Refine
Year of publication
- 2020 (327) (remove)
Document Type
- Article (102)
- Moving Images (60)
- Part of a Book (38)
- Book (32)
- Conference Proceeding (31)
- Sound (19)
- Bachelor Thesis (14)
- Other (14)
- Report (5)
- Working Paper (5)
- Master's Thesis (4)
- Part of Periodical (3)
Keywords
- Kommunikation (3)
- Nachhaltigkeit (3)
- Autarkie (2)
- Container (2)
- Energie (2)
- Environment (2)
- Gender (2)
- Germany (2)
- Gesundheitswesen (2)
- India (2)
Institute
In this paper, we evaluate the application of Bayesian Optimization (BO) to discrete event simulation (DES) models. In a first step, we create a simple model, for which we know the optimal set of parameter values in advance. We implement the model in SimPy, a framework for DES written in Python. We then interpret the simulation model as a black box function subject to optimization. We show that it is possible to find the optimal set of parameter values using the open source library GPyOpt. To enhance our evaluation, we create a second and more complex model. To better handle the complexity of the model, and to add a visual component, we build the second model in Simio, a commercial off-the-shelf simulation modeling tool. To apply BO to a model in Simio, we use the Simio API to write an extension for optimization plug-ins. This extension encapsulates the logic of the BO algorithm, which we deployed as a web service in the cloud.
The fact that simulation models are black box functions with regard to their behavior and the influence of their input parameters makes them an apparent candidate for Bayesian Optimization (BO). Simulation models are multivariable and stochastic, and their behavior is to a large extent unpredictable. In particular, we do not know for sure which input parameters to adjust to maximize (or minimize) the model’s outcome. In addition, the complex models can take a substantial amount of time to run.
Bayesian Optimization is a sequential and self-learning algorithm to optimize black box functions similar to as we find them in simulation models: they contain a set of parameters for which we want to identify the optimal set, they are expensive to evaluate, and they exhibit stochastic noise. BO has proven to efficiently optimize black box functions from varius disciplines. Among those, and most notably, it is successfully applied in machine learning algorithms to optimize hyperparameters.
Sustainability Research 2019
(2020)
Seitdem die Vereinten Nationen die Verwirklichung eines weltweiten nachhaltigen Entwicklungsprozesses propagiert haben, hat sich eine umfangreiche Nachhaltigkeitsforschung (Sustainability Research) herausgebildet. Es wird untersucht, wie die drei Komponenten der Nachhaltigkeit, die soziale, die ökologische und die ökonomische Nachhaltigkeit, umgesetzt werden können. Aus der Vielzahl der Forschungsbeiträge zum Thema Nachhaltigkeit wird im vorliegenden Band eine Auswahl präsentiert, die im Einflussbereich der Herausgeber der Schriftenreihe "Lingener Studien zu Management und Technik" bis zum Jahr 2019 entstand.
Fridays Lectures for Future
(2020)
Die Bewegung "Fridays for Future" hat der Umwelt- und der Nachhaltigkeitsdiskussion neuen Schwung gegeben. Schüler demonstrieren für mehr Umweltschutz. Im Mittelpunkt steht die CO2-Reduzierung als Gegenmaßnahme zum weltweit erkennbaren Klimawandel und seinen Folgen. Zur Unterstützung der Diskussionen um verstärkten Umwelt- und Klimaschutz sowie mehr Nachhaltigkeit werden in diesem Band "Fridays Lectures for Future" fünfzehn Lektionen zum Themenbereich Umwelt und Nachhaltigkeit vorgestellt. Es handelt sich um eine Auswahl von Themen, die selbstverständlich nicht das ganze, sehr umfangreiche Problemfeld widerspiegeln können. Es bleibt die Hoffnung, dass die ausgewählten Themenbereiche für den interessierten Leser Ansporn zu einem intensiven Selbststudium sind, um sich weitere Themen zu erschließen.