Evolutiona¨re Optimierung
von
Mensch-Maschine-Schnittstellen
Dissertation
zur Erlangung des akademischen Grades eines
Doktor - Ingenieurs (Dr.-Ing.)
im Fachbereich Maschinenbau
der
Universita¨t Kassel
vorgelegt von:
Dipl.-Ing. Andreas Vo¨lkel
geb. in Bad Gandersheim

Erkla¨rung
Hiermit versichere ich, dass ich die vorliegende Dissertation selbststa¨ndig und ohne unerlaub-
te Hilfe angefertigt habe und andere als die in der Dissertation angegebenen Hilfsmittel nicht
benutzt habe. Alle Stellen, die wo¨rtlich oder sinngema¨ß aus vero¨ffentlichten oder unvero¨ffent-
lichten Schriften entnommen sind, habe ich als solche kenntlich gemacht. Kein Teil dieser Arbeit
ist in einem anderen Promotions- oder Habilitationsverfahren verwendet worden.
Fuldabru¨ck, den 21. Februar 2005

Fu¨r Aiga

(Watterson, 2001)

Vorwort
Diese Arbeit wa¨re ohne die im folgenden aufgefu¨hrten Personen nicht mo¨glich gewesen, darum
ist dies die Gelegenheit, sie alle zu nennen und ihnen den gebu¨hrenden Dank auszusprechen.
Herrn Prof. Dr.-Ing. Gunnar Johannsen danke ich, dass er mir die Dissertation ermo¨glicht,
mich beim Schreiben der Forschungsantra¨ge zu jeder Zeit (besonders an Wochenenden) unter-
stu¨tzt, gefordert und gefo¨rdert hat, sowie fu¨r die wissenschaftliche Begleitung meiner Arbeit.
Herrn Prof. Dr. Eng. Rene´ van Paassen (Technische Universita¨t Delft, Niederlande) danke ich
fu¨r seine Unterstu¨tzung schon zu Diplom-Zeiten bei der objektorientierten Programmierung
und den kognitionsbezogenen Modellbildungen. Bei Herrn Dr.-Ing. Carsten Wittenberg (Sie-
mens AG, Mu¨nchen) bedanke ich mich fu¨r die gute Zusammenarbeit im Institut und besonders
dafu¨r, dass er mich auf das Gebiet der Evolutiona¨ren Algorithmen aufmerksam gemacht hat.
Herrn Dipl.-Ing. Gerd Stra¨tz danke fu¨r die allgegenwa¨rtige Unterstu¨tzung bei der Hardware-
Implementierung und dem Ausra¨umen von Unwa¨gbarkeiten im Betriebssystem. Herrn Prof.
Dipl.-Ing. Adolph Reinhard danke ich fu¨r die Bereitschaft, die Begutachtung meiner Arbeit mit
zu u¨bernehmen. Bei allen Kollegen, die mir Einblick in ihre Arbeiten gewa¨hrt haben, bedanke
ich mich. Namentlich nennen mo¨chte ich Dr. Greg Jamieson (Cognitive Engineering Laboratory,
University of Toronto, Kanada), Prof. Dr.-Ing. Peter Elzer und Frau Dipl.-Ing. Vesna Nikolic
(Institut fu¨r Prozess- und Produktionsleittechnik, Universita¨t Clausthal) sowie Dr.-Ing. Klaus
Zinser (Alstom AG). Der Deutschen Forschungsgemeinschaft (DFG) danke ich fu¨r die Fo¨rderung
meiner wissenschaftlichen Arbeit. Dafu¨r, dass ich fortwa¨hrend um Durchsicht der Ausarbeitung
gebeten habe, entschuldige und bedanke ich mich bei allen Betroffenen. Insbesondere danke ich
Frau Dipl.-Biol. Martina Vo¨lkel (Umweltamt Bremen) fu¨r die aufmerksame Durchsicht des Ka-
pitels u¨ber die biologische Evolution und die hilfreichen Hinweise. Weiterhin gedankt sei meinem
Kollegen Herrn Dr.-Ing. Burkhard Borys fu¨r das sorgfa¨ltige Korrekturlesen der Kapitel u¨ber die
Evolutiona¨re Optimierungsmethodik und deren Bewertung. Fu¨r die Durchsicht des kompletten
Manuskripts in seinen unterschiedlichen Versionen danke ich Herrn Dipl.-Ing. Ingo Wagner,
meinem Vater Herrn Dipl.-Ing. Winfried Vo¨lkel und besonders meiner Frau Aiga Kronenberg.
Ferner bin ich allen Experimentteilnehmern, die ich aus datenschutzrechtlichen Gru¨nden lei-
der nicht namentlich nennen darf, fu¨r ihr Interesse und ihre Zeit zu Dank verpflichtet. Allen
Studenten, die zum Gelingen der Arbeit beigetragen haben, danke ich ebenfalls.
Meinen Eltern, Winfried und Brigitte(†) Vo¨lkel danke ich, dass sie mir mein Studium
ermo¨glicht und mich auch sonst zu allen Zeiten unterstu¨tzt haben. Mein besonderer Dank
gilt meiner Familie, Aiga Kronenberg, Jaron und Ka¨ıra Vo¨lkel, die mich mit nicht endender
Geduld und viel Versta¨ndnis auf dem Weg der Promotion begleitet und unterstu¨tzt haben.
I

Inhaltsverzeichnis
Vorwort I
Kurzfassung VII
Abstract IX
Bezeichnungen X
1 Einfu¨hrung 1
1.1 Problemstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Ziele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.3 Problemlo¨sung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.4 Gliederung der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Mensch-Maschine-Schnittstellen 4
2.1 Grundlagen der menschlichen Informationsverarbeitung . . . . . . . . . . . . . . 4
2.1.1 Wahrnehmungssysteme . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.2 Kognition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1.3 Geda¨chtnis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.4 Mentale Modelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.5 Modell der sequentiellen Informationsverarbeitung . . . . . . . . . . . . . 7
2.1.6 Kognitive Ebenen des menschlichen Verhaltens . . . . . . . . . . . . . . . 7
2.1.7 Aufmerksamkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Aufbau von Mensch-Maschine-Schnittstellen . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 Der Mensch in der Mensch-Maschine-Schnittstelle . . . . . . . . . . . . . 10
2.2.2 Die Maschine in der Mensch-Maschine-Schnittstelle . . . . . . . . . . . . . 11
2.3 Modellbildungsverfahren in der Prozessvisualisierung . . . . . . . . . . . . . . . . 12
2.3.1 Historie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.2 Prozessgro¨ßen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.3 Topologische Sicht – TOP . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.4 Virtuelle 3D-Prozessvisualisierung – Virt3D . . . . . . . . . . . . . . . . . 16
2.3.5 Ecological Interface Design – EID . . . . . . . . . . . . . . . . . . . . . . 20
2.3.6 Multilevel Flow Modeling - MFM . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.7 Fish-Eye-View . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.8 Approximative Wissensbasierte Prozessvisualisierung . . . . . . . . . . . . 32
2.3.9 Videotechnik-basierter Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.3.10 Prozessvisualisierung im 3-dimensionalen Raum . . . . . . . . . . . . . . . 32
2.3.11 Weitere Entwicklungen auf dem Gebiet der HMI . . . . . . . . . . . . . . 34
2.4 Modellbildungen fu¨r die Evolutiona¨re Optimierung . . . . . . . . . . . . . . . . . 34
III
INHALTSVERZEICHNIS
3 Grundlagen der Evolution 35
3.1 Historie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Vererbung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.1 Aufbau von Zellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.2 Genetik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3.2.3 Die Tra¨ger der Erbsubstanz . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2.4 Molekulargenetik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3 Populationen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4 Mechanismen der Evolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.1 Selektion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.4.2 Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4.3 Rekombination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
3.5 Weitere Mechanismen der Evolution . . . . . . . . . . . . . . . . . . . . . . . . . 43
4 Methoden der Optimierung in der Technik 44
4.1 Konventionelle Verfahren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4.2 Anwendung der Biologie in der Technik – Bionik . . . . . . . . . . . . . . . . . . 45
4.3 Das Forschungsgebiet der Evolutiona¨ren Optimierung . . . . . . . . . . . . . . . 46
4.3.1 Historie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
4.3.2 Evolutiona¨re Algorithmen . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.4 Mechanismen der Evolution in der technischen Optimierung . . . . . . . . . . . . 48
4.4.1 Selektion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
4.4.2 Rekombination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
4.4.3 Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.4.4 Reinsertation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.5 Verfahren der Evolutiona¨ren Optimierung . . . . . . . . . . . . . . . . . . . . . . 52
4.5.1 Evolutiona¨re Programmierung . . . . . . . . . . . . . . . . . . . . . . . . 52
4.5.2 Evolutiona¨re Strategien . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.5.3 Genetische Algorithmen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.5.4 Verwandte Gebiete und erweiterte Anwendungen . . . . . . . . . . . . . . 60
4.6 Anwendung der Evolutiona¨ren Algorithmen auf anderen Gebieten . . . . . . . . . 61
4.6.1 Beziehungen zur Ku¨nstlichen Intelligenz . . . . . . . . . . . . . . . . . . . 61
4.6.2 Beziehungen zum Soft Computing . . . . . . . . . . . . . . . . . . . . . . 61
4.6.3 Beziehungen zum Artificial Life . . . . . . . . . . . . . . . . . . . . . . . . 61
5 Anwendung der ausgewa¨hlten Modellbildungen 62
5.1 Der Beispielprozess MIPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
5.1.1 Gesamt-Teil-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.1.2 Ziel-Mittel-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.2 Modellbildung fu¨r MIPS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
5.2.1 MIPS-Modell der Topologischen Sicht (TOP) . . . . . . . . . . . . . . . . 65
5.2.2 MIPS-Modell der Virtuellen 3D-Prozessvisualisierung (Virt3D) . . . . . . 65
5.2.3 MIPS-Modell des Ecological Interface Design (EID) . . . . . . . . . . . . 65
5.2.4 MIPS-Modell des Multilevel Flow Modeling (MFM) . . . . . . . . . . . . 66
IV
INHALTSVERZEICHNIS
6 Umsetzung der Modellbildungen in Graphische Bedienoberfla¨chen 70
6.1 Struktur der Programmierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6.1.1 Bezeichnungssystematik . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
6.1.2 Graphikobjekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.1.3 Farbcodierungen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
6.2 Allgemeine Objekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
6.3 Topologisch-orientierte Sichten . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.3.1 U¨bersichtsobjekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.3.2 Komponentenobjekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.3.3 Graphik-Bibliothek . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
6.3.4 Graphische Bedienoberfla¨chen . . . . . . . . . . . . . . . . . . . . . . . . . 78
6.4 Kognitions-orientierte Sichten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.4.1 EID-Objekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.4.2 MFM-Objekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.4.3 Graphische Bedienoberfla¨chen . . . . . . . . . . . . . . . . . . . . . . . . . 84
7 Die Evolutiona¨re Optimierungs-Methodik EOGUI 86
7.1 Struktur von Graphischen Bedienoberfla¨chen . . . . . . . . . . . . . . . . . . . . 86
7.1.1 Individuen bezogene Strukturierung und Begriffsdefinitionen . . . . . . . 87
7.1.2 Ebenen bezogene Strukturierung . . . . . . . . . . . . . . . . . . . . . . . 88
7.2 Einordnung der Optimierungs-Methodik und deren Individuen . . . . . . . . . . 89
7.2.1 Vergleich mit den klassischen Verfahren der Evolutiona¨ren Optimierung . 89
7.2.2 EOGUI-Individuen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.2.3 Definition der Begriffe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
7.3 Der EOGUI-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.3.1 Der Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.3.2 Struktur des EOGUI-Algorithmus . . . . . . . . . . . . . . . . . . . . . . 94
7.4 Selektion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.4.1 Fitnessbestimmung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
7.4.2 Auswahl von Individuen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
7.4.3 Wachstum von Individuen . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.5 Rekombination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
7.5.1 Rekombination durch Replikation . . . . . . . . . . . . . . . . . . . . . . . 110
7.5.2 Rekombination durch Kombination . . . . . . . . . . . . . . . . . . . . . . 110
7.5.3 Rekombination der Form . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.6 Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
7.7 Reinsertation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.8 Umsetzung des EOGUI-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.8.1 Struktur der Programmierung . . . . . . . . . . . . . . . . . . . . . . . . . 114
7.8.2 Klassen und Funktionen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
8 Bewertung der Evolutiona¨ren Optimierungs-Methodik EOGUI 116
8.1 Experimentierumgebung und Versuchsaufbau . . . . . . . . . . . . . . . . . . . . 116
8.2 Versuchsplanung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.2.1 Variablen der Untersuchung . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.2.2 Versuchsplan . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.2.3 Nebenaufgabe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.2.4 Bewertungskriterien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
8.2.5 Fragestellungen und Bildung der Hypothesen . . . . . . . . . . . . . . . . 122
8.2.6 Statistische Hypothesen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8.3 Durchfu¨hrung des Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
8.4 Auswertung des Experiments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
8.4.1 Ergebnisse der objektiven Bewertung . . . . . . . . . . . . . . . . . . . . . 127
8.4.2 Ergebnisse der Subjektiven Bewertung . . . . . . . . . . . . . . . . . . . . 129
8.4.3 Ergebnisse der EOGUI-Methodik . . . . . . . . . . . . . . . . . . . . . . . 134
8.4.4 Auswertung der Nebenaufgabe . . . . . . . . . . . . . . . . . . . . . . . . 138
8.4.5 Diskussion der Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
8.5 Fazit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
V
INHALTSVERZEICHNIS
9 Schlussbetrachtung 144
9.1 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
9.2 Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Verzeichnisse 149
Bilder . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Tabellen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
Literatur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Autoren . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
Stichworte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 172
Anhang 181
A Begriffe 181
A.1 Biologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
A.2 Begriffe in den Evolutiona¨ren Algorithmen . . . . . . . . . . . . . . . . . . . . . . 181
B Erga¨nzungen zum EOGUI-Algorithmus 183
B.1 Fragen der Subjektiv-Adaption . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
B.2 Rekombination der Form – TOP/MFM und Virt3D/MFM . . . . . . . . . . . . . 186
C Erga¨nzungen zum Experiment 189
C.1 Fragen im Experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
C.1.1 Allgemeiner Teil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
C.1.2 Experiment-Teil der Evolutiona¨ren Optimierung . . . . . . . . . . . . . . 191
C.2 Erweiterte Erla¨uterungen zur Durchfu¨hrung . . . . . . . . . . . . . . . . . . . . . 192
C.3 Ergebnisse des EOGUI-Algorithmus . . . . . . . . . . . . . . . . . . . . . . . . . 193
D Literaturdatenbank 199
VI
Kurzfassung
Vorgestellt wird eine neue Methode, Schnittstellen zwischen Menschen und Maschinen fu¨r indi-
viduelle Bediener anzupassen. Durch Anwenden von Abstraktionen evolutiona¨rer Mechanismen
wie Selektion, Rekombination und Mutation in der EOGUI-Methodik (Evolutionary Optimi-
zation of Graphical User Interfaces) kann eine rechnergestu¨tzte Umsetzung der Methode fu¨r
Graphische Bedienoberfla¨chen, insbesondere fu¨r industrielle Prozesse, bereitgestellt werden.
In die Evolutiona¨re Optimierung fließen sowohl die objektiven, d.h. messbaren Gro¨ßen wie
Auswahlha¨ufigkeiten und -zeiten, mit ein, als auch das anhand von Online-Fragebo¨gen erfas-
ste subjektive Empfinden der Bediener. Auf diese Weise wird die Visualisierung von Syste-
men den Bedu¨rfnissen und Pra¨ferenzen einzelner Bedienern angepasst. Im Rahmen dieser Ar-
beit kann der Bediener aus vier Bedienoberfla¨chen unterschiedlicher Abstraktionsgrade fu¨r den
Beispielprozess MIPS (MIschungsProzess-Simulation) die Objekte auswa¨hlen, die ihn bei der
Prozessfu¨hrung am besten unterstu¨tzen. U¨ber den EOGUI-Algorithmus werden diese Objekte
ausgewa¨hlt, ggf. vera¨ndert und in einer neuen, dem Bediener angepassten graphischen Bedien-
oberfla¨che zusammengefasst. Unter Verwendung des MIPS-Prozesses wurden Experimente mit
der EOGUI-Methodik durchgefu¨hrt, um die Anwendbarkeit, Akzeptanz und Wirksamkeit der
Methode fu¨r die Fu¨hrung industrieller Prozesse zu u¨berpru¨fen. Anhand der Untersuchungen
kann zu großen Teilen gezeigt werden, dass die entwickelte Methodik zur Evolutiona¨ren Op-
timierung von Mensch-Maschine-Schnittstellen industrielle Prozessvisualisierungen tatsa¨chlich
an den einzelnen Bediener anpaßt und die Prozessfu¨hrung verbessert.
VII
VIII
Abstract
A new method to adapt interfaces between Humans and Machines for individual users will be
presented. Using abstractions of evolutionary mechanisms like selection, recombination, and
mutation in the developed EOGUI-Method (Evolutionary Optimization of Graphical User In-
terfaces) a computer based application of this method can be provided. This new optimization
method uses objective, measureable data like assortment frequencies and time, and subjective
evaluations of the users from electronic questionaires. By computing this data, visualizations of
systems will be adapted to the needs and preferences of the human users. Within this thesis a
user can choose his favourite objects out of four interfaces of different abstraction levels. These
interfaces show the objects of the example process MIPS (MIxture Process Simulation). The
EOGUI-method will be examined in an experiment by using this process. The results of this
experiment shows that the new visualization is in fact adapted to the user. Furthermore it des-
cribes the improvement in visualizing industrial processes by using the designed evolutionary
optimization method.
IX
Bezeichnungen
Symbol Bezeichnung Einheit
a, b Mapping-, Skalierungsgro¨ßen, Abmessung mm,−1
~a,~b Lo¨sungsrepra¨sentation Evolutiona¨re Optimierung −
A Fla¨che, Allel m2
c Individuenklassenindex −
cp Spezifische Wa¨rmekapazita¨t kJkgK
d Geltungsbereichsindex −
D Nachkomme −
e Ebenenindex −
E Elter, Ebene −
f Ha¨ufigkeit −
F Anschlussfluss, Funktion, Faktor kgs ,
kJ
s , . . .
2
g Grenze −
G MFM-Ziel −
h Fu¨llstand m,%
H Statistische Hypothese −
I Individuum −
L Bitla¨nge eines GA-Individuums, Bereich Auswahl −
m˙ Massenstrom kgs
n Populationsindex −
N Anzahl −
q Fragenindex −
Q Wa¨rmeenergie kJ
Q˙ Wa¨rmestrom kJs
p Wahrscheinlichkeit −
~p Position eines Individuums −
P Population −
r Relationsindex, Verha¨ltnis der Bewertungen −
rg Rang −
~s Gro¨ße (Abmessung) −
S U¨bergeordnete Struktur −
t Zeit, Individuentypindex s,−
T Temperatur K
x, y Kartesische Koordinaten −
α Skalierungsfaktor, Signifikanzniveau −
β Skalenwert, Faktor Mutation −
γ Winkel der Temperaturgeraden −
Γ Decodierungsfunktion −
δ Abweichung, Mutationsausmaß . . .
ε Kriterium der Adaption und Bewertung −
1−: Dimensionslos.
2. . .: Unterschiedliche Einheiten mo¨glich.
X
Bezeichnungen
Symbol Bezeichnung Einheit
ζ Gleichverteilte Zufallsvariable −
η Variable der experimentellen Untersuchung −
ϑ Allgemeine Zufallsvariable −
Θ Truncation-Schwelle −
ι Mutationsgrenze −
κ Eigenschaft eines EOGUI-Individuums . . .
λ Anzahl der Nachkommen −
µ Anzahl der Eltern, Mittelwert −
ν Standard-Normalverteilte Zufallsvariable −
ξ Prozessgro¨ße . . .
% Dichte kgm3
ϕ Fitness −
Φ Segmentierungswert aus Fitnesswert −
σ, ~σ Standardabweichung . . .
τ Status −
υ Adaptionsart −
ψ Zielfunktion (Einzelwert fu¨r Relation und Geltungsbe-
reich)
−
Ψ Zielfunktion (Gesamtwert) −
ω Selektionsdruck −
Ω Fitnessfunktion (Skalierungsfunktion) −
Tiefgestellte Indices
Symbol Bezeichnung
0 Null(Hypothese)
acc Genauigkeit Accuracy
anm Animation
ass Auswahl(ha¨ufigkeit) Assortment
A Auswahl, Alternativ(Hypothese)
bgr Vorbildung Background
BAL Gleichgewicht Balance
BAR Barriere
cal Aufschaltung Call
cbn Kombination Combination
cnf Vertrauen Confidence
col Farbe Color
CNT Zusammenfu¨hrung Connection
D Geltungsbereich Domain
ecr Fehlerkorrektur Error correction
edg Fehlerdiagnose Error diagnose
ema Fehlermanagement Error management
end Ende (Bereich)
erc Fehlerkorrektur(zeit) Error correction (time)
erg Fehlererkennung Error recognition
E Energiebilanz, Ebene
EXP Experiment
frm Form
frq Ha¨ufigkeit Frequency
fun Spaß Fun
F Faktor (Gro¨ßena¨nderung)
FT Zeichensatz Font
gen Allgemein General
XI
Tiefgestellte Indices
Symbol Bezeichnung
gui Graphische Bedienoberfla¨che Graphical User Interface
H Handlungen, Ho¨he
in Eingang, Innere Form
ist Istwert einer Prozessgro¨ße
I Individuum
K Individuenklasse
max Maximum
min Minimum
mut Mutation
m˙ Massenstrom
M Massenbilanz
nav Navigation
O Gegner Opponent
ort Ausrichtung Orientation
out Ausgang, A¨ußere Form
PLN Rohrleitung Pipeline
prb Proband
prd Produktion
ptc Wirksamkeit Potency
PRC Fortlaufend Proceeding
Q Frage Question
Q˙ Wa¨rmestrom
rcb Rekombination Recombination
R Relation
RMF Verzweigung Ramification
start Beginn (Bereich)
S Siege im Wettkampf
scn Szenario Scenario
scs Gelo¨ste Szenarien Scenario solved
siz Gro¨ße Size
sta Beanspruchung Strain
str Struktur
sel Selektion
sol Bewa¨ltigt (Szenario) Solved
soll Sollwert einer Prozessgro¨ße
SNK Senke Sink
SOR Quelle Source
t Zeit, Generationenza¨hler
tra Transparenz
T Temperatur, Individuentyp
TAS Bewa¨ltigen einer Aufgabe Task solving
TRP Transport
uns Nicht Bewa¨ltigt (Szenario) Unsolved
var Variable
W Breite Width
ε Kriterium der Bewertung
η Aktionsartindex
ξ Prozessgro¨ße
σ Standardabweichung
Ψ Zielfunktion
XII
Hochgestellte Indices
Hochgestellte Indices
Symbol Bezeichnung
3D 3D-Darstellung
A Absolut (Relation)
ALM Warnung Alarm
anm Animation
best Bester
cbg Farbe Hintergrund Color Background
cfl Farbe Fu¨llung (Mapping) Color Filling
cid Farbe Bezeichner Color Indication
clc Farbe Verbindungslinien Color Lines Connect.
clm Farbe Linien (Mapping)
dep Abha¨ngig Dependent
D Nachkomme Descendant
E Elter, Ebene
EMG Notfall Emergency
f Ha¨ufigkeit Frequency
F Flu¨ssigkeit, Form
G Global (Geltungsbereich)
idp Unabha¨ngig Independent
kgo Kognitionsorientierte Ausrichtung
K Individuenklasse (Relation)
low Untere (Grenze)
L Lokal (Geltungsbereich), Links
mod Modell
M Mischung
MP Mating Pool
obj Adaptionsart Objektiv
opt Optimal
pos Position
P Population, Pulver
R Rechts
sbj Adaptionsart Subjektiv
siz Gro¨ße Size
sbt Nebenaufgabe Subtask
sym Symbol
tpo Topologisch orientierte Ausrichtung
T Individuentyp (Relation)
upp Obere (Grenze)
vis Visualisierung
W Wachstum
Z Zwischen (Population)
η Aktionsart
τ Mutationskonstante
υ Adaptionsart
ω Prozessgro¨ßentyp
Abku¨rzungen
Symbol Bezeichnung
1P-C 1-Punkt-Crossover
A Adenin
ACT Aktor Actor
XIII
Abku¨rzungen
Symbol Bezeichnung
AGT Ru¨hrwerk Agitator
AL Ku¨nstliches Leben Artificial Life
AWP Approximative Wissensbasierte Prozessvisualisierung
BAR Barriere
BAL Gleichgewicht Balance
BUF Beha¨lter Buffer
C Cytosin
CMP Komponente Component
CNV Fo¨rderer Conveyer
CTR Regler Controler
DEC Entscheider Decision
DIS Anzeige Display
DNS Desoxyribonukleinsa¨ure
EA Evolutiona¨rer Algorithmus
EOGUI Evolutiona¨re Optimierung
graphischer Bedienober-
fla¨chen
Evolutionary Optimization of
Graphical User Interfaces
EID Ecological Interface Design
ES Evolutiona¨re Strategie
FFK Flussfunktion
FST Flussstruktur
G Guanin
GA Genetischer Algorithmus
GHR Zielhierarchie Goal Hirarchy
GID Graphisches Eingabegera¨t Graphical Input Device
GOA Ziel Goal
GP Genetische Programmierung
HEA Wa¨rmetauscher Heat Exchanger
HMI Mensch-Maschine-
Schnittstelle
Human Machine Interface
ITC Intertaxonische Kombination
KGO Kognitions-orientiert
KI Ku¨nstliche Intelligenz
MAN Management
MAP Mapping
MFM Multilevel Flow Modeling
MOEA Multiobjektive Evolutiona¨re
Algorithmen
Multiobjective Evolutionary
Algorithms
MOP Multiobjektives Optimierungsproblem
MOT Motor
mRNS Boten-Ribonukleinsa¨ure Messenger
MIPS Mischungsprozess-Simulation
NP-C N-Punkt-Crossover
NTEC Nicht-Technisch
OBS Beobachter Observer
PMP Pumpe Pump
ProVis EO Prozessvisualisierung mit
evolutiona¨rer Optimierung
Process Visualization with
Evolutionary Optimization
RI Rohrleitungs- und Instrumentenfliessbild
RNS Ribonukleinsa¨ure
RR Record-To-Record-Travel
SI Sintflut-Algorithmus
SF-C Shuffle-Crossover
XIV
Bezeichnungen im MIPS-RI-Fließbild
Symbol Bezeichnung
SOR Quelle Source
SNK Senke Sink
SSSI Single Sensor Single Indicator
STO Speicher Storage
SUB Untersystem
SYS (Gesamt)System
tRNS Transport-Ribonukleinsa¨ure
T Thymin
TA Treshold Accepting
TEC Technisch
TOP Topologische Sicht
TPO Topologisch-orientiert
TRP Transport
U Uracil
UF-C Uniform-Crossover
VAL Ventil Valve
VTE Virt3D, TOP, EIDtpo
Akzente
Symbol Bezeichnung
´ Replikation
¯ Mittelwert
ˆ Normierung auf den maximalen Wert
Bezeichnungen im MIPS-RI-Fließbild
Symbol Bezeichnung
B101 Zwischenbeha¨lter Flu¨ssigkeit
B201 Zwischenbeha¨lter Pulver
B301 Mischungsbeha¨lter
FC102/103 Regler - Durchflussmenge Flu¨ssigkeit Anschluss/Zulauf
FC401 Regler - Durchflussmenge Mischung Entnahme
FD101/201/301 Fu¨llstandsanzeige Beha¨lter B101/B201/B301
L201 Klappe Pulverzufluss
LC103/401 Fu¨llstandsregler Beha¨lter B101/B301
MD101/102 Massenflussanzeige Flu¨ssigkeitsanschluss/-zulauf
MD201 Massenflussanzeige Pulveranschluss
MD401 Massenflussanzeige Mischungsentnahme
P101/102 Zwillingspumpe Flu¨ssigkeitsanschluss
P401/402 Zwillingspumpe Mischungsentnahme
QD301 Qualita¨tsanzeige Mischung
RD301 Verha¨ltnisanzeige Mischung
TC101/102 Temperaturregler Flu¨ssigkeitvor-/-enderwa¨rmung
TC401 Temperaturregler Abku¨hlung Mischung
TD101/201/301 Temperaturanzeige Beha¨lter B101/B201/B301
TD401 Temperaturanzeige Entnahme
V101/102/103 Ventil Flu¨ssigkeitsversorgung/-anschluss/-zulauf
V201 Ventil Pulverzulauf
V401 Ventil Entnahme Mischung
W101/102 Wa¨rmetauscher Vor-/Enderwa¨rmung Flu¨ssigkeit
W401 Wa¨rmetauscher Entnahme Ablaufku¨hler
XV

1 Einfu¨hrung
1.1 Problemstellung
Die aktuellen Entwicklungen industrieller Anlagen haben zu einer erho¨hten Komplexita¨t der
dort ablaufenden Prozesse und damit zu gestiegenen Anforderungen an die Bediener gefu¨hrt.
Der Verantwortungsbereich der Bediener hat sich gleichzeitig vom Fu¨hren der Anlagen hin
zu Beobachtungsaufgaben verschoben. Begru¨ndet wird dies durch die immer leistungsfa¨hi-
ger und preiswerter werdenden Automatisierungseinrichtungen mit der Folge erho¨hter Auto-
matisierungsgrade (Ziegeler und Zu¨hlke, 2004). Aufgrund der Tatsache, dass die Anzahl der
fu¨r die Fu¨hrung eines Prozesses zusta¨ndigen Bediener immer weiter abnimmt, steigt die fu¨r
einen einzelnen Bediener zu u¨berwachende Information an (Thierfelder, 1997; Herbst und Rie-
ger, 1997; Zu¨hlke, 2002; Komischke, 2003). Ein weiteres Problem der gestiegenen Informations-
menge ist die U¨berfrachtung der Anzeigen mit Messdaten, insbesondere dann, wenn die Anzahl
der zur Verfu¨gung stehenden Ausgabegera¨te, d.h. die Fla¨che zur Informationsdarstellung, be-
grenzt ist (Mukasa, 2004). Aus dem erho¨hten Automatisierungsgrad ergibt sich zudem der
Verlust manueller Fertigkeiten der Prozessfu¨hrung, wa¨hrend die Verantwortungsbereiche fu¨r
die Bediener anwachsen (Bainbridge, 1983; Reinig et al., 1997; Vo¨lkel, 1999). So la¨sst sich die
Forderung formulieren, die Kommunikation zwischen Mensch und Maschine fu¨r den Menschen
mo¨glichst versta¨ndlich und transparent zu gestalten (Johannsen, 1993). Die Maschine sollte
den Kommunikationsbedu¨rfnissen des Menschen angepasst werden, und nicht umgekehrt. Eine
ada¨quate Gestaltung der Schnittstelle zwischen Mensch und Maschine, also jener Systeme, die
fu¨r die Informationsu¨bermittlung in beiden Richtungen sorgen, kann die angestrebte Anpassung
leisten. Durch eine den menschlichen Eigenschaften angepasste benutzerzentrierte Gestaltung
der Schnittstelle kann der Bediener z.B. in anormalen Situationen unterstu¨tzt und die Sicherheit
und Leistungsfa¨higkeit des technischen Prozesses erho¨ht werden; eine dem Menschen unange-
passte Gestaltung kann dagegen zu Bedienfehlern fu¨hren (Grams, 1998).
Mit der entwickelten Methodik wird ein Optimierungsverfahren zur Verfu¨gung gestellt, mit
dem sich Prozessvisualisierungen an die Bