Dieser Beitrag und die dazugehörige Podiumsdiskussion konzentrieren sich auf die Lehre in Simulationskursen für Studierende des Wirtschaftsingenieurwesens und der Betriebsforschung. Das Format bringt vier erfahrene Dozenten zusammen, um vier Fragen zu diskutieren, die die Struktur und die Themenumrisse von Kursen, die verwendeten Print- und Software-Lehrmaterialien sowie allgemeine Lehrmethoden und -philosophien betreffen. Die Hoffnung besteht darin, einige erfahrungsbasierte Lehrinformationen für neue und angehende Lehrkräfte bereitzustellen und eine Diskussion mit der Simulationsausbildungsgemeinschaft anzuregen.
Die Idee dieses Papiers und der zugehörigen Podiumsdiskussion ist es, die Lehre von Simulationskursen für Studenten des Wirtschaftsingenieurwesens und der Betriebsforschung zu diskutieren. Das von uns gewählte Verfahren besteht darin, dass vier erfahrene Dozenten vier allgemeine Fragen zu ihren Kursen, Materialien und Lehrmethoden/-philosophien beantworten. Unter die einzelnen Antworten mischen wir kurze Diskussionen über unsere individuellen Erfahrungen (sowohl gute als auch schlechte) - Erfahrung ist schließlich der beste Lehrer. Wir hoffen, dass die Fragen das Publikum zur Teilnahme an der Podiumsdiskussion anregen werden, auch wenn dies im Rahmen des Papiers nicht möglich ist. Das Papier ist so gegliedert, dass jede der vier Fragen einen Hauptabschnitt bildet (Abschnitte 2-5) und die "Antwort" jedes Teilnehmers einen Unterabschnitt unter dem Abschnitt der Frage darstellt. Wir schließen mit einigen zusammenfassenden Bemerkungen.
Unser Kurs (Simulation) besteht aus 2 Vorlesungsstunden + 3 Laborstunden pro Woche über ein 16-wöchiges Semester. In den letzten Jahren haben wir begonnen, Videosegmente zur Ergänzung der Vorlesungen und Übungen einzuführen. Die wichtigsten Themen, die wir behandeln, sind:
Alle Simulationskurse an der Georgia Tech (sowohl im Grundstudium als auch im Masterstudiengang) basieren ausschließlich auf Vorlesungen. In den letzten drei Jahren wurde der MS-Kurs gemeinsam mit einem fortgeschrittenen Undergraduate-Kurs angeboten. Bis Mitte der 1990er Jahre bestand der Grundkurs aus zwei einstündigen Vorlesungen und einem einzigen dreistündigen Praktikum pro Woche. Dieser Ansatz funktionierte besser als der derzeitige Ansatz mit drei Unterrichtsstunden pro Woche, aber der Professor war auch für die Durchführung des Labors verantwortlich, ohne dafür eine zusätzliche Anerkennung zu erhalten. Die Änderung erfolgte im Zuge der Umstellung vom Vierteljahressystem auf Semester.
Die Grund- und Masterkurse decken alle theoretischen Themen aus den klassischen Texten von Banks et al. (2009) und Law (2015) ab, mit Ausnahme von Versuchsplanung und Varianzreduktionstechniken. Das Grundgerüst beider Kurse besteht aus den Punkten in Jeffs obiger Liste, aber die Abdeckung der einzelnen Themen hängt von der jeweiligen Klasse ab. An dieser Stelle möchte ich darauf hinweisen, dass ich während des Unterrichts zur Analyse von Eingabedaten 60-90 Minuten mit einer Einführung in die Kernel-Dichte-Schätzung (KDE) für unabhängige Datensätze verbringe. Dieses Thema hat mit dem Aufkommen von "Big Data" mit mehreren Modi an Bedeutung gewonnen. Die Anpassung von KDEs kann sehr einfach über eine Fülle von Funktionen in Matlab, Python und R gehandhabt werden, während die Stichprobenziehung aus den angepassten Dichten ebenfalls effektiv durchgeführt werden kann, z. B. über die Algorithmen in Abschnitt 3 von Hörmann und Leydold (2000). Ranking- und Selektionsmethoden werden mit einer kleinen Anzahl von Folien und den "Add-Ins" in Arena und Simio von Kim und Nelson behandelt, während simulationsbasierte Optimierung "on the fly" mit dem OptQuest Add-In behandelt wird. Der Grundkurs deckt ein breites Spektrum von Modellierungsthemen ab, einschließlich der Simulation von Fahrzeugsystemen und Förderanlagen. Die Betonung der Modellierung ist sehr wichtig, da die Projekte in der Abschlussklasse oft eine Kombination aus intensiver Simulationsmodellierung und Analyse beinhalten.
