Warteschlangentheorie und Simulation erklärt
Vierzehn Stücke mit demselben wachsenden Beispiel: ein Lkw-Gate am Containerterminal, an dem eine mittlere Abfertigung 3 Minuten dauert. Die Wurzel ist M/M/1: ein Gate, ein Schalter, exponentielle Zeiten, und die Wartezeit explodiert mit der Auslastung. Jedes Folgestück hebt GENAU EINE Annahme auf: mehrere Spuren mit einer gemeinsamen Schlange (M/M/c) oder je Lkw eigener Wahl (Power-of-d), ungeduldige Lkw (Erlang A) bis zur Wurzel-Personalregel und zeitvariablen Ankünften, ein begrenzter Platz (Erlang B) bis zu Überläufen, die eine Simulation nie erlebt (Multilevel-Splitting), beliebige Streuung der Dauer (M/G/1 und Kingman) bis zu Prioritätsklassen. Dazu zwei Stücke, die die Werkzeuge selbst erklären: wie viel Vertrauen ein einzelner Simulationslauf verdient (Output Analysis) und woher die Formeln kommen (Markov-Ketten).
Den Abschluss bilden zwei Stücke, die alles zusammenführen: Jackson-Netze (Gate, Kran und Stapel hintereinander, mit Rückläufern und einer Produktform, die bei anderer Streuung und bei vollem Stapel endet) und Surrogat-Modelle, die das Netz aus wenigen bezahlten Simulationen lernen, ehrlich gegen die Formeln gemessen, die es schon gibt. Alle Zahlen stehen in den README der Demos; jede Demo prüft ihre Formeln gegen eine unabhängige Simulation oder eine exakt gelöste Markov-Kette.
In short: Covers queueing theory and simulation: M/M/1, M/M/c, Erlang models, Kingman's approximation, Jackson networks and surrogate models. Interactive demos follow one terminal-gate example, relaxing one model assumption at a time.
Hintergrund zum Thema: Hafenlogistik · Schichtplanung.
Diese Seite gehört zu Algorithmen und Verfahren erklärt. So lesen Sie sie: Das Diagramm zeigt, wie die Stücke zusammenhängen. Jede Kachel darunter öffnet eine interaktive Demo, wo es eine gibt, mit einer Erklärseite für Einsteiger und Fachleute. Auf der Suche nach einer Lösung für ein konkretes Problem? Zu den Interaktiven Demos.
Hinweis: Alle Demos rechnen mit synthetischen oder frei verfügbaren Beispieldaten und laufen auf einem externen Anbieter (Datenschutz). Bitte geben Sie darin keine vertraulichen oder personenbezogenen Daten ein. Die Ergebnisse gelten für die jeweilige Demo-Instanz und lassen sich nicht ungeprüft auf reale Fälle übertragen; für darauf gestützte Entscheidungen übernehme ich keine Gewähr.
Zuletzt aktualisiert:
Welches Verfahren passt zu Ihrem Fall? Zum Entscheidungsbaum ↓
Zum Nachlesen: erst einfach, dann fachlich
Die M/M/1-Warteschlange verständlich erklärt
Warum die Wartezeit an einem Gate mit einer Spur bei hoher Auslastung davonläuft und wie weit ein einzelner Simulationslauf von der Formel abweichen kann: erst für Einsteiger ohne Formeln, dann für Fachleute mit Modell, Formeln und Messwerten.
Die M/M/c-Warteschlange verständlich erklärt
Was eine gemeinsame Schlange für mehrere Spuren gegenüber getrennten Schlangen bringt und wie viele Spuren ein Gate braucht: erst für Einsteiger ohne Formeln, dann für Fachleute mit Modell, Formeln und Messwerten.
Abbrecher in der Schlange verständlich erklärt
Warum die einfache Rechnung die Wartezeit massiv überschätzt, sobald Wartende abspringen, und warum auch Überlast ein Gleichgewicht hat: erst für Einsteiger ohne Formeln, dann für Fachleute mit Modell, Formeln und Messwerten.
Die 14 Stücke im Überblick
M/M/1 ist die Wurzel: ein Gate, ein Schalter, exponentielle Zeiten. Daraus verzweigt die Linie nach der Schwäche, die jeweils behoben wird: M/M/c (mehrere Spuren), Erlang B (begrenzter Platz), M/G/1 und Kingman (beliebige Streuung der Dauer), Jackson-Netze (mehrere Stationen) und Output Analysis (ein Lauf ist nur eine Stichprobe). Von M/M/c aus folgen Erlang A (Geduld) mit Wurzel-Personalregel und zeitvariablen Ankünften sowie Power-of-d-Choices (Wahl zwischen Spuren); von Erlang B die seltenen Ereignisse (Splitting); von Kingman die Prioritätsklassen.
Die Markov-Ketten (Zusatzstück) übernehmen nur die Idee dahinter: sie erklären, woher die Formeln kommen, und stehen hinter den Prioritätsklassen (zweidimensionale Kette) und den Jackson-Netzen (Kette über mehrere Stationen). Die Surrogat-Modelle führen zusammen (Doppelrahmen): das Jackson-Netz als teurer Simulator, ein neuronales Netz aus der Linie Neuronale Netze als Ersatzmodell und konforme Intervalle aus der Linie Zeitreihen-Prognose als das, was dem Gauß-Prozess fehlt.
Die Kästen sind klickbar und öffnen die jeweilige Demo direkt.
- behebt eine Schwäche des Vorgängers oder baut darauf auf
- übernimmt nur eine Idee
- Zusammenfluss mehrerer Stränge
- Baustein aus einer anderen Linie
Verwandt in anderen Linien
- Neuronale Netze — Das neuronale Netz der Surrogat-Demo (3 → 32 → 32 → 1 mit tanh, Rückwärtsableitung von Hand, L-BFGS) folgt dem Muster des MLP mit Backpropagation der Linie Neuronale Netze: dort selbst das Thema, hier ein Ersatzmodell für eine Simulation, das mit dem Gauß-Prozess und der Zerlegungsnäherung verglichen wird.
- Zeitreihen-Prognose — Das nominale 95-%-Intervall des Gauß-Prozesses der Surrogat-Demo deckt nie verlässlich 95 % ab (71 bis 98 % je nach Zahl der Simulationen), genau die Lücke, die die konformen Intervalle der Zeitreihen-Linie im stationären Fall schließen (bei einem Verteilungswechsel brechen auch sie).
- Experimente und Wirkungsmessung — CUPED dort ist die zur Output Analysis hier verwandte Varianzreduktion: gemeinsame Zufallszahlen koppeln zwei simulierte Systeme, CUPED nutzt stattdessen eine Vorab-Kovariate des Standorts. Sie braucht dauerhaft verschiedene Standorte, sonst bringt sie nichts.
- Bayessche Optimierung und Gauß-Prozesse — Die Linie Bayessche Optimierung nimmt das Terminal-Netz der Jackson-Netz-Demo als teuren Simulator und sucht die billigste Einstellung aus Plätzen und Tempo am Stapel. Eine Formel mit Faustregel findet sie dort ohne einen Lauf; die Wurzel zeigt, wann ein lernendes Ersatzmodell trotzdem lohnt.
M/M/1: ein Gate, ein Schalter, und warum 97 % Auslastung weh tut
Sehen Sie, wie eine Formel für ein Gate mit einer Spur Schlangenlänge und Wartezeit vorhersagt, während eine Simulation dasselbe Gate Lkw für Lkw nachspielt. Ein Auslastungs-Regler zeigt live, wie die Wartezeit nahe voller Auslastung davonläuft. Der Haken: ein einzelner Simulationslauf liegt im Standardfall 14 % neben der Formel, und für genaue Werte bei hoher Auslastung braucht es Millionen Lkw.
Verständlich erklärt: erst für Einsteiger, dann für Fachleute
Demo starten →Output Analysis: was ein einzelner Simulationslauf wirklich sagt
Verfolgen Sie, wie sich prüfen lässt, ob ein Konfidenzintervall um einen Simulationswert sein Versprechen hält: Beim M/M/1-Gate ist der wahre Wert aus der Formel bekannt. Ein Vergleich von naivem Intervall und Batch Means zeigt live, wie viel das Zerlegen des Laufs bringt. Der Haken: bei 90 % Auslastung trifft das naive Intervall nur in 9 % der Fälle, weil aufeinanderfolgende Wartezeiten fast gleich sind.
Demo starten →Markov-Ketten: das Werkzeug hinter den Formeln
Sehen Sie, wie sich ein Gate als Markov-Kette schreiben lässt: Zustand ist die Zahl der Lkw, Pfeile mit Raten verbinden die Nachbarn, daraus folgt das Gleichgewicht. Ein Regler zeigt live, wie lange das Einschwingen dauert und wie selten ein Verlust wird. Bei 20 Spuren (Angebot 3 Erlang) liegt er im Mittel rund 31 420 Jahre entfernt, jenseits jeder Simulation. Der Haken: die erste Fassung der Rechnung war doppelt falsch.
Demo starten →M/M/c: mehrere Spuren, eine gemeinsame Schlange
Sehen Sie, wie mehrere gleich schnelle Spuren mit einer gemeinsamen Schlange arbeiten: Wer an der Reihe ist, nimmt die erste frei werdende Spur. Ein Vergleich mit getrennten Schlangen zeigt live, wie viel das Zusammenlegen bringt. Der Haken: die Faustregel einer festen Höchstauslastung ist für große Gates verschwenderisch, bei Angebot 100 ergibt sie 125 statt der nötigen 103 Spuren.
Verständlich erklärt: erst für Einsteiger, dann für Fachleute
Demo starten →Erlang A: wenn Lkw nicht ewig warten
Verfolgen Sie, wie ungeduldige Lkw, die nach einer Weile abbrechen, das Bild eines Gates mit mehreren Spuren verändern: Wartezeit und Abbruchquote ergeben sich aus einer Rechnung mit Abwanderung. Ein Regler für die Form der Geduld zeigt live, wie stark sie wirkt. Der Haken: bei 50 Spuren und voller Auslastung ist die mittlere Wartezeit bei fester Geduld das 9,5-Fache des exponentiellen Falls.
Verständlich erklärt: erst für Einsteiger, dann für Fachleute
Demo starten →Wurzel-Personalregel: wie viele Spuren braucht ein großes Gate?
Sehen Sie, wie die Wurzel-Personalregel große Gates besetzt: Über dem Angebot genügt ein Puffer, der nur mit der Wurzel des Angebots wächst. Ein Umschalter für die Zielart zeigt live, wo die Regel endet. Der Haken: der Aufschlag hängt vom Ziel ab, und bei einem Abbruch-Ziel von höchstens 1 % wird er für sehr große Gates sogar negativ, sie kommen mit weniger Spuren als dem Angebot aus.
Demo starten →Zeitvariable Ankünfte: Besetzung für Wellen
Verfolgen Sie, wie ein Gate bei wellenförmiger Last besetzt wird: Lkw, die vor einer Abfertigungsdauer ankamen, sind noch im System, das Angebot hinkt der Ankunftsrate also hinterher. Ein Vergleich von momentaner und verzögerter Planung zeigt live, wie viel das Timing ausmacht, ohne mehr Spuren zu kosten. Der Haken: ein grobes Planungsraster von 60 min kostet bei 4 h Periode 23 % mehr Spuren.
Demo starten →Power-of-d-Choices: wenn jeder Lkw seine Spur wählt
Sehen Sie, wie Power-of-d-Choices die Schlangenwahl vereinfacht: Jeder Lkw schaut nur auf d zufällig gewählte Schlangen und nimmt die kürzeste. Ein d-Regler zeigt live, wie viel schon die zweite Auskunft bringt: bei 90 % Auslastung sinkt die Wartezeit im Grenzwert von 27,0 auf 4,8 min. Der Haken: selbst volle Auskunft erreicht die gemeinsame Schlange nicht, und bei kleinen Gates liegt die Simulation deutlich über dem Grenzwert.
