Der verstärkte Einsatz unbemannter Luftfahrzeuge (UAV) durch die United States Air Force (USAF) hat die für die Ausbildung des fliegenden Personals zuständigen Ausbildungseinheiten unter Druck gesetzt. Ein Anstieg der Studentenquoten in Verbindung mit neuen Ausbildungsanforderungen, die sich aus der Umstellung auf das MQ-9-Flugzeug ergeben, wirkt sich auf die Ressourcen aus, die benötigt werden, um das gewünschte Niveau des Studentendurchsatzes zu erreichen. Diese Forschungsarbeit nutzt historische Daten einer UAV-Flugschulungseinheit, um ein Simulationsmodell des täglichen Betriebs innerhalb einer Ausbildungsstaffel zu entwickeln. Aktuelle Anforderungen, Operationen und Ausbilderbesetzungen werden verwendet, um eine grundlegende Bewertung des Verhältnisses zwischen der Besetzung der Einheit und der Produktion von Flugpersonal vorzunehmen. In einer anschließenden Analyse werden die Auswirkungen der Kursfrequenz, der Klassengröße und der Anzahl der Ausbilder auf den Durchsatz der Schüler untersucht. Die Ergebnisse dieser Untersuchung empfehlen neue Ansätze für die Durchführung von Kursen, um die Ausbilderkapazitäten besser auszunutzen und die UAV-Flugausbildungseinheiten über die angemessene Personalstärke zu informieren, die erforderlich ist, um die Anforderungen der USAF zu erfüllen.
Die 9. Angriffsstaffel (9 ATKS) auf dem Luftwaffenstützpunkt Holloman, New Mexico, ist für die Ausbildung von Flugpersonal für die MQ-9 Reaper zuständig, ein ferngesteuertes Luftfahrzeug, das von zwei Besatzungen mit unterschiedlichen Aufgaben bedient wird. Ein Pilot und ein Sensorbediener bilden die Start- und Landecrew, die Starts und Landungen durchführt, während die Flugcrew, bestehend aus einem Sensorbediener und einem Piloten, die Operationen während des Fluges durchführt. Die MQ-9 erfüllt eine Vielzahl von Einsatzaufgaben, die von der Luftabwehr bis zur Unterstützung bei Such- und Rettungseinsätzen reichen. Die 9 ATKS führt fünf verschiedene Trainingskurse durch, um die Bediener auf alle Aspekte des MQ-9-Einsatzes vorzubereiten.
Die Besatzungsstärke hat die Fähigkeit der 9 ATKS in Frage gestellt, angemessene Unterstützung zu leisten, um die Flugfähigkeit der ständigen Besatzung aufrechtzuerhalten, die erforderlichen Verwaltungsaufgaben zu unterstützen und angemessene Ruhezeiten für die Besatzung zu gewährleisten und gleichzeitig den Anforderungen der derzeitigen Anzahl von Flugschülern gerecht zu werden. Angesichts des für die kommenden Jahre erwarteten Zustroms zusätzlicher Flugschüler für das Initial Qualification Training (IQT) wollte das ATKS die Anzahl der Fluglehrer ermitteln, die für die Aufrechterhaltung des Lehrgangsablaufs erforderlich sind, um sicherzustellen, dass die Flugschüler ihren Abschluss gemäß den geplanten Fristen machen. Neben der Personalbesetzung wirken sich viele andere Faktoren stochastischer Natur auf die Fähigkeit aus, die Ausbildungsanforderungen zu erfüllen, darunter Wetterbedingungen, ständige Einsätze, zeitweilige Einsätze (TDY), Wartung, Flugstatus und Urlaub.
Ziel dieser Forschungsarbeit war es, die Anzahl der Bediener zu bestimmen, die die 9 ATKS jährlich ausbilden können, indem die derzeitige Besatzung optimiert wird, sowie die Anzahl der Ausbilder zu ermitteln, die für den erwarteten Anstieg der Schülerzahlen erforderlich sind. Mithilfe von Modellierung und Simulation wurde eine umfassende Analyse der Besatzung durchgeführt, um festzustellen, ob mit der derzeitigen Besatzung der Bedarf an Flugschülern gedeckt werden kann, ohne dass die Ausbilder überlastet werden, und um die Aspekte der Ausbildung zu ermitteln, die zu Verzögerungen führen.
An der MQ-9-Ausbildung sind mehrere Kurse beteiligt. Der größte ist der Grundkurs für die Erstqualifikation, der auch als Requalification/Transition Track 1 (IQT) bezeichnet wird. Der IQT bildet Piloten und Sensorbediener aus, die neu für die MQ-9 sind, und umfasst 93 Ausbildungstage, davon 61 akademische Tage und 32 Flugtage. Der Requalification/Transition Track 2 (TX-2) ist eine obligatorische Ausbildung für Piloten und Sensorbediener, die seit mehr als 39 Monaten nicht mehr auf der MQ-9 ausgebildet wurden, und besteht aus 71 Ausbildungstagen, davon 49 akademischen Tagen und 22 Flugtagen. Der Requalification/Transition Track 3 (TX-3) ist für Piloten und Sensorbediener vorgeschrieben, die seit weniger als 39 Monaten unqualifiziert sind, und besteht aus 43 akademischen Tagen und 16 Flugtagen, also insgesamt 59 Ausbildungstagen. Transition Track 4 (TX-4) bildet qualifizierte Piloten oder Sensorbediener aus, die für das Hauptwaffensystem MQ-9 qualifiziert sind. Der TX-4-Track umfasst 44 Ausbildungstage mit 28 akademischen Tagen und 16 Flugtagen. Der letzte von der 9 ATKS angebotene Ausbildungsweg ist der Kurs Formal Training Unit (FTU) Instructor Upgrade Training (FIUT), der dazu dient, Besatzungsmitglieder zu Ausbildern zu befördern. Der Kurs dauert 22 Tage, bestehend aus sieben akademischen Tagen und 15 Flugtagen. Die 9 ATKS führt alle fünf Ausbildungskurse gleichzeitig und ganzjährig durch, mit Ausnahme von Feiertagen und Wochenenden.
Wie aus den Besatzungsstärken in Tabelle 1 hervorgeht, gibt es innerhalb der 9 ATKS verschiedene Klassen von Personal. Die Anzahl der Flugveranstaltungen, die jeder Pilot pro Woche unterrichten kann, hängt von der Verfügbarkeit seiner Position ab. Wenn ein Pilot keine zusätzlichen Anforderungen an die Staffel hat, kann er fünf Flugveranstaltungen pro Woche unterrichten und dabei eine angemessene Ruhezeit für die Besatzung einhalten. Zusätzlich zu den Fähigkeiten, die mit jeder Personalklasse verbunden sind, sind die Fähigkeiten der Piloten unterschiedlich, wodurch der Anteil der Kurse, die eine Person unterrichten kann, begrenzt wird.
9 ATKS-Piloten sind auch für die tägliche Besetzung eines Betriebsleiters, des Flugleiters und einer Start- und Bergungsmannschaft verantwortlich. Diese zusätzlichen Positionen erfordern besondere Fähigkeiten, die die Anzahl der Piloten, die diese Positionen besetzen können, begrenzen. Obwohl die Piloten häufig als Ausbilder fliegen, müssen sie auch ihre Kenntnisse über die MQ-9 aufrechterhalten, indem sie einmal im Monat als Hauptpilot fliegen. In ähnlicher Weise sind die Bediener der Sensoren je nach ihrer Position und Verfügbarkeit nur begrenzt in der Lage, Ausbilder zu sein.
Die Basis-Crew-Äquivalenz (BCE) ist ein Maß, das von der 9 ATKS verwendet wird, um die jährliche Besatzungsproduktion zu erfassen. Es wird erwartet, dass die 9 ATKS im Normalbetrieb mindestens 120 BCE pro Jahr produziert. Der BCE-Faktor wird nach Lehrplantyp gewichtet, wobei der IQT-Lehrplan am stärksten gewichtet ist. Das BCE-Gewicht für die Vervollständigung der Besatzung, aufgeschlüsselt nach Lehrplänen, ist in Tabelle 2 dargestellt.
Historische Arbeiten, die sich mit Besatzung und Planung befassen, haben lineare (Winston 2004) und ganzzahlige Programmierung (Billionnet 1999) verwendet und wurden auf reale Planungsprobleme angewendet (Ryan und Foster 1981; Ghalwash et al. 2016). Diese Methoden wurden zwar erfolgreich eingesetzt, aber aufgrund der komplexen, dynamischen und stochastischen Natur dieses Problems mussten für diese Ansätze viele inakzeptable Annahmen getroffen werden.
Die Simulation ist in der Anwendung für die Planungsoptimierung weit verbreitet und ermöglicht die Darstellung von Faktoren mit Verteilungen, die dem realen Problem näher kommen als ein konstanter Wert. Banks et al. (2010) heben hervor, dass oft ein Systemmodell entwickelt werden kann, das mit mathematischen Methoden gelöst werden kann, aber die Komplexität des realen Systems nicht so gut erfasst wird, wie es mit einer computerbasierten Simulation möglich ist. Die Simulation eines Systems ermöglicht die Untersuchung und Analyse von Aspekten, die sich im Laufe der Zeit ändern können, wobei mehrere Durchläufe einen Einblick in die erwarteten Ergebnisse und ihre Verteilungen geben. Sobald ein Simulationsmodell erstellt ist, kann der Benutzer mehrere Faktoren ändern und die Systemleistung mit diesen Änderungen vorhersagen. Die Analyse des Ergebnisses einer Simulation auf der Grundlage von Änderungen des Inputs liefert wertvolle Informationen über die Auswirkungen der verschiedenen Variablen. Die aus einer Simulation gewonnenen Erkenntnisse können dazu beitragen, Bereiche zu identifizieren, die in einem realen System verbessert werden können.
Bei einer gründlichen Durchsicht der Literatur wurden Simulationstechniken gefunden, die auf die Situation der 9 ATKS anwendbar sind. Sepulveda et al. (1999) setzten Simulationen ein, um die Abläufe in Krebsbehandlungszentren zu verbessern, in denen verschiedene Arten von Patienten an mehreren Standorten von Krankenhauspersonal mit unterschiedlichen Qualifikationen behandelt wurden, was zu einem Anstieg der betreuten Patienten um 30 % führte, ohne dass sich die Personalstärke änderte. Kumar und Kapur (1989) simulierten die Einsatzplanung in der Notaufnahme, um die Auswirkung der Personalbesetzung nach Schichtlänge auf die Qualität des Dienstes bei gleichzeitiger Minimierung der Wartezeit der Patienten und der Kosten zu bewerten. Ähnlich wie bei den 9 ATKS, die gleichzeitig laufende Kurse unterrichten, war das Krankenhauspersonal für die Bereitstellung von Diensten auf fünf verschiedenen Notfallstufen verantwortlich, wobei es durch seine Schichtlänge eingeschränkt war. Seguin und Hunter (2013) simulierten mit Hilfe eines Planungswerkzeugs für die Ressourcenzuweisung den Ausbildungsbetrieb der Fliegerschule der kanadischen Streitkräfte, um das Ausbildungsprogramm zu analysieren, Ursachen für Verzögerungen zu ermitteln und die Kursdauer zu minimieren. Die Simulation berücksichtigte das Wetter, die Flugzeuge, die Simulatoren, die verschiedenen Ausbildertypen sowie die Leistung der Flugschüler. Die Simulation ergab, dass die Verfügbarkeit von Flugsimulatoren am stärksten zu Verzögerungen beiträgt, und ergab, dass ein Blockplanungsformat die beste Alternative ist, um den Kursabschluss zu beschleunigen.
Jun et al. (1999) veranschaulichen die Vorteile des gleichzeitigen Einsatzes von Simulations- und Optimierungstechniken für eine mehrkriterielle Zielfunktion. April et al. (2003) stellen fest, dass fast alle modernen Softwaresimulationspakete eine Suche nach optimalen Werten der Eingangsparameter im Gegensatz zu einer statistischen Schätzung bieten und evolutionäre Ansätze verwenden, um den Lösungsraum zu durchsuchen und eine Population von Lösungen zu entwickeln. Die Optimierungssoftware OptQuest, die von Simio verwendet wird, nutzt diesen evolutionären Ansatz, indem sie die Inputs und Outputs der Simulation in Kombination mit einem vom Benutzer angegebenen Startpunkt, Präzisionsniveau, Stoppkriterien und einer Zielfunktion bewertet, um die in Frage kommenden Werte zu untersuchen (April et al. 2003). Kleijnen und Wan (2007) nutzten OptQuest zur Minimierung der Bestandskosten für ein Bestandsverwaltungssystem und kamen zu dem Schluss, dass OptQuest im Vergleich zu einer modifizierten Response-Surface-Methode die beste Schätzung des wahren Optimums lieferte.
Angesichts der Komplexität der Flugtrainingsplanung für die MQ-9-Community wurde eine Kombination aus Simulation und Optimierung mit Simio und dessen OptQuest-Funktion verwendet. Die Software-Suite ermöglichte die Durchführung von Experimenten, die Erzeugung mehrerer Arten von Ausgabedaten und die Durchführung intuitiver Analysen zur Bewertung optimaler Planungsoptionen für das 9 ATKS-Planungsproblem (Prochaska und Thiesing 2008).
Um die Forschungsziele bestmöglich zu erreichen und den realen Betrieb des 9 ATKS darzustellen, wurde eine Simulation mit der objektorientierten Simulationssoftware Simio erstellt. Es wurden auch andere Ansätze in Betracht gezogen, aber ein simulationsbasierter Ansatz wurde als am besten geeignet erachtet, um die derzeitige Besatzung und ihre Auswirkungen auf den Durchsatz zu verstehen und die optimale Besatzung für zukünftige Unwägbarkeiten zu prognostizieren. Das Modell bildet die wichtigsten Aspekte des täglichen Betriebs der 9 ATKS ab. Jeder zugewiesene, angeschlossene, reservierte oder beauftragte Ausbilder wird in der Simulation als Ressource dargestellt. Die Anzahl der Piloten und Sensorbediener, die im Oktober 2018 mit der 9 ATKS verbunden waren, wurde als repräsentative Besatzung verwendet. Keine zwei Ausbilder in den 9 ATKS haben die gleichen Fähigkeiten oder beruflichen Anforderungen.
Bei einer Gesamtzahl von 132 Ausbildern war die Modellierung individueller Zeitpläne nicht praktikabel. Auf der Grundlage historischer Daten wurde für jeden Ausbildertyp eine durchschnittliche wöchentliche Flugdienstkapazität angesetzt, so dass zugewiesene, fest angestellte, Reserve- und Vertragsausbilder jeweils fünf, zwei, vier und fünf Veranstaltungen pro Woche absolvieren können. Traditionelle Reservepiloten, die eine Veranstaltung pro Monat fliegen, wurden aus dem Modell herausgenommen.
Im Normalbetrieb beschränken die Anforderungen für das Pre-Briefing, das Post-Briefing, die Verwaltung und die Ruhezeiten der Besatzung die Zahl der Fluglehrer auf ein Ereignis pro Tag. Somit wird ein Ausbilder für den gesamten Achtstundentag für ein Flugereignis in Anspruch genommen. Ausbilder können auch für nicht fliegende Spezialeinsätze in Anspruch genommen werden. Ein Unternehmen kommt jeden Tag und nimmt die entsprechenden Ausbilderressourcen für zusätzliche Aufgaben in Anspruch. Darüber hinaus haben historische Daten gezeigt, dass 12 % der Ausbilder aufgrund von TDY, Urlaub, Krankheit und anderen militärischen Aufgaben nicht für einen bestimmten Einsatz zur Verfügung stehen. 16 Ausbilder werden täglich von einer zusätzlichen Einheit nach dem Zufallsprinzip abgezogen.
Ausbilder verfügen über Kombinationen von 14 verschiedenen Fähigkeiten, die bestimmen, welche Flüge oder akademischen Kurse sie unterrichten können. Die Modellauswahl der Ausbilder spiegelt die 9 ATKS-Beschaffungsprioritäten wider, die in der Reihenfolge der Ressourcenliste erfasst sind.
Sowohl die MQ-9-Flugzeuge als auch die Simulatoren werden zu Ausbildungszwecken eingesetzt, wobei jeweils vier von ihnen für den täglichen Gebrauch zur Verfügung stehen. Das Modell behandelt diese als Ressourcen, die von den Studenten zu Beginn jeder Ausbildungsaufgabe in Anspruch genommen werden. An einem typischen Tag absolviert jedes Flugzeug vier Flüge und jeder Simulator fünf Flüge, wobei diese als Kapazität für jede Ausrüstungsressource dienen. Die Verfügbarkeit der Flugzeuge wird durch die Wetterbedingungen und die Wartung der Flugzeuge eingeschränkt, während die Verfügbarkeit der Simulatoren durch Wartungsausfälle und Software-Updates begrenzt wird. Der historische Durchschnitt der wetter- und wartungsbedingten Ausfallzeiten liegt bei 23,6 % bzw. 3,5 %. Die Simulatoren sind nicht vom Wetter betroffen, stehen aber 0,3 % der Zeit für Wartungsarbeiten und Software-Updates still.
Die Auswirkungen des Wetters werden dadurch modelliert, dass eine Entität alle Flugzeuge an Tagen, an denen das Wetter den Flug verhindert, durch eine zufällige Ziehung erfasst. Die Wartung jedes Flugzeugtyps ist ein individueller Zuverlässigkeitsfaktor, der jeder Ausrüstungsressource zugeordnet ist. Ausfälle basieren auf einer Nutzungszahl, und die Zahl zwischen den Ausfällen folgt einer gleichmäßigen Verteilung sowohl für Flugzeuge als auch für Simulatoren. Die Ausfallzeit wurde als ein ganzer Tag modelliert, so dass die Ausrüstung für vier bzw. fünf Flüge für Flugzeuge und Simulatoren außer Betrieb ist. Um die 3,5 % Ausfallzeit des Flugzeugs als vier Flüge zu simulieren, betrug die Betriebszeit pro Flugzeug 114 Flüge und wurde als gleichmäßige Verteilung mit einem Minimum von 104 und einem Maximum von 124 modelliert. Die 0,3%ige Ausfallzeit des Simulators wurde als Gleichverteilung mit einem Maximum von 1.800 und einem Minimum von 1.400 Flügen modelliert, um die fünf Flüge der Ausfallzeit zu erfassen.
In den Lehrplänen für Ausbildungsprogramme werden die Veranstaltungen mit der für jede Veranstaltung erforderlichen Zeit (Stunden) aufgeschlüsselt. Die Veranstaltungen bestehen aus akademischen Kursen, Simulationsflügen und Flügen im Flugzeug, und die Dokumentation listet die an jedem Ausbildungstag zu absolvierenden Veranstaltungen auf (Department of the Air Force 2018). Die fünf verschiedenen Kurse werden als Server dargestellt, die Entitäten verarbeiten. Innerhalb jedes Servers befindet sich eine Aufgabentabelle, in der alle Ereignisse und der erforderliche Ablauf für diesen Lehrplan auf der Grundlage des MQ-9-Schulungshandbuchs aufgeführt sind, wie in Abbildung 1 dargestellt. Jede Aufgabentabelle, die einen Lehrplan darstellt, enthält die verschiedenen Aspekte für jedes Ausbildungsereignis, einschließlich Aufgabenname, Bearbeitungszeit, Vorgängeraufgaben, Wahrscheinlichkeit des Versagens des Flugschülers, Ressourcenbedarf des Piloten, Ressourcenbedarf des Sensorbedieners, Ausrüstungsbedarf, Prozess zu Beginn der Aufgabe und Prozess zum Abschluss der Aufgabe. Die Wahrscheinlichkeit des Scheiterns eines Schülers für jedes Ereignis basiert auf historischen Daten. Alle Aufgabenbearbeitungszeiten sind auf acht Stunden festgelegt, da sie normalerweise einen ganzen Tag in Anspruch nehmen.
Einige Aufgaben können in unterschiedlicher Reihenfolge bearbeitet werden, abhängig von ihren Voraussetzungen. Die Vorgängerkomponente ermöglicht es den Schülern, die Aufgaben in verschiedenen Mustern zu absolvieren, abhängig von der Verfügbarkeit von Ausbildern und Ausrüstung. Die Anforderungen an den Piloten, den Sensorbediener und die Ausrüstung enthalten eine Liste der für die jeweilige Veranstaltung in Frage kommenden Ausbilder oder Ausrüstung (Flugzeug oder Simulator). Für einige Veranstaltungen wird nur ein Ausbilder in der Klasse benötigt, und eine Dummy-Ressource wird als Ersatz für die anderen Ausbilderanforderungen verwendet. Außerdem sind einige akademische Tage rein computergestützt und nicht von Ressourcen abhängig.
Die Startaufgabe für jede Ausbildungsveranstaltung ist entweder ein individueller Prozess, der von jedem Studenten abgeschlossen wird, eine Veranstaltung, die als ein Satz von zwei Studenten (Supersortie) abgeschlossen wird, oder ein akademischer Kurs, der als eine ganze Klasse von Studenten abgeschlossen wird. Bei einem Einzelvorgang wird geprüft, ob die Ressourcen für diesen Studenten verfügbar sind und ob er nicht gerade andere Aufgaben erledigt. Wenn diese beiden Kriterien erfüllt sind, nimmt der Student die entsprechenden Ressourcen für die Dauer der Aufgabe in Anspruch. Bei den Aufgaben für Superklassen und akademische Klassen lässt der Prozess zum Starten der Aufgabe die Schülereinheiten warten, bis die entsprechende Anzahl von Schülern verfügbar ist. Nachdem die Bearbeitungszeit in der Simulation verstrichen ist, wird der Prozess der Aufgabenbeendigung durchgeführt. Der Prozess der Aufgabenbeendigung ist für alle Veranstaltungen ähnlich; der Student gibt die für die Aufgabe belegten Ressourcen frei.
Ob ein Student die Veranstaltung nicht bestanden hat, wird durch eine Zufallsauslosung festgestellt. Wenn der Student nicht bestanden hat, hat er die Vorgängeranforderung für die nächste Aufgabe nicht erfüllt und wird die Aufgabe so lange wiederholen, bis er sie bestanden hat.
Die Entitäten stellen eine Besatzung dar, die aus einem Flugschüler und einem Sensorbediener besteht und die Ereignisse in jedem Kurs durchläuft. Die Anzahl der ankommenden Studenten wurde anhand der durchschnittlichen Anzahl und Größe der Klassen in der Vergangenheit bestimmt. Für IQT kommen die Studenten alle 41 Tage an, für den TX-2-Kurs alle 365 Tage, für den TX-3-Kurs alle 219 Tage, für den TX-4-Kurs alle 183 Tage und für die FIUT-Strecke alle 37 Tage. Die durchschnittliche Klassengröße für den IQT-Kurs lag in der Vergangenheit bei zehn Schülern, für den TX-4-Kurs bei sechs Schülern und für die übrigen Kurse bei durchschnittlich zwei Schülern.
Die Modellannahmen sind notwendig, um die realen Aspekte der 9 ATKS zu erfassen, die in der Simulation nicht nachgebildet werden können. Die Daten geben die Nichtverfügbarkeit von Lehrkräften an, sind aber nicht nach Gründen aufgeschlüsselt. Daher wurde der Prozentsatz der nicht verfügbaren Ausbilder als deterministischer Anteil der gesamten Ausbilderbank pro Tag implementiert.
Auch die Witterung beeinträchtigt die Fähigkeit, die Ausbildung abzuschließen. Während der Regenzeit (Juli bis September) werden viele geplante Flüge entweder als Simulation durchgeführt oder abgesagt. Anstatt den saisonalen Effekt des Wetters zu berücksichtigen, implementiert das Modell eine durchschnittliche Gesamtrate von Flugausfällen aufgrund des Wetters. Diese Wahrscheinlichkeit wird gleichzeitig auf alle Flugzeuge angewandt.
Auch Wartungsarbeiten an Flugzeugen und Simulatoren führen zu Verzögerungen in der Ausbildung. Die Ausfallzeiten für beide werden mit einem unabhängigen Zuverlässigkeitsfaktor erfasst, der in jede Ausrüstungsressource eingebaut ist. Die Betriebszeit zwischen den Ausfällen wird mit einer Gleichverteilung mit einer angenommenen Ausfallzeit von einem Tag erfasst.
Der FIUT-Kurs dient dazu, Studenten zu Ausbildern für die anderen vier Kurse auszubilden. Alle für den Kurs erforderlichen Flüge hängen vom Ablauf des IQT-Lehrplans ab, da die FIUT-Studenten die IQT-Studenten als Teil ihrer Kursanforderungen unterrichten. Dieser Aspekt der FIUT-Ausbildung wurde aufgrund der Komplexität der realen Ausbildungssituation nicht modelliert. Die Verzögerungen, die durch diese Abhängigkeit entstehen, wurden in die FIUT-Kursaufgabentabelle eingebaut, um die Zeitverzögerung darzustellen.
Alle für die Modelleingabe verwendeten Daten wurden von der 9 ATKS und der 16. Der stellvertretende Betriebsleiter der 16 TRS beaufsichtigt den Betrieb der 9 ATKS und verwaltet historische Daten über die Anzahl der Schüler, die die Kurse durchlaufen, sowie über die Verfügbarkeit der Ausbilder. Die 16 TRS hat auch Daten über wetter- und wartungsbedingte Flugausfälle zur Verfügung gestellt. Informationen über die Anzahl der Ausbilder und ihre Qualifikationen wurden vom Personalleiter der 9 ATKS zur Verfügung gestellt, der die Erstellung der Ressourcenlisten und die Anzahl der für den aktuellen Betrieb repräsentativen Ressourcen leitete. Die Präferenzen bei der Auswahl der Ausbilder wurden vom Planer von 9 ATKS mitgeteilt, der auch Hinweise auf die durchschnittliche Auslastung der Ausbilder für zusätzliche Aufgaben gab, was dazu beitrug, ein realistischeres Modell zu erstellen. Der Planer gab auch die durchschnittliche Anzahl der Flüge an, die jeder Fluglehrertyp wöchentlich absolviert, sowie die Häufigkeit, mit der Mitglieder Rezertifizierungsflüge durchführen müssen.
Die Studie sollte Aufschluss darüber geben, wie viele Ausbilder erforderlich sind, um eine bestimmte Anzahl von Flugschülern in einer bestimmten Zeit auszubilden. Für die Modellvalidierung und die Betriebsanalyse wurden die Flugzeugauslastung, die Simulatorauslastung und die Ausbilderauslastung erfasst. Um Hinweise darauf zu erhalten, wo die Lehrpläne möglicherweise verbessert werden könnten, wurde die Wartezeit für jede Aufgabe aufgezeichnet, um festzustellen, welche Ereignisse in den einzelnen Lehrplänen zu Verzögerungen führten.
Während der gesamten Konstruktion des Modells wurden die Mitglieder der 9 ATKS, die mit den Funktionen der Staffel am besten vertraut waren, konsultiert, um zu bestätigen, dass die Darstellungen im Modell korrekt waren. Die Anzahl der Schüler wurde während der Testläufe mit einer visuellen Anzeige überwacht, die die Anzahl der Schüler, die sich derzeit im Kurs befinden, und die Anzahl derjenigen, die den Kurs abgeschlossen haben, anzeigte. Auf diese Weise konnte überprüft werden, ob die Kurse gemeinsam beginnen und enden und ob die Studenten den gesamten Lehrplan erfolgreich absolvieren. Außerdem wurde die Anzahl der Tage bis zum Abschluss des Lehrplans unter perfekten Bedingungen aufgezeichnet, d. h. ohne wetterbedingte oder wartungsbedingte Ausfälle und mit allen verfügbaren Lehrkräften. Die Zeit für die Absolvierung des Lehrplans für jede Klasse von Studenten entsprach direkt der Projektion des Lehrplans für den MQ-9-Erstqualifizierungs- und Requalifizierungslehrgang.
Das Modell wurde validiert, indem die Dauer bis zum Abschluss jedes Lehrplans mit den historischen Ergebnissen verglichen wurde. Die Simulation wurde mit der gleichen Anzahl von Studenten durchgeführt, die in der Vergangenheit die verschiedenen Trainingskurse absolviert hatten. Die Simulation umfasste zwanzig Durchläufe in 730 Tagen. Die durchschnittliche Anzahl von Tagen, die in der Vergangenheit für den Abschluss jedes Lehrplans benötigt wurde, wurde mit der durchschnittlichen Anzahl von Tagen verglichen, die die simulierten Studenten für den Abschluss jedes Lehrplans benötigten. Ein modifiziertes Zwei-Stichproben-t-Konfidenzintervall ergab keinen signifikanten Unterschied zwischen der simulierten mittleren Bearbeitungszeit und der historischen Bearbeitungszeit.
Darüber hinaus wurde die historische Anzahl der Studierenden, die jeden Lehrplan im Zeitraum 2017-2018 abschlossen, mit der simulierten Anzahl der Studierenden verglichen, die jeden Lehrplan abschlossen. Da der Durchsatz in den realen und simulierten Daten für alle Lehrpläne nahezu identisch war, wurde das Modell als genaue Abbildung der aktuellen Vorgänge validiert.
Das 9 ATKS rechnet mit einem erhöhten Bedarf an ausgebildeten MQ-9-Besatzungen und daher mit größeren IQT-Klassen. Um die Auswirkungen einer größeren Klassengröße auf das Geschwader zu erfassen, wurden Experimente mit zehn bis 18 Schülern pro Klasse durchgeführt. Darüber hinaus wollte das ATKS wissen, wie sich eine Aufstockung der Ausbilder auf die Schülerströme auswirkt, was zu einem Experiment führte, bei dem die Zahl der Ausbilder auf 100 % der zulässigen Zahl erhöht wurde, was einer Aufstockung auf bis zu 18 Ausbilder für Piloten und Sensorbediener entspricht. Eine weitere untersuchte Alternative war eine Erhöhung der Unterrichtsfrequenz. Es wurde ein Experiment durchgeführt, bei dem die Abstände zwischen den Unterrichtsstunden von 50 auf 40 und 30 Tage verringert wurden, wobei die Anzahl der Ausbilder konstant gehalten wurde und die Klassengröße von 10 bis 18 Schülern variierte. Die Ergebnisse der Experimente wurden verwendet.
Nach der Validierung wurden die Modelleingaben aktualisiert, um die typische IQT-Klassengröße widerzuspiegeln, bei der jährlich sieben Klassen unterrichtet werden. Zwanzig Replikationen des aktualisierten Modells, das den normalen Betrieb widerspiegelt, wurden 730 Tage lang mit den in Tabelle 3 aufgeführten Eingabeparametern ausgeführt. Die Ausgabedaten wurden analysiert, um den Nutzungsgrad der Ressourcen zu bestimmen. Die Gesamtauslastung nach Ausrüstungsart zeigt, dass Flugzeuge und Simulatoren eine Auslastung von 50,2 % bzw. 57,9 % aufweisen. Dies deutet darauf hin, dass die Verfügbarkeit dieser Ressourcen bei normalem Betrieb keine einschränkenden Faktoren für den Durchsatz der Studenten sind.
Die durchschnittlichen Auslastungsraten der Ausbilder, aufgeschlüsselt nach Qualifikationen, beinhalten die 12 % der Zeit, die sie für Aufgaben außerhalb der Ausbildung in Anspruch genommen werden, und sind deutlich höher als die der Flugzeug- und Simulatorressourcen. Fluglehrer mit den Qualifikationen Operations Supervisor (TOP 3), Additional Duty Flight Evaluator/Flight Evaluator (ADFE/FE), Launch and Recovery (LR) und allen fortgeschrittenen Fähigkeiten werden zu über 90 % der Zeit genutzt. Designated Instructors (DI), die am meisten für die FIUT-Kurse eingesetzt werden, haben eine Nutzungsrate von fast 86 %. Ausbilder, die nur für Simulatoren qualifiziert sind, werden zu 77 % eingesetzt. Die Auslastung der Sensorenbediener ist niedriger als die der Piloten, da sie weniger zusätzliche Aufgaben zu erfüllen haben. Viele der Ausbilder verfügen über mehrere Qualifikationen, so dass sich die Nutzungsraten nicht gegenseitig ausschließen.
Die Auswirkung zusätzlicher Ausbilder auf den Durchsatz von IQT-Schülern wurde analysiert, indem pro Aufstockung drei zusätzliche Piloten und Sensorbediener mit unterschiedlichen Fähigkeiten eingesetzt wurden. Wie erwartet, führte die Aufstockung der Ausbilder zu einer höheren durchschnittlichen Anzahl von Studenten, die den Kurs pro Jahr abschließen, und zu einer Verkürzung der durchschnittlichen Zeit bis zum Abschluss des Kurses. Ein gepaartes t-Konfidenzintervall wurde verwendet, um signifikante Unterschiede in der durchschnittlichen Anzahl der Studenten, die den IQT-Lehrplan in einem Jahr abschließen, und in der durchschnittlichen Abschlusszeit zu ermitteln. Das Basismodell wurde gegen jede Erhöhung des Ausbilders sowie jeden paarweisen Vergleich zwischen Ausbildererhöhungen analysiert. Signifikante Unterschiede zum Basismodell sind zu beobachten, wenn sechs oder mehr Lehrkräfte hinzukommen, wie in Tabelle 4 zu sehen ist. Eine Aufstockung um mehr als sechs Lehrkräfte führt nicht zu einer signifikant höheren Anzahl von Studierenden, die den Lehrplan in einem Jahr abschließen, sondern zu einer Verringerung der Zeit für den Abschluss des Lehrplans, während eine Aufstockung um mehr als neun Lehrkräfte keine weitere Zeitverbesserung mit sich bringt. Es ist anzunehmen, dass die Verjüngung der Verbesserung darauf zurückzuführen ist, dass die Lehrkräfte nicht mehr der begrenzende Faktor für den Durchsatz der Studierenden sind.
Die Wartezeiten der Studierenden für jede Aufgabe wurden ebenfalls erfasst. Von den 72 Aufgaben im IQT-Lehrplan wiesen 33 eine mittlere Wartezeit von mehr als einem Tag auf, wobei es sich bei 19 Aufgaben um akademische Kurse handelt, die von der gesamten Klasse gemeinsam bearbeitet werden müssen. Aufgabe 39 hat die längste mittlere Wartezeit und folgt einer Serie von sieben Flügen, von denen zwei die 2509 höchste Fehlerquote im Lehrplan aufweisen. Die meisten Verzögerungen bei der Ausbildung treten bei akademischen Kursen auf, die von der Klasse gleichzeitig absolviert werden müssen, wobei 55,1 % der Wartezeiten auf akademische Kurse entfallen, während Flüge in Flugzeugen und Simulatoren 24,2 % bzw. 20,7 % der Wartezeit ausmachen. Tabelle 5 enthält die mittlere und längste beobachtete Wartezeit für Aufgaben, die eine mittlere Wartezeit von zwei Tagen überschreiten.
Bei normalem Aufwand wird erwartet, dass die 9 ATKS jährlich 120 BCE produzieren. Der jährliche BCE-Durchsatz, aufgeschlüsselt nach Lehrplänen, in der Basissimulation ist in Tabelle 6 aufgeführt. Bei normalem Betrieb ist das Ziel von 120 BCE mit der derzeitigen Personalstärke, den historischen Klassengrößen und der Frequenz erreichbar.
Die ATKS war auch an einer Schätzung des Durchsatzes interessiert, wenn die Unterstützung durch Auftragnehmer durch militärische Besatzung ersetzt würde. Die derzeitige Besatzung bestand aus 15 Vertragspiloten und 18 Vertragssensorbedienern, von denen acht bzw. sieben nur für die Ausbildung in den Simulatoren zugelassen waren. Die Simulation wurde 730 Tage lang mit 20 Wiederholungen jedes Szenarios durchgeführt, wobei nur die Ausbilder, die keine Vertragspartner waren, eingesetzt wurden. Bei jedem Szenario wurde die Zahl der Ausbilder für Piloten und Sensorbediener um drei erhöht, so dass insgesamt 24 Ausbilder für jeden Typ in das Modell aufgenommen wurden. Aus dieser Analyse ging hervor, dass die Anzahl der Vertragspartner einen Einfluss auf den Durchsatz der Schüler hat. Ein gepaartes T-Konfidenzintervall ergab, dass 12 bis 15 zusätzliche Militärpiloten und Sensorbediener erforderlich wären, um einen ähnlichen Durchsatz und ähnliche Abschlusszeiten zu erreichen, wie sie derzeit erreicht werden, wenn die Vertragskräfte wegfallen, wie in Tabelle 7 dargestellt.
Da sich das Interesse auf die Erhöhung des Durchsatzes der Studenten für den IQT-Lehrplan konzentriert, sind die beiden Reaktionsfaktoren, die den Durchsatz der Studenten am besten anzeigen, die Anzahl der Studenten, die den Lehrplan innerhalb eines Jahres abschließen, und die Kursabschlusszeit. Zwei kontrollierbare Faktoren, die sich auf den Durchsatz der Studierenden auswirken, sind eine Änderung der Anzahl der Ausbilder und der Klassengröße. Es wurde ein Versuchsplan erstellt, um herauszufinden, welche Erhöhung der Zahl der Dozenten und der Klassengröße den größten Einfluss auf den Durchsatz der Studierenden hat.
Die Bandbreite der in Frage kommenden Klassengrößen basierte auf historischen Daten und der erwarteten zukünftigen Klassengröße. Die Spanne für die Ausbilderbesetzung basierte auf den zulässigen Besatzungsstärken und reichte von keiner bis zu einer Aufstockung um 18 Ausbilder sowohl für Piloten als auch für Sensorbediener. Die für die einzelnen Faktoren gewählten Werte sind in Tabelle 8 aufgeführt. Ein zentraler zusammengesetzter Versuchsplan mit axialen Punkten auf der Fläche und einem zusätzlichen zentralen Punkt wurde verwendet, um die verschiedenen Stufen der Ausbilder- und Schülerklassengröße zu analysieren.
Zehn Szenarien wurden mit einem vollständigen Modell zweiter Ordnung unter Verwendung von JMP analysiert. Um die Annahmen zur Reaktionsfläche zu erfüllen, wurde eine Box-Cox-Transformation auf die Reaktion angewandt, die den Bedenken hinsichtlich der Modellvalidität angemessen Rechnung trug. Die Gleichungen (1) und (2) geben das reduzierte Reaktionsflächenmodell im kodierten Raum für die jährliche Anzahl der Schüler und die durchschnittliche Zeit bis zum Abschluss des IQT-Lehrplans an.
Es wurden Heatmaps mit einer Reihe möglicher Kombinationen für jede Vorhersagegleichung erstellt. Abbildung 2 veranschaulicht, dass die kürzesten Abschlusszeiten erreicht werden, wenn die Klassengrößen kleiner sind und mehr Ausbilder hinzugefügt werden. Der Studentendurchsatz wird maximiert, wenn die Klassengrößen am größten sind, aber nicht drastisch durch die Erhöhung der Anzahl der Ausbilder beeinflusst werden, wie in Abbildung (3) zu sehen ist.
Um die Beziehung zwischen der Klassengröße, den Lehrkräften, dem Studentendurchsatz und der Zeit für den Abschluss des IQT-Lehrplans weiter zu analysieren, wurde die OptQuest Add-in-Funktion verwendet. Die Klassengröße wurde in Zweierschritten erhöht, während die Anzahl der Ausbilder in Dreierschritten festgelegt wurde. Jedes von OptQuest entwickelte Szenario wurde mindestens zehnmal durchgespielt, um einen durchschnittlichen Durchsatz und eine durchschnittliche Bearbeitungszeit der Schüler zu ermitteln. Jedes Ziel wurde einzeln optimiert. Bei der Maximierung des Studentendurchsatzes wurde ein Wert von 125 in 186,7 Tagen mit 18 zusätzlichen Lehrkräften und einer Klassengröße von 18 erreicht. Die Minimierung der Abschlusszeit ergab 140,6 Tage, wobei 68 Studenten den IQT-Kurs in einem Jahr abschlossen. Dies wurde mit einer Klassengröße von 10 und zusätzlichen 12 Ausbildern erreicht. Diese Ergebnisse wurden mit dem Basismodell mit einer Klassengröße von 16 und keinen zusätzlichen Lehrkräften verglichen, wobei sich beide Antworten signifikant unterschieden.
Die beiden Ziele wurden normalisiert und für die Multi-Objektiv-Funktion von OptQuest gleich gewichtet. Alle betrachteten experimentellen Szenarien wurden mit einer Klassengröße von 16 und einer Erhöhung der Anzahl der Lehrkräfte um 15 als optimale Lösung durchgeführt und beendet. Diese variablen Werte ergaben einen durchschnittlichen Studentendurchsatz von 116 und eine durchschnittliche Bearbeitungszeit von 167,3 Tagen. Bei dieser optimalen Lösung beträgt die Abweichung bei der Zahl der abgeschlossenen Studenten zehn Studenten vom besten Durchsatz von 126, während die Abschlusszeit eine Abweichung von 26 Tagen von der besten Abschlusszeit von 141,3 Tagen aufweist. Die Lösungen, die mit Hilfe der Response Surface Prediction Gleichungen gefunden wurden, waren ähnlich, wenn die Ziele einzeln bewertet wurden. Bei der Verwendung von OptQuest werden jedoch nur Szenarien ausgeführt, die vom Modell verarbeitet werden können, was den Lösungsraum auf gerade Klassengrößen und das Hinzufügen von Lehrkräften in Dreierschritten beschränkt.
Während der Stoßzeiten wird erwartet, dass die 9 ATKS jährlich 140 BCE produzieren. Wenn die anderen vier Kurse konstant gehalten werden, erfordert dies 125 Studenten, um den IQT-Lehrplan im Jahr zu absolvieren. Wie in Abbildung 3 zu sehen ist, erfordert eine solche Anforderung eine Klassengröße von 18 und eine Aufstockung der Ausbilder um 17 oder 18. Bei der derzeitigen Personalausstattung werden durch eine Aufstockung der Klassengröße nur durchschnittlich 114 Studierende pro Jahr abgeschlossen und die Auslastung der Ausbilder um 3 % erhöht. Aus diesem Grund wurde die Häufigkeit des Unterrichts erforscht. Durch Anpassungen der Häufigkeit und der Klassengröße wurde ein Versuchsplan erstellt, um die Auswirkungen auf den Studentendurchsatz zu ermitteln. Die Klassengröße blieb die gleiche wie in Tabelle 8, während die kodierten Werte für die Kursfrequenz zwischen 30 und 50 Tagen lagen. Ein zentraler zusammengesetzter Versuchsplan mit axialen Punkten auf der Fläche und zwei zentralen Punkten wurde verwendet, um die unterschiedlichen Ankunftsraten und die Klassengröße der Schüler zu analysieren.
Modelle zweiter Ordnung, die die Auswirkungen auf den Durchsatz der Studenten und die Abschlusszeit messen, wurden analysiert. Die Gleichungen (3) und (4) liefern die reduzierten Antwortflächen im kodierten Raum für den Durchsatz bzw. die Abschlusszeit.
Der Studentendurchsatz wurde bei einer Klassenfrequenz von 30 Tagen und einer Klassengröße von 14 maximiert, was zu 126 Studenten pro Jahr und einer durchschnittlichen Abschlusszeit von 272,1 Tagen führte. Die Abschlusszeit wurde minimiert, wenn zehn Studenten alle 49 Tage kamen, was zu 69 Studenten pro Jahr und einer durchschnittlichen Abschlusszeit von 145 Tagen führte. Optimale Lösungen für beide Ziele ergaben einen durchschnittlichen Durchsatz und eine durchschnittliche Abschlusszeit, die sich signifikant von der Basislinie unterschieden. Die Wärmekarten in den Abbildungen 4 und 5 zeigen die Bandbreite der Kombinationen für Durchsatz und Abschlusszeiten. Vor allem aber zeigt dies, dass Änderungen der Häufigkeit und der Klassengröße den Bedarf von 125 Schülern ohne zusätzliche Personalressourcen decken können.
Bei der Simulation des maximalen Durchsatzes von 126 Studenten, der mit einer Klassengröße von 14 Studenten alle 30 Tage erreicht wurde, lag die Auslastung der Piloten und Sensorbediener bei 94,1 % bzw. 77,8 %, was einem Anstieg von 5,5 % bzw. 2,9 % gegenüber dem Basisbetrieb entspricht, aber im Durchschnitt 18 weitere MQ-9-Besatzungen pro Jahr ermöglichen würde.
Die Modellanalyse und die Ergebnisse sind für Entscheidungsträger wertvoll, da sie möglicherweise mehrere Faktoren anpassen müssen, um den Bedarf der AF an MQ-9-Besatzungen zu decken. Die Simulation bot erfolgreich die Möglichkeit, den Betrieb der 9 ATKS zu analysieren, ohne die laufende Ausbildung zu unterbrechen. Aus den in der Simulation getesteten Szenarien wurden multiple Regressionsgleichungen entwickelt, die Vorhersagen über den Durchsatz der Studenten und die Dauer der Kurse ermöglichen. Ein Einblick in das reale System wurde durch die Analyse verschiedener Aspekte der Simulation gewonnen, wenn die Einstellungen für die aktuelle Besatzung und den Betrieb repräsentativ waren. Um das reale System in der diskreten Ereignissimulation abzubilden, waren Annahmen und Vereinfachungen notwendig, weshalb die Ergebnisse zwar zuverlässig, aber nicht präzise sind.
Die derzeitige Personalstärke ist in der Lage, den gewünschten jährlichen Studentendurchsatz zu übertreffen. Dies erfordert jedoch eine hohe Auslastung der am besten qualifizierten Piloten. Während es bei den Studenten gelegentlich zu Verspätungen aufgrund von Kursflügen im Flugzeug oder im Simulator kam, verursachten die akademischen Veranstaltungen die größten Verspätungen, was größtenteils darauf zurückzuführen ist, dass die Studenten die akademischen Veranstaltungen als Klasse absolvieren mussten.
Die Analyse ergab, dass die Klassengröße einen größeren Einfluss auf den Durchsatz der Studenten hatte als die Anzahl der Ausbilder. Bei unveränderter Anzahl von IQT-Kursen pro Jahr wären 17 bis 18 zusätzliche Mitarbeiter sowohl für die Pilotenausbilder als auch für die Sensorbediener erforderlich, um das Ziel von 125 IQT-Studenten, die den Kurs jährlich abschließen, zu erreichen. Eine derartige Aufstockung der Personalstärke auf 100 % des genehmigten Niveaus wäre in der Lage, eine Nachfrage von 140 BCE zu befriedigen. Dies kann jedoch auch ohne Personalaufstockung durch Anpassung der Klassengrößen und Erhöhung der Ankunftsfrequenz erreicht werden.
Künftige Bemühungen würden durch eine Erhöhung der Modelltreue vom täglichen Betrieb zum stündlichen Betrieb verbessert. Dies würde eine genauere Bewertung der Auslastung der Ausbilder ermöglichen und es den Ausbildern erlauben, mehr als eine Flugveranstaltung pro Tag zu absolvieren. Außerdem könnten so einzelne akademische Kurse mit spezifischen Ausbildern für jede Unterrichtsstunde modelliert werden. Eine verstärkte und kontinuierliche Datenerfassung zu den Ausfallquoten pro Veranstaltung kann eine genauere Prognose der Gesamtschülerleistungen ermöglichen. Eine spezifischere Datenerfassung zur Verfügbarkeit von Lehrkräften könnte individualisierte Ausfallzeiten ermöglichen. Die Auswirkungen unterschiedlicher Zielgewichtungen könnten simuliert werden, um einen Einblick in die Prioritätensetzung zu erhalten. Darüber hinaus könnte eine Ankunftsverteilung für die Verwendung im Modell bestimmt werden, um die Schwankungen bei der Ankunft in den Klassen genauer zu erfassen.
Die in diesem Artikel geäußerten Ansichten sind die der Autoren und spiegeln nicht die offizielle Politik oder Position der United States Air Force, des Verteidigungsministeriums oder der US-Regierung wider.
THOMAS TALAFUSE ist Assistenzprofessor für Operations Research im Department of Operational Sciences am Air Force Institute of Technology und promovierte an der University of Arkansas in Wirtschaftsingenieurwesen. Zu seinen Forschungsinteressen gehören Zuverlässigkeit, Risikoanalyse und angewandte Statistik. Seine E-Mail Adresse lautettom.talafuse@gmail.com.
LANCE CHAMPAGNE erwarb einen BS in Biomedizintechnik an der Tulane University, einen MS in Operations Research und einen PhD in Operations Research am Air Force Institute of Technology (AFIT). Er ist Assistenzprofessor für Operations Research im Department of Operational Sciences am Air Force Institute of Technology mit Forschungsinteressen in den Bereichen agentenbasierte Simulation, Kampfmodellierung und multivariate Analyseverfahren. Seine E-Mail Adresse lautetlance.champagne@afit.edu.
ERIKA GILTS ist Analystin für Operations Research in der US-Luftwaffe, die der Ramstein AFB, Deutschland, zugeteilt ist. Sie erwarb einen BA in Mathematik an der Anderson University und einen MS in Operations Research am Air Force Institute of Technology. Zu ihren Forschungsinteressen gehören Modellierung und Simulation, militärische Operationsanalyse, Text Mining und angewandte Statistik. Ihre E-Mail Adresse lauteterika.gilts@gmail.com.
April, J., F. Glover, J. P. Kelly, und M. Laguna. 2003. "Praktische Einführung in die Simulationsoptimierung". In Proceedings of the 2003 Winter Simulation Conference, herausgegeben von S. Chick, P. Sanchez, D. Ferrin, und D. Morrice, 71 - 78. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Inc.
Banks, J., J. S. Carson, B. L. Nelson, und N. M. David. 2010. Diskrete-Ereignis-System-Simulation. Fifth ed. Upper Saddle River, New Jersey: Pearson Education, Inc.
Billionnet, A. 1999, 4. "Integer Programming to Schedule a Hierarchical Workforce with Variable Demands". European Journal of Operational Research 114(1):105-114.
Department of the Air Force 2018. MQ-9 Initial Qualification and Requalification Training Course. Joint Base Langley-Eustis, Virginia: Headquarters Air Combat Command.
Ghalwash, M. F., X. H. Cao, I. Stojkovic, und Z. Obradovic. 2016. "Structured Feature Selection Using Coordinate Descent Optimization". BMC Bioinformatics 1(17):158-172.
Jun, J. B., S. H. Jacobson, and J. R. Swisher. 1999. "Anwendung der ereignisdiskreten Simulation in Kliniken des Gesundheitswesens: A Survey". Journal of the Operational Research Society 50:109-123.
Kleijnen, J. P. C., und J. Wan. 2007. "Optimierung von simulierten Systemen: OptQuest and Alternatives". Simulation Modelling Practice and Theory 15:354-362.
Kumar, A. P., und R. Kapur. 1989. "Discrete Simulation Application - Scheduling Staff for the Emergency Room". In Proceedings of the 1989 Winter Simulation Conference, herausgegeben von E. MacNair, K. Musselman, und P. Heidelberger, 1112-1120. New York, NY: Association for Computing Machinery.
Prochaska, K., und R. M. Thiesing. 2008. "Einführung in Simio". In Proceedings of the 2008 Winter Simulation Conference, herausgegeben von S. Mason, R. Hill, L. Monch, O. Rose, T. Jefferson, und J. Fowler, 229-235. Miami, FL: Institut der Elektro- und Elektronikingenieure, Inc.
Ryan, D., und B. Foster. 1981. "An Integer Programming Approach to Scheduling". In Computer Scheduling of Public Transport, herausgegeben von A. Wren, 269-280. North-Holland Publishing Company.
Seguin, R., und C. Hunter. 2013. "2 Canadian Forces Flying Training School Resource Allocation Simulation Tool". In Proceedings of the 2013 Winter Simulation Conference, edited by R. Pasupathy, S. Kim, A. Tolk, R. Hill, and M. Kuhl, 2866- 2877. Washington DC: Institute of Electrical and Electronics Engineers, Inc.
Sepulveda, J. A., W. J. Thompson, F. F. Baesler, und M. I. Alvarez. 1999. "Der Einsatz von Simulation zur Prozessverbesserung in einem Krebsbehandlungszentrum". In Proceedings of the 1999 Winter Simulation Conference, herausgegeben von P. Farrington, H. Nembhard, D. Sturrock, und G. Evans, 1541-1548. Piscataway, NJ: Institute of Electrical and Electronics Engineers, Inc.
Winston, W. 2004. Operations Research: Anwendungen und Algorithmen. Belmont, CA: Brooks/Cole.