzigen Bedienkanal, einem Poisson-Ankunftsstrom mit der Rate $\lambda$ und einer exponentiellen Bedienzeit mit der Rate $\mu$ ($\lambda < \mu$). Es ist analytisch bekannt, dass die durchschnittliche Warteschlangenlänge im stationären Zustand $L = \rho^{2}/(1 - \rho)$ beträgt, wobei $\rho = \lambda/\mu$ ist. Ein Simulationsmodell eines solchen Systems wird nach einer ausreichenden Anzahl von Durchläufen einen empirischen Mittelwert für die Warteschlangenlänge zeigen, der dem theoretischen Wert nahekommt. Beispielsweise ist bei $\lambda = 2$ und $\mu = 3$ der theoretische Wert $L = 4$. Das Simulationsergebnis könnte $\bar{L} \approx 3.98$ ergeben, was die Korrektheit des Modells bestätigt[\[7\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-wiki-littles-law-7). ### Beispiel 2: Monte-Carlo-Methode zur Berechnung von Pi Die Monte-Carlo-Methode ist ein Spezialfall der Simulationsmodellierung. Um die Zahl π zu schätzen, kann man einen Viertelkreis mit dem Radius 1 in ein Einheitsquadrat einbeschreiben. Anschließend wird eine große Anzahl von $N$ Punkten zufällig in dieses Quadrat «geworfen». Das Verhältnis der Anzahl der Punkte, die innerhalb des Viertelkreises landen ($K$), zur Gesamtzahl der Punkte $N$ ist annähernd gleich dem Verhältnis ihrer Flächen: $K/N \approx (\pi \cdot 1^{2}/4)/1^{2} = \pi/4$. Daraus folgt $\pi \approx 4K/N$. Dieser Ansatz wird häufig zur Lösung mehrdimensionaler Integrationsprobleme und in der probabilistischen Analyse verwendet[\[8\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-wiki-monte-carlo-8). ## Anwendung im Operations Research Die Simulationsmodellierung ist eines der Schlüsselwerkzeuge des Operations Research, insbesondere wenn ein System für eine analytische Lösung zu komplex ist. Traditionell galt sie als «Methode der letzten Wahl»[\[4\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-akpan2025-4), doch die Entwicklung der Rechentechnik hat sie zu einem standardmäßigen und leistungsstarken Werkzeug für die Lösung von Aufgaben gemacht, wie zum Beispiel: - **Produktion und Logistik:** Analyse von Produktionslinien, Bestandsmanagement, Gestaltung von Lagern und Transportnetzwerken[\[9\]](https://systems-analysis.info/int/Simulationsmodellierung#cite_note-poms-simulation-9). - **Dienstleistungssektor:** Optimierung von Call-Centern, Krankenhäusern (Modellierung von Patientenströmen), Banken. - **Wirtschaft und Finanzen:** Analyse von Geschäftsprozessen, Risikobewertung, Modellierung von Preisbewegungen von Finanzanlagen. - **Digitaler Zwilling** (englisch: *Digital Twin*): Eine moderne Entwicklung, bei der ein ständig aktualisiertes Simulationsmodell eines bestimmten physischen Objekts (einer Werkzeugmaschine, eines Autos, eines Gebäudes) erstellt wird, das synchron Daten vom realen Objekt empfängt. Dies ermöglicht die Vorhersage des Verhaltens und die Optimierung der Steuerung in Echtzeit. ## Einzelnachweise 1. ↑ [1.0](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-vestnik-astu_1-0) [1.1](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-vestnik-astu_1-1) Kiritschenko, A. V. u. a. Die Rolle der Simulationsmodellierung bei der technologischen Planung und Parameterbewertung von Frachtterminals // Vestnik der Staatlichen Technischen Universität Astrachan. 2017. № 2. [1] 2. ↑ [2.0](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-wiki-simulation_2-0) [2.1](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-wiki-simulation_2-1) [2.2](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-wiki-simulation_2-2) [2.3](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-wiki-simulation_2-3) Simulation. *Wikipedia*. [2] 3. [↑](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-britannica-simulation_3-0) Simulation. *Encyclopædia Britannica*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-akpan2025_4-0) [4.1](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-akpan2025_4-1) Akpan, I. J., Etti, G. E. Simulation Everywhere: An Evolutionary Expansion of Discrete-Event Modeling and Simulation research and practice // Symmetry. 2025, 17(8): 1272. DOI: 10.3390/sym17081272. 5. [↑](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-lychkina2010_5-0) Lytschkina, N. N. Simulationsmodellierung wirtschaftlicher Prozesse: Lehrbuch. Moskau: Hochschule für Wirtschaft, 2010. 6. ↑ [6.0](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-zadorozhniy2013_6-0) [6.1](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-zadorozhniy2013_6-1) [6.2](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-zadorozhniy2013_6-2) Sadoroschny, V. N. Simulations- und statistische Modellierung: Lehrbuch. Omsk: Verlag der Staatlichen Technischen Universität Omsk, 2013. 7. ↑ [7.0](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-wiki-littles-law_7-0) [7.1](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-wiki-littles-law_7-1) Little's law. *Wikipedia*. [4] 8. [↑](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-wiki-monte-carlo_8-0) Monte Carlo method. *Wikipedia*. [5] 9. [↑](https://systems-analysis.info/int/Simulationsmodellierung#cite_ref-poms-simulation_9-0) Simulation Modeling in Operations Management. *poms.org*. [6]