Masterstudierende, insbesondere Studierende des Masters Wirtschaftsinformatik

Voraussetzungen

Es bestehen keine formalen Zugangsvoraussetzungen für dieses Modul. Der erfolgreiche Abschluss des Moduls „Operations Research“ oder eines vergleichbaren Moduls wird empfohlen. Grundlegende Programmierkenntnisse sind von Vorteil, jedoch nicht zwingend erforderlich.

Qualifikationsziele

Studierende dieses Moduls erwerben fundierte Kenntnisse über simulationsbasierte Modellierungsansätze sowie über Metaheuristiken und deren zugrundeliegende Konzepte. Das Modul vermittelt sowohl die theoretischen Grundlagen der Simulation als auch deren praktische Implementierung und Anwendung in komplexen Entscheidungs- und Optimierungsproblemen.

Nach erfolgreichem Abschluss sind die Studierenden in der Lage, geeignete Simulationsansätze für unterschiedliche Problemstellungen auszuwählen, Modelle zu konzipieren, zu implementieren und die erzeugten Ergebnisse systematisch zu analysieren, zu validieren und kritisch zu bewerten. Darüber hinaus entwickeln sie ein vertieftes Verständnis für das Zusammenspiel von Simulation, Optimierung und lernbasierten Verfahren.

Inhalte

Simulation stellt ein zentrales methodisches Werkzeug zur Analyse komplexer, dynamischer und stochastischer Systeme dar und findet in zahlreichen wirtschaftswissenschaftlichen und technischen Anwendungsfeldern Verwendung. Dazu zählen unter anderem Produktions- und Logistiksysteme, Verkehrs- und Mobilitätssysteme, Finanzmärkte sowie Entscheidungsprozesse unter Unsicherheit.

Diese Veranstaltung gliedert sich in zwei zentrale Themenblöcke:

Simulation:

Im ersten Teil werden die theoretischen Grundlagen der Simulation vermittelt. Behandelt werden unterschiedliche Simulationsebenen, insbesondere makroskopische, mikroskopische und mesoskopische Ansätze, sowie verschiedene Simulationsarten wie ereignisdiskrete, zeitdiskrete und agentenbasierte Simulationen. Darüber hinaus werden grundlegende Konzepte der stochastischen Modellierung eingeführt, einschließlich Wahrscheinlichkeitsverteilungen, Schätzmethoden und Zufallszahlengenerierung.

Ein weiterer Schwerpunkt liegt auf Prinzipien der Evaluation, Verifikation und Validierung von Simulationsmodellen sowie auf der systematischen Analyse und Interpretation von Simulationsergebnissen. Die theoretischen Inhalte werden kontinuierlich anhand realer Codebeispiele illustriert und durch konkrete Implementierungen vertieft, um ein anwendungsnahes Verständnis zu fördern.

Ergänzend erhalten die Studierenden einen Überblick über gängige Simulationswerkzeuge und -frameworks sowie deren Einsatzpotenziale, insbesondere im Kontext von Optimierung und Reinforcement Learning.

Metaheuristiken für komplexe Optimierungsprobleme:

Im zweiten Teil des Moduls wird ein systematischer Überblick über verschiedene Klassen von Metaheuristiken gegeben. Dazu zählen insbesondere naturinspirierte Verfahren wie evolutionäre und genetische Algorithmen, Simulated Annealing, Tabu-Suche, Ameisenalgorithmen sowie weitere heuristische Suchverfahren. Die Studierenden lernen die grundlegenden Funktionsprinzipien, Stärken und Grenzen dieser Ansätze kennen und setzen sie exemplarisch in simulationsbasierten Kontexten ein.