Advertisement

Die Anwendung der statistischen Modellierung (Monte-Carlo-Methode) in NPT-Systemen

  • D. I. Golenko
Chapter
  • 33 Downloads

Zusammenfassung

In diesem Kapitel werden die Möglichkeiten und Vorzüge gezeigt, die eine Simulierung der Vorgänge in komplizierten Netzplansystemen mit sich bringt. Die Anwendung der bekannten Monte-Carlo-Methode zieht eine eingehende Untersuchung der gewonnenen Daten nach sich. Besondere Aufmerksamkeit wird der Abschätzung des erforderlichen Stichpro-benumfangs und der Signifikanz der einzelnen Daten entgegengebracht, weil gerade diese Faktoren sowohl die Anwendungsmöglichkeiten als auch die Aussagekraft eines Netzplanmodells bestimmen. Darüber hinaus werden auch die Algorithmen für so wichtige Aussagen wie Dringlichkeitszonen, p-Quantilwerte für Pufferzeiten usw. angegeben. Die hier behandelte Modellierung korrelierter Vorgänge im Netzplanmodell ist in der Literatur bisher nur wenig behandelt worden, hat aber für die Anwendung eine große Bedeutung, da durch korrelierte Vorgänge oft wesentliche Parameteränderungen hervorgerufen werden. Die mathematischen Schwierigkeiten einer solchen Behandlung erweisen sich dabei als erheblich. Die Zerlegungsmöglichkeit und die anschließende Zusammenführung der Ergebnisse von umfangreichen Netzplänen ist daher ein praktisch sehr wichtiges Problem und hat eine ähnliche Bedeutung wie die Dekompositionsverfahren der linearen Optimierung. Durch die Herausarbeitung des Begriffes des Teilnetzwerkes und seiner Eigenschaften wird es möglich, die Methoden der statistischen Modellierung auf sog. Kiesennetzwerke bzw. auf ihre komprimierten Bilder anzuwenden. Auch hier werden abschließend EDV-gerechte Algorithmen sowie deren Einführung und Wirkungsweise in realen Prozessen dargeboten.

Preview

Unable to display preview. Download preview PDF.

Unable to display preview. Download preview PDF.

Copyright information

© BSB B. G. Teubner Verlagsgesellschaft, Leipzig 1972

Authors and Affiliations

  • D. I. Golenko

There are no affiliations available

Personalised recommendations