Deutschland » Bayern » TU München » Informatik » Dr. Klein » Diskrete Simulation » Beschreibung
Diskrete Simulation
Typ: Vorlesung + Übung/Tutorium
SWS: 3
Credit Points: 5
Homepage: net.in.tum.de
Hilfe
Du möchtest diesen Kurs bewerten?
Klicke dazu auf »Kurs bewerten« im Menu.
Es werden keine Bewertungen angezeigt?
Die Bewertungen des Kurses befinden sich im Tab »Bewertungen«. Dieser wird nur angezeigt, wenn Du dich als Nutzer registriert hast und eingeloggt bist.
Die Bewertungen der einzelnen Kriterien fehlen?
Du kannst zwischen dem Kurskommentar und den Bewertungen der einzelnen Kriterien wechseln, indem Du auf »Einzelbewertungen einblenden« klickst.
Was bedeutet Kurs belegen?
Du wirst über alle neuen Bewertungen oder Foreneinträge des Kurses per E-Mail informiert.
Du möchtest mit anderen über den Kurs diskutieren?
Klicke dazu auf das Tab »Forum« und schreib einen Beitrag.
Noch Fragen?
Dann wirf einen Blick in unsere FAQ oder schicke uns eine Nachricht über unser Kontaktformular.
Kursbeschreibung / -kommentar
Wann und wozu Simulation. Arten von Simulation: diskret vs. kontinuierlich, eventbasiert vs. zeitbasiert usw. Interner Aufbau eines eventbasierten Simulators. Einfaches Warteschlangenmodell; Überblick Warteschlangentheorie.
Bedeutung von Zufallszahlen und -verteilungen für Simulatoren. Wiederholung von für die Vorlesung benötigten Grundlagen von Statistik und Stochastik: Deskriptive Statistik (Erwartungswert und Mittelwerte, Median und Quantile, Varianz, MAD, Momente usw.), Zufallsverteilungen und ihre Eigenschaften, Autokorrelation, Visualisierungsmethoden. Generierung von Zufallsverteilungen, Qualität von Zufallszahlengeneratoren.
Kurzer Überblick über Arbeit mit Netzwerksimulatoren; Unterschiede Simulator-Programmierung vs. "real world". Typische Workflow-Elemente bei der Forschungs-Arbeit mit Simulatoren: Modellbildung, Experimentplanung, Simulation, Evaluation, Anpassung/Verfeinerung. Verwendung des Simulators OPNET. Einführung in Matlab (Übungen).
Experimentplanung: Faktoranalyse, ANOVA. Was macht eine gute Simulation aus: Realistische Modelle, realistische Prüflasten. Was macht eine gute Auswertung aus: Möglichkeiten zur Varianzreduktion, Konfidenzintervalle. Statistik-Fallstricke, Fehleinschätzungen, wie man mit Statistik/Grafiken lügen kann.
Fortgeschrittene Themen wie z.B.: Simulation von Mobilität und Mobilitätsmodelle; Parallelisierung von Simulation; Praxis-Tips: Simulation beschleunigen.
Übung:
Die Übungen orientieren sich stets am Inhalt der Vorlesung. Im Rahmen der Vorlesung werden ein einfacher Simulator (Warteschlangenmodell), ein Zufallszahlengenerator und ein statistisches Evaluierungstool in Java oder C++ implementiert. Im weiteren Verlauf der Vorlesung werden ebenfalls Punktfelder, Zufallsgraphen und Mobilitätsmodelle bestandteil der Übungsaufgaben.