ORIE 4580 Simulation Modeling and Analysis an der Cornell University ist eine Einführung in die Monte-Carlo- und ereignisdiskrete Simulation, die Wahrscheinlichkeitsrechnung/Statistik auf Zweitstudium-Niveau und einen zweiten Programmierkurs voraussetzt. Die Klasse ist groß und besteht aus ca. 200 Studenten, von denen 110 Studenten im Grundstudium und 90 Studenten im Hauptstudium sind. Dieser semesterlange Kurs umfasst zwei 75-minütige Vorlesungen und eine 2-stündige Übung (Labor) pro Woche. Fünf der Vorlesungen, die sich auf das Erlernen der Verwendung eines bestimmten Simulationspakets für diskrete Ereignisse beziehen, werden "umgedreht". Der Kurs kann als eine von zwei Hälften betrachtet werden, wobei die erste Hälfte die Grundlagen der Monte-Carlo-Simulation behandelt und die zweite Hälfte mit der ereignisdiskreten Simulation fortfährt. Die erste Hälfte beginnt mit einem Überblick über die Wahrscheinlichkeitskonzepte, führt durch die Analyse der Ergebnisse für die Beendigung von Simulationen, die Generierung von Zufallszahlen, die Generierung von Zufallsvariablen, die Generierung stochastischer Prozesse und die Analyse der Eingaben und schließt mit einer Kostprobe der Varianzreduktion (Antithetik). Die zweite Hälfte beginnt mit einem Überblick über die Warteschlangentheorie und führt über eine Handsimulation und die Modellierung mit einem Simulationspaket (wobei die Vorlesungen umgedreht werden) zum Vergleich alternativer Systeme und schließt mit einer Diskussion über Verifizierung, Validierung, Akkreditierung und Projektmanagement.
Die Simulationskurse für Studenten, die ich in Cornell und Berkeley unterrichtet habe, hatten das gleiche Format: 2 bis 3 wöchentliche Vorlesungen und ein Labor/eine Vorlesung mit Übungen, zwei Prüfungen und eine Semesterarbeit. Beide Schulen haben semesterlange Kurse. Ich habe nur einmal einen vierteljährlichen Kurs unterrichtet (in Florida), und das lief nicht gut. Mein übergreifendes Ziel ist es, meine Studenten dazu zu bringen, gut gestellte Fragen zu erkennen und zu stellen und die Annahmen hinter den Antworten zu erkennen. Sie lernen auch einzuschätzen, ob die einzelnen Annahmen eher optimistisch oder pessimistisch sind, und versuchen, durch Sensitivitätsanalysen herauszufinden, inwieweit sie von Bedeutung sind.
Strukturell waren meine Kurse eine Mischung aus Kunst, Wissenschaft und Technologie:
Ich verwende unser Lehrbuch (Smith et al., 2017) als primären Text für unsere Simulationskurse im Grundstudium und für die Einführungskurse im Hauptstudium. Darüber hinaus verwende ich eine beträchtliche Menge an ergänzendem Material aus Law (2015), Banks et al. (2009) und verschiedenen WSC-Papieren und verwandten Ressourcen, die ich während meiner Lehrtätigkeit gesammelt habe. In den letzten 5 Jahren habe ich begonnen, eine ganze Reihe von Videomodulen zu verwenden, um unsere Vorlesungen und Laborsitzungen zu ergänzen. Diese scheinen einen bedeutenden Einfluss zu haben - vor allem, weil die Zahl unserer Studenten auf 90 bis 110 angestiegen ist. Bei so vielen Studenten habe ich festgestellt, dass eine umfangreiche Modellierung in einer Vorlesung nicht effektiv ist. Diese mangelnde Effektivität ist unabhängig davon, ob wir in Simio, Arena, Excel/@Risk, Python oder Matlab (den Programmiersprachen, die unsere Studenten lernen) modellieren - ich bin also überzeugt, dass dieses Phänomen nicht sprach- oder werkzeugspezifisch ist.
