Modelle erleichtern das Verstehen und Verbesserung technischer Systeme. Dabei werden durch Abstraktion komplexer Systeme nur noch wesentliche Bestandteile von Design und Verhalten nachgebildet, das Modell ist damit deutlich leichter handhabbar und verständlicher als das reale System. Durch Anpassung des Modells bzw. seiner Konfiguration wird eine Optimierung des Systems erleichtert oder überhaupt erst ermöglicht. Optimierung eines Modells bedeutet dabei, aus der Menge aller Systemkonfigurationen diejenige(n) zu bestimmen, für die sich das Modell - und damit später auch das reale System - hinsichtlich bestimmter Bewertungskriterien bestmöglich verhält. Aufgrund zufälliger Einflussgrößen wird das Finden einer optimalen Systemkonfiguration auf konventionellem Wege unmöglich oder zumindest unrealistisch schwer. Hier setzt die indirekte Optimierung durch Simulation an. Ein großes Problem ist dabei der enorme Zeitbedarf von Simulationen. Thema der Arbeit ist die Frage, wie die Effizienz simulationsbasierter Optimierung durch Kombination bekannter und neuer Verfahren erhöht werden kann. Dafür wurde ein neues Verfahren der adaptiven Genauigkeitssteuerung mittels Multiphasen-Optimierung entwickelt. Für die Beantwortung der Frage wurde zunächst ein Analysewerkzeug erstellt, mit dem die verschiedenen Verfahren zur simulationsbasierten Optimierung untersucht werden können. Um auf bisherige Vorarbeiten und Veröffentlichungen am Fachgebiet aufzubauen, wurde für diese Arbeit das Simulationssystem TimeNET verwendet. Als formales Modell für komplexe, diskrete Systeme kommen farbige, stochastische Petri-Netze (Stochastic Colored Petri Nets) zum Einsatz. Typische Probleme simulationsbasierter Optimierung werden betrachtet. Es werden bekannte Verfahren verglichen und ein neues Verfahren vorgestellt, welches den Simulationszeitbedarf in Betracht zieht und damit auf die Anwendung für simulationsbasierte Optimierung zugeschnitten ist. Abschließend werden die Verfahren anhand von SCPN-Simulationen und Benchmarkfunktionen bewertet.
Models facilitate the understanding and improvement of technical systems. By abstracting complex systems, only essential components of design and behavior are reproduced, making the model much easier to handle and more understandable than the real system. By adapting the model or its configuration, an optimization of the system is made easier or even possible. Optimization of a model means to determine from the set of all system configurations the one for which the model - and thus later also the real system - behaves best in terms of certain evaluation criteria. Due to random factors, finding an optimal system configuration by conventional means, e.g. through (Mixed Integer) Linear Programming often is impossible or at least unrealistic hard. This is where indirect optimization through simulation comes into play. A big challenge is the amount of time required by simulations. Topic of this thesis is increasing the efficiency of simulation-based optimization by combining well known and new methods. For this purpose, a new method of adaptive accuracy control using multi-phase optimization has been developed and integrated into a prototype software tool. To build on previous work and publications, the simulation system TimeNET was used for this work. Therefore (Stochastic Colored Petri Nets) are used as a formal model for complex, discrete systems. Typical problems of simulation-based optimization are considered. Known methods are compared and a new method is presented, which takes into account the required simulation time and thus is tailored to simulation-based optimization. Finally, the presented methods are evaluated using SCPN simulations and benchmark functions