Demo starten →Erlang B: der Verlust bei begrenztem Platz
Verfolgen Sie, wie ein Gate mit begrenztem Platz Lkw abweist, sobald alles belegt ist, und wie Erlang B daraus den Anteil abgewiesener Lkw berechnet. Ein Umschalter für Wartestellplätze und Dauer-Verteilung zeigt live, wann die Formel unempfindlich gegen Streuung ist. Der Haken: das gilt nur ohne Stellplätze; mit Stellplätzen weicht der Verlust bei fester Dauer um bis zu 80,6 % von der exponentiellen Rechnung ab.
Demo starten →Seltene Ereignisse: Multilevel-Splitting für Überläufe
Sehen Sie, wie Multilevel-Splitting extrem seltene Ereignisse schätzt: Der Weg zum Ereignis wird in Stufen geteilt, und Läufe, die eine Stufe erreichen, werden vervielfältigt. Ein Spurzahl-Regler zeigt live, bis zu welcher Seltenheit das trägt. Der Haken: bei Angebot 3 Erlang spart es mit 15 Spuren das 69-Fache an Ereignissen, wird aber ab 20 Spuren unzuverlässig, weil die Teilchen der letzten Stufe von wenigen gemeinsamen Vorfahren stammen.
Demo starten →M/G/1 und Kingman: Streuung kostet Wartezeit
Verfolgen Sie, wie die Streuung der Abfertigungsdauern die Wartezeit verlängert, auch bei gleichem Mittel und gleicher Auslastung: Pollaczek-Khinchine und Kingman erfassen das in Formeln. Ein Streuungs-Regler zeigt live, wie genau die Näherungen für mehrere Spuren sind. Der Haken: bei geringer Last liegt die Näherung relativ bis zu +2552 % daneben, absolut aber höchstens 0,3 min.
Demo starten →Prioritätsklassen: Vorfahrt verschiebt Wartezeit, sie spart keine
Sehen Sie, wie Vorfahrt für eilige Lkw deren Wartezeit verkürzt, während die Wartezeit nicht verschwindet, sondern zu den Standard-Lkw wandert. Ein Umschalter für Unterbrechen und Streuung zeigt live, wann Vorfahrt insgesamt nichts spart. Bei einer Spur, 20 % Eiligen und 90 % Auslastung sind die Eiligen 8,2-fach schneller, die Standard-Lkw dafür 22,0 % langsamer; nur Unterbrechen spart oder kostet insgesamt etwas.
Demo starten →Jackson-Netze: Gate, Kran und Stapel
Verfolgen Sie, wie ein Lkw am Terminal nacheinander Gate, Kran und Stapel durchläuft und jede Station für sich wie ein einzelnes Gate gerechnet werden darf. Ein Geräte- und Streuungs-Regler zeigt live, wann der Engpass wandert. Der Haken: bei fester Dauer rechnet die Formel bis zu 46,2 % zu hoch, bei stark streuender bis zu 46,4 % zu niedrig, und bei vollem Stapel gibt es gar keine Formel.
Demo starten →Surrogat-Modelle: Gauß-Prozess und neuronales Netz statt Simulation
Sehen Sie, wie ein Gauß-Prozess oder ein kleines neuronales Netz aus wenigen bezahlten Simulationen lernt, die Gesamtzeit eines Terminal-Netzes vorherzusagen. Ein Vergleich mit der vorhandenen Formel zeigt live, wann sich das Ersatzmodell lohnt. Der Haken: schon die Zerlegungsformel hat ohne jede Simulation 2,9 % mittleren Fehler, und außerhalb des Trainingsbereichs extrapolieren Gauß-Prozess und neuronales Netz schlechter als sie.
Demo starten →Welches Werkzeug passt zu meiner Warteschlangenfrage?
Ein Entscheidungsbaum über alle vierzehn Stücke: er fragt nach der Frage und der Bauweise des Systems, nicht nach dem Verfahren.
Beige Kästen sind Fragen (nicht klickbar), weiße Kästen sind Ergebnisse (klickbar, sie öffnen die jeweilige Demo). Alle vierzehn Antworten sind durch die Messreihen der Demos belegt (siehe jede README): wo die Formel gilt, wo sie an der Streuung der Dauer, an Platzgrenzen oder an Netzen endet und was ein Surrogat dazu beitragen kann.
Weitere Linien in diesem Bereich
Exakte Suche
Bewiesen beste statt nur guter Lösungen: zwei Linien, Rucksack und Cutting Stock, von Branch & Bound bis Column Generation und Branch & Price.
Lineare Programmierung
Was steckt in einem LP-Löser? Elf Stücke vom Tableau-Simplex über Schattenpreise und Innere Punkte bis zum Crossover, alle von Grund auf geschrieben und gemessen.
Nichtlineare Optimierung
Wie findet man ein Minimum, wenn nichts linear ist? Acht Stücke vom ersten Schritt bergab über Krümmung und Nebenbedingungen bis zur Brücke ins Deep Learning, jedes mit gemessenem statt behauptetem Befund.
Populations-Metaheuristiken
Wie durchsucht eine ganze Population den Lösungsraum? Elf Verfahren von der Kreuzung über Kovarianzmatrizen bis zu Pheromonspuren, jedes mit seiner gemessenen Grenze.
Trajektorien-Metaheuristiken
Wie kommt eine einzelne Lösung über ihr erstes lokales Optimum hinaus? Zwölf Verfahren von Verschlechterungen akzeptieren bis Destroy-and-Repair, jedes mit seiner gemessenen Grenze.
Heuristische Baumsuche
Was bleibt von der Suche, wenn man das Optimum nicht abwarten kann? Acht Verfahren von der gierigen Suche bis Monte Carlo Tree Search, jedes mit seiner gemessenen Grenze.
Novelty Search und Quality-Diversity
Ein Hof-Roboter im täuschenden Labyrinth, zwölf Stücke: von der Sackgasse der Fitness über Novelty Search und MAP-Elites bis zu Go-Explore, Routing und POET.
Standortplanung
Welche Standorte eröffnen, wenn jeder Kunde zum nächsten offenen geht? Sechs Stücke von der einfachen Fixkosten-Entscheidung über Kapazität, Maximum statt Summe und Lagerbestand bis zum Wettbewerb zweier Spieler und zum Hub mit Rabatt.
Klassische Scheduling-Theorie
Ein wachsendes Beispiel von einer Maschine bis zum allgemeinen Ressourcenmodell: elf Stücke, jedes hebt genau eine Annahme des vorigen auf.
Mittelwerte und Lagemaße
Welche Zahl steht für die Mitte der Daten, wie genau rechnet man sie, und was geschieht bei Ausreißern, Quotienten, Uhrzeiten und Standorten in der Ebene? Sieben Stücke vom Mittelwert bis zur Mitte im Raum.
Optimierung unter Unsicherheit
Eine Kapazität, die vor der unbekannten Nachfrage gewählt wird, sechs Stücke: vom Wert der Information über Stichprobe, CVaR, Robustheit und Garantie bis zur rollierenden Planung.
Bayessche Optimierung und Gauß-Prozesse
Eine teure Simulation, sieben Stücke: vom Gauß-Prozess und der erwarteten Verbesserung über Rauschen und Nebenbedingungen bis zu hohen Dimensionen, parallelen Läufen und mehreren Genauigkeiten.
Mehrkriterien-Ranking
Eine neutrale Entscheidungsmatrix, fünfzehn Stücke: von der Pareto-Dominanz über Gewichte, AHP, TOPSIS und Outranking bis zu unsicheren Gewichten, DEA, Gruppen und dem Verfahrensvergleich.
Komplexitätsklassen
Was sagt es aus, wenn ein Problem als NP-schwer gilt, und welcher Ausweg passt zu welchem Grund der Härte? Zehn Stücke über Reduktionen, typische Instanzen, große Zahlen, Garantien, Parameter, Zufall, Zählen, Spiele und lokale Optima.