Als Reaktion darauf habe ich mir zum Ziel gesetzt, einen Großteil der "mechanischen" Aspekte der Modellierung in die Videomodule zu verlagern. Auf diese Weise können die Studierenden den Stoff in ihrem eigenen Tempo konsumieren (und hoffentlich auch lernen). Im Idealfall bleibt so in den Vorlesungen mehr Zeit für Konzepte, Philosophie und allgemeine Diskussionen über die Themen. Meine begrenzte Erfahrung zeigt, dass diese Strategie sehr gut funktioniert, wenn die Studierenden die Videomodule vor den Prüfungen/Aufgaben nutzen.
Im Allgemeinen bin ich mit dem Inhalt des verfügbaren Materials zufrieden, aber es wäre schön, wenn es ein einziges Buch gäbe, das diesen Stoff abdeckt. Als Ausbilder suche ich nach einem einzigen Buch, das die theoretischen Aspekte und die praktischen/werkzeugbasierten Inhalte, die ich verwende, ausreichend abdeckt. Als Mitverfasser eines Lehrbuchs dachte ich, dass dies leicht zu bewerkstelligen wäre, aber da lag ich völlig falsch - daher verwende ich immer noch eine Mischung aus verschiedenen Materialien.
Wir haben den oben erwähnten Text von Banks et al. (2009) seit über 30 Jahren verwendet, aber jetzt ist das Buch in die Jahre gekommen, und eine Überarbeitung ist nicht in Sicht. Es gibt Texte, die eine grundlegende Abdeckung der theoretischen Konzepte mit Sprachen/Paketen kombinieren, wie Arena und Simio, aber meiner bescheidenen Meinung nach kommen diese Texte bei der Abdeckung der theoretischen Themen etwas zu kurz. Derzeit verwende ich im Grundstudium den Text von Smith et al. (2017) und eine Fülle von Folienpräsentationen, die auf einem Portal der Georgia Tech verfügbar sind. Der Masterkurs basiert auf dem Text von Law (2015) und dem oben genannten Simio-Text. In den letzten Jahren habe ich auch ausgiebig das Arbeitsbuch von Joines und Roberts (2015) verwendet.
Ein Problem bei Texten, die Simio als Modellierungswerkzeug verwenden, waren die häufigen Aktualisierungen der Software mit erweiterten Objektdefinitionen und -eigenschaften. Ich sollte darauf hinweisen, dass diese Häufigkeit im Laufe des letzten Jahres abgenommen hat, da Simio wesentlich ausgereifter geworden ist. Trotz dieser Änderungen sind beide Simio-basierten Texte äußerst nützlich und bieten eine angemessene Abdeckung der wichtigsten Modellierungskonzepte und Softwarekomponenten. Die Verfügbarkeit der Lehrvideos von Jeff Smith ist dabei sehr hilfreich. In der Vergangenheit war mein Leben als Ausbilder stabiler, da ich GPSS, Arena und AutoMod unterrichtete, die alle sehr ausgereift waren.
Ich verwende in erster Linie ein von mir geschriebenes Kurspaket, wobei ich einige Inhalte aus den Notizen verschiedener Koryphäen, insbesondere Peter Glynn und Barry Nelson, übernommen habe. Außerdem empfehle ich Laws "Simulation Modeling and Analysis" als Pflichtlektüre und stelle in der Bibliothek viele andere Standardbücher zur Verfügung, die übrigens selten benutzt werden. Außerdem verwende ich eine Reihe von Übungsaufgaben, die sich im Laufe der Zeit entwickelt haben. Es handelt sich dabei um eine Mischung aus schriftlichen Aufgaben aus dem Unterricht und Computeraufgaben.
Von den Studenten wird erwartet, dass sie diesen Kurs besuchen, nachdem sie Wahrscheinlichkeit und Statistik auf dem Niveau der Oberstufe und einen zweiten Kurs in Programmierung belegt haben. Für Studenten, die den Kurs als Undergraduate Operations Research-Majors an der Cornell University belegen, ist dieser Hintergrund relativ neu. Bei den anderen Studenten, einschließlich der Master of Engineering-Studenten mit Bachelor-Abschluss von anderen Universitäten, ist dieser Hintergrund in unterschiedlichem Maße vorhanden. Diejenigen mit einem schwächeren Hintergrund in Wahrscheinlichkeitsrechnung/Statistik haben im ersten Monat des Kurses Schwierigkeiten. Es wäre äußerst hilfreich, eine Reihe von, sagen wir, 100 Multiple-Choice-Fragen zur Verfügung zu haben, mit denen die Studierenden ihre Vorbereitung auf den Kurs selbst einschätzen könnten, und für diejenigen, die nicht über diese Kenntnisse verfügen, eine Art Tutorium, das ihnen hilft, die erforderlichen Kenntnisse zu erwerben. Dieses Tutorium wäre eng mit den Lehrbüchern für Studenten in den Bereichen Wahrscheinlichkeit und Statistik verbunden, obwohl es wahrscheinlich ziemlich selektiv sein würde. Gegenwärtig verweise ich die Studenten einfach auf ein Buch und schlage ihnen eine Reihe von Kapiteln vor, die sie sich aneignen sollen. Diese Lösung scheint nicht ideal zu sein.
Das Lehrbuch von Choi und Kang (2013) war ein Geschenk des Himmels für meinen Grundstudiumskurs. Ich decke nur den ersten Abschnitt ab, da dieses Buch sehr detailliert und dicht ist, aber es ist sehr klar und auf einem einfachen mathematischen Niveau geschrieben. Ich kann die Lektüre und die Übungen aus diesem Buch zuweisen, ohne "aus dem Buch" zu unterrichten. Mit diesem Text ist es so, als hätten meine Schüler bereits einen Simulationskurs belegt. Ihre Fragen und Diskussionen bewegen sich auf einem qualitativ tieferen Niveau. Ich beziehe mich auch auf Abschnitte in Laws klassischem Text (Law, 2015), den ich in meinem Graduiertenkurs verwende. Auch hier muss ich nicht aus Laws Text vortragen und kann so unterrichten, als hätten meine Studenten bereits einen Simulationskurs als Voraussetzung gehabt. Ich habe noch nie ein Lehrbuch "befolgt", aber mit einem guten Buch kann ich fast zwei Kurse im Wert von Material in einen einzigen quetschen.
Ich verwende Simio für den Teil des Kurses, der sich mit der diskreten Ereignissimulation befasst, und Excel, Python und Matlab für den Monte-Carlo-Teil. Unsere Studenten im Grundstudium nehmen vor der Simulation an Matlab- und Python-basierten Programmierkursen teil. Wir unterrichten den Python-Kurs in der ISE-Abteilung und behandeln in diesem Kurs auch die programmtechnischen Aspekte von Monte Carlo - so können wir gleich loslegen, wenn sie zur Simulation kommen. In diesem Herbst plane ich, @Risk in die Monte-Carlo- und Input-Analyse des Kurses einzubauen.
Vor einigen Jahren haben wir auch ereignisorientierte Simulationen mit C und/oder Java auf der Grundlage der Ausführungen in Law (2015) durchgeführt, aber ich habe diese Übung aufgegeben, als die Klassen größer wurden. Ich bin nach wie vor der Meinung, dass dies ein großartiges Lernwerkzeug war und das Verständnis der Studierenden für den Mechanismus der ereignisdiskreten Simulation verbessert hat, aber der Aufwand für die Programmierung war bei großen Klassen einfach zu groß.
Ich benutze Simio seit über 6 Jahren. In den letzten 20 Jahren habe ich auch ExpertFit von Averill Law and Associates für die Analyse von Eingabedaten verwendet. Wir setzen Kenntnisse in einer Skriptsprache wie Matlab oder Python voraus. Obwohl meine Studenten Pflichtkurse für diese Sprachen belegen, stelle ich oft fest, dass ihre Ausbildung unzureichend ist.
In den letzten zwei Jahren habe ich auch die SIPmath Modeler Tools für Excel von www.probabilitymanagement.org übernommen, um Schätzungsfragen in Bezug auf Risiko und Fehler in Simulationsexperimenten zu lehren. Ich setze diese Tools zu Beginn aller Simulationskurse ein und habe festgestellt, dass sie für kalkulationsbasierte Monte-Carlo-Simulationsexperimente sehr nützlich sind. Obwohl dieses grundlegende Thema in Simio mit dem von Barry Nelson vorgeschlagenen (S)MORE-Diagramm behandelt wird, machen der globale Fußabdruck von Excel und die Möglichkeit, Experimente durchzuführen und die Auswirkungen von Zufälligkeiten auf die Risiko- und Fehlerschätzungen zu beobachten, dieses Tool von unschätzbarem Wert. Für Systeme, die mit Tabellenkalkulationen modelliert werden können, sind diese Werkzeuge auch nützlich, um die Schätzung von stationären Mittelwerten und Quantilen auf der Grundlage unabhängiger Replikationen zu lehren.
Wie bereits erwähnt, wird von den Studenten erwartet, dass sie einen zweiten Kurs in Programmierung absolviert haben. Diese Vorkenntnisse sind mehr als nötig, denn die Programmierung beschränkt sich auf sehr kleine Hausaufgaben, die in der Regel in wenigen Zeilen gelöst werden können. Einer der Gründe, warum wir einen zweiten Programmierkurs verlangen, ist einfach, dass wir uns auf eine algorithmische Denkweise stützen können, die im Wesentlichen eine zweite Säule darstellt, um das Lernen und Verstehen der Simulation zu unterstützen.
Die Schüler lernen die Grundlagen der Monte-Carlo-Simulation (Modelllogik, mehrfache Replikationen, Konfidenzintervalle) durch "rohe" Tabellenkalkulation, indem sie eine einzelne Replikation in eine einzige Zeile setzen und diese "auffüllen", um mehrere Replikationen zu erhalten. Erst wenn diese Ideen beherrscht werden, wenden wir uns der Verwendung des @Risk-Kalkulationstabellen-Plug-ins zu. In den Hausaufgaben kann ich eine einfache Programmieraufgabe stellen, z. B. die Codierung des Ausdünnungsalgorithmus zur Erzeugung inhomogener Poisson-Prozesse auf der Linie. In der zweiten Hälfte des Kurses zur ereignisdiskreten Simulation verwenden wir Simio. Der Kurs umfasst 5 Vorlesungen, in denen wir die Grundlagen der Simio-Modellierung erlernen. Diese Vorlesungen werden umgedreht und in einem Computerlabor und nicht in einem Hörsaal gehalten. Für jede Vorlesung verlange ich von den Studenten, dass sie bereits ein Modul aus Jeff Smiths hervorragender Serie solcher Module gesehen haben, und ich gebe ihnen dann eine Modellierungsübung, an der sie arbeiten können. In dieser Zeit setzen wir auch die Vorlesungen (Praktika) fort, so dass die Studierenden im Grunde eine "doppelte Dosis" an Praktika erhalten, anstelle des üblichen Formats Vorlesung plus Praktikum.
Wie bereits erwähnt, zeige ich meinen Studenten drei Werkzeuge aus der Perspektive von drei verschiedenen Weltanschauungen, damit sie Gemeinsamkeiten und nicht nur Unterschiede erkennen können. Die von mir verwendete Software hat sich im Laufe der Jahre verändert. Ich beginne immer mit Sigma, das minimalistisch, robust und stabil ist (ich habe vor 3 Jahrzehnten mit seiner Entwicklung begonnen). Sie ist darauf ausgelegt, die Grundlagen aller drei Weltanschauungen zu lehren, und die Schüler können alles über Ereignisdiagramme in weniger als 30 Sekunden lernen, das gefällt ihnen. Ich bin sehr stolz auf RTMS für sehr große und komplexe Aktivitäts-Interaktions-Modelle (ich habe Bio-G vor einem Jahrzehnt mitbegründet, aber nichts davon entwickelt). Ich habe mich im Laufe der Jahre zwischen den vielen kommerziellen Transient-Entity-Flow-Sprachen bewegt, aber in letzter Zeit bin ich mit Simio sehr zufrieden. Ich empfehle jedoch, regelmäßig zu wechseln, um auf dem neuesten Stand zu bleiben - oder immer dann, wenn es auf der WSC Gerüchte über eine radikale Innovation gibt (was selten der Fall ist). Diese Sprachen sind für Lehrzwecke alle ziemlich ähnlich, und die fortgeschrittenen Details sind vergängliches Wissen - sie werden sich ändern, bevor die Studenten in der Lage sind, sie professionell zu nutzen. Ich empfehle jedem, die Kurzkurse der Hersteller zu besuchen, bevor er kommerzielle Software in seinem Beruf einsetzt, auch wenn ich sie gerade erst unterrichtet habe.
Simulation erfordert Kenntnisse in den allgemeinen Bereichen (1) Wahrscheinlichkeit und Statistik, (2) Programmierung und (3) Modellierung. Zu Beginn meiner Lehrtätigkeit ging ich davon aus, dass die Studierenden die erforderlichen Kenntnisse in jedem dieser Bereiche durch die vorausgesetzten Kurse (zwei Semester Wahrscheinlichkeitsrechnung und Statistik, zwei Semester Programmierung, zwei Semester OR für unsere Studierenden) erwerben und dass ich diese Dinge einfach unter dem Dach der Simulation zusammenfassen würde. In den ersten Jahren wurde mir klar (schade, dass es so lange gedauert hat!), dass die Studenten eine erhebliche Vertiefung/Wiederholung des "vorausgesetzten Materials" benötigten, bevor sie diese allgemeinen Themen/Tools produktiv auf die Simulation anwenden konnten. Infolgedessen behandeln meine Kurse heute etwa 1/3 weniger "neues" simulationsbezogenes Material als zu Beginn meiner Karriere. Aus der Sicht der Lehrphilosophie bedeutet dies einfach, dass ich viel Zeit und Mühe auf die Integration der drei grundlegenden Fähigkeiten verwende, und dies erfordert oft, dass ich auf grundlegendes Material zurückgreife, das die Studenten bereits in den vorausgehenden Kursen gesehen haben, damit wir diese als ein integriertes "Ganzes" in Form der Simulation betrachten können.
Wie bereits erwähnt, habe ich es nicht als besonders effektiv empfunden, Studierende in einem Computerlabor durch Modellierungs-/Programmierübungen in einer "Follow-me"-Manier zu führen. Die Fähigkeiten und der Komfort der Schülerinnen und Schüler in Bezug auf Computeranwendungen/Programmierung variieren drastisch (und oft nicht im Verhältnis zu ihrem GPA). Unabhängig davon, welches Tempo ich wähle, wird sich ein Drittel bis die Hälfte der Klasse in dieser Umgebung entweder langweilen oder verloren gehen. Stattdessen habe ich festgestellt, dass es effektiver ist, konzentrierte Vorlesungen mit Videomodulen zu denselben Themen zu kombinieren. Als Beispiel verwende ich diese Methode für die folgenden drei relativ unzusammenhängenden Themen:
Für jedes dieser Themen stelle ich das Material in einer Vorlesung vor und sage den Studenten: "Legt eure Stifte weg, schaltet eure Notebooks aus und schaut einfach zu - es gibt ein Videomodul von mir, in dem ich genau dieselbe Entwicklung durchführe, das ihr euch später in eurem eigenen Tempo ansehen könnt." Der Gedanke dahinter ist, dass sie sich zunächst auf die Konzepte und das große Ganze konzentrieren können, weil sie wissen, dass sie den Zugang zu den Details, die sie für Prüfungen und/oder Aufgaben benötigen, nicht verlieren werden. Ich habe derzeit 8-10 ähnliche Kombinationen aus Vorlesung und Video, die ich im Laufe des Semesters einsetze (zusätzlich zu einigen videobasierten Laboraufgaben). Ich habe zwar kein kontrolliertes Experiment durchgeführt, aber anekdotische Beweise deuten darauf hin, dass meine Studierenden mit dieser Methode wesentlich besser abschneiden, als wenn sie versuchen, detaillierte Notizen zu machen und/oder mir am Computer zu folgen. Ich entwickle diese Module weiter, und alle sind frei verfügbar unterhttp://jsmith.co/node/26(ich war überrascht und bin nach wie vor ein wenig verlegen, dass einige dieser Module von meinen Mitstreitern in diesem Beitrag an prominenter Stelle erwähnt werden - das war definitiv nicht meine Absicht, als ich das Panel initiierte!)
Schließlich habe ich festgestellt, dass Semesterprojekte sehr wichtig sind und alle simulationsbezogenen Themen, die die Studierenden im Laufe des Semesters lernen, auf den Punkt bringen können. Ich habe verschiedene Ansätze ausprobiert, von den jährlichen Arena- und Simio-Studentenwettbewerben über die Verwendung von Fallstudien aus Beratungsprojekten bis hin zur Wahl eigener Projektthemen durch die Studenten, und alle haben sich als wertvoll erwiesen (obwohl die Studenten die Wahl ihrer eigenen Projekte oft schwieriger finden, als sie erwarten). Da unsere Klassen größer geworden sind, bin ich von Live-Abschlusspräsentationen zu Videopräsentationen übergegangen, die auf YouTube hochgeladen werden. Dies ist zwar eine andere Erfahrung, als wenn die SchülerInnen vor einem Live-Publikum, einschließlich ihrer MitschülerInnen, präsentieren, aber ich habe keine praktische Möglichkeit gefunden, Live-Präsentationen in der Klasse durchzuführen, sobald es mehr als 10-15 Projektgruppen in einer Klasse gibt.
Um meine Philosophie zu erläutern, muss ich auf meinen Hintergrund und meine Ausbildung in der Simulation eingehen. Ich belegte 1984 einen Graduiertenkurs bei George Fishman. Der Kurs erforderte die Erstellung ereignisdiskreter Modelle mit Simscript II.5, und das einzige Modell, das wir erstellten, war das berühmte Modell des afrikanischen Hafens, das immer noch im Text von Law (2015) erscheint. Wir bauten zwei Varianten, die erste basierte auf dem Mechanismus der Ereignisplanung, die zweite verwendete das Paradigma der Prozessinteraktion. Um die Unterschiede zu verstehen, mussten wir die Kompilierungs- und Verknüpfungszeiten auf dem Großrechner ermitteln. Die Tatsache, dass wir dieselbe Sprache verwendeten, machte uns die grundlegenden Unterschiede zwischen den beiden Modellierungsparadigmen bewusst. Wir analysierten die Simulationsergebnisse mit Hilfe von Unterprogrammen aus Fishmans (1978) Text: das erste verwendete den regenerativen Ansatz, während das zweite einen Batch-Means-Algorithmus verwendete. George bewertete die handschriftlichen Berichte sehr sorgfältig und zog Punkte ab, wenn es ihm nicht gelang, die Liste der Ergebnisse und Empfehlungen nach Prioritäten zu ordnen (was er natürlich tun konnte, da die Klasse nur aus 12 Studenten bestand). George betonte, dass er bei der Schätzung von Steady-State-Mittelwerten und -Quantilen einen langen Lauf gegenüber mehreren kurzen Replikationen vorzog. Insgesamt haben sein Unterricht und seine akademischen Ratschläge meine Philosophie geprägt.
Als ich an der Georgia Tech ankam, stellte ich fest, dass Jerry Banks, Dave Goldsman und Jim Swain GPSS/PC für die Lehre im Grundstudium und das Simlib-Paket aus dem Text von Law und Kelton (1982) für die Lehre im Hauptstudium verwendeten. Ich erinnere mich an das Studium von Thom Schribers (1974) "rotem Buch" und daran, dass GPSS/PC eine "Animation" durch Hervorhebung aktiver GPSS-Blöcke ermöglichte - dies konnte mit tragbaren PCs und Dreistrahlprojektoren durchgeführt werden, aber ich kann feststellen, dass eine solche flüchtige Animation den Studenten ermöglichte, die Bewegung von Entitäten zu erkennen. Andererseits basierte das Simlib-Paket auf dem Mechanismus der Ereignisplanung und war in Fortran geschrieben (tatsächlich hat einer meiner Studenten das Paket in C umgeschrieben, bevor der C-Code in der dritten Auflage des Textes erschien). Wir wechselten in den frühen 1990er Jahren zu GPSS/H (ohne Proof Animation zu verwenden), bis wir Ende der 1990er Jahre Arena einführten. Ich habe Arena sowohl im Grundstudium als auch in MS-Kursen bis etwa 2008 verwendet, als ich für etwa zwei Jahre zu AutoMod wechselte. Die eingebettete Simulationssprache, die hervorragende grafische Oberfläche, die Fähigkeit, Lagersysteme mit angemessenem Detailgrad zu modellieren, und das Vorhandensein eines einführenden Textes von Jerry Banks, der immer noch in der Installation enthalten ist, machten AutoMod für mich sehr attraktiv. Im Januar 2011 habe ich den letzten Wechsel zu Simio vollzogen und bin dem Programm bis heute "treu" geblieben.
Meine Lehrmischung aus Modellierung und Theorie ist während meiner gesamten Laufbahn recht konstant geblieben, mit zwei Änderungen in den letzten drei Jahren: (a) Frühere Verwendung von Tabellenkalkulationen zur Veranschaulichung der Konzepte von Fehler und Risiko. Ich habe das Paper von Barry Nelson aus den Proceedings of WSC 2008 auf meine Portalseite hochgeladen und teste die Studierenden immer wieder auf ihre Fähigkeit, Histogramme, empirische Verteilungsfunktionen und Konfidenzintervalle für Mittelwerte und Quantile zu interpretieren. (b) Verstärkte Betonung der Eingangsdatenanalyse und der Verteilungsanpassung sowie der Auswirkungen von "Fehlanpassungen" auf die Qualität der Simulationsergebnisse. Ich finde, dass das perfekte Gleichgewicht zwischen Simulationsmodellierung und -analyse eine echte Herausforderung ist! Die Fähigkeit, eine solide statistische Analyse von Simulationsdaten durchzuführen, ist ein mächtiges Werkzeug für Analysten im Bereich Operations Research und Wirtschaftsingenieure; meiner bescheidenen Meinung nach ist es das, was sie von Informatikern unterscheidet, die zwar hervorragende Codes/Modelle liefern können, aber eher begrenzte statistische Fähigkeiten haben.
Ich halte es für eine große Herausforderung, Software ohne Laborübungen zu unterrichten. Um den Zeitdruck in einer einzigen Unterrichtsstunde zu überwinden, lade ich in der Regel ein Zwischenmodell in das Klassenportal hoch, bitte die Schüler, den entsprechenden Teil des Textes zu studieren (und wahrscheinlich schon vorher), und fahre dann mit der Erstellung des restlichen vollständigen Modells im Unterricht fort. Die oben erwähnte Herausforderung ist zum Teil darauf zurückzuführen, dass die Schüler in großem Umfang Apple-Laptops besitzen; dies erfordert in der Regel die Anmeldung bei einem virtuellen Desktop und die Verwendung einer Apple-Tastatur. Mir ist klar, dass dies nicht mit dem Unterricht im Labor gleichzusetzen ist, aber das ist das Beste, was ich bei unserer großen Klassengröße von etwa 40 bis 80 Schülern pro Gruppe tun kann.
Abschließend möchte ich noch auf die jüngste Angewohnheit der Studenten eingehen, ausschließlich elektronisches Material zu studieren. Ich fordere sie auf, gedruckte Exemplare der Texte zu kaufen - die meisten ignorieren nicht nur meinen Rat, sondern speichern die elektronischen Dateien nicht einmal lokal ab. Ich denke, die Dinge werden in absehbarer Zeit nicht besser werden, und wir alle müssen uns darauf einstellen.
Diese Gedanken lassen sich vielleicht am besten als Aufzählungspunkte darstellen:
Ich habe früher gelehrt, dass ein "Modell" ein Substantiv ist, ein Werkzeug, das man baut und zur Analyse verwendet. Da ich in meiner Beratungstätigkeit hauptsächlich durch praktisches Tun lerne, lehre ich jetzt "modellieren" als Verb, ein aktives Verb mit einem direkten Objekt. Wir modellieren jeden Aspekt unseres Lebens, um unser Denken zu strukturieren und Ideen zu vermitteln. Deshalb ist mein Kursplan nicht mehr linear und folgt dem Lehrbuch "Schritte einer Simulationsstudie". Jetzt besteht mein Kursplan, wie meine berufliche Arbeit, aus gleichzeitig interagierenden Zyklen, die in Abb. 1 dargestellt sind (beachten Sie, dass es einen "Start", aber kein "Ende" gibt). Ich finde, dass dies in der Beratung gut funktioniert. Es ist eine Freude zu beobachten, wie sich meine Studenten von einfachen linearen Denkern zu kreativen Künstlern entwickeln.
Die meisten Studiengänge für Wirtschaftsingenieurwesen und viele quantitative Wirtschaftsstudiengänge bieten Simulationskurse an, und die Lehrmethoden für diese Kurse sind sehr unterschiedlich. Dieser Beitrag (und das Konferenzpanel) konzentrierte sich auf die Methoden, Erfahrungen und Methoden/Philosophien von vier erfahrenen Lehrkräften. Auch wenn wir nicht den Anspruch erheben, perfekte Antworten auf alle Fragen oder optimale Methoden zu haben, hoffen wir, dass andere Ausbilder und zukünftige Ausbilder einige der Informationen nützlich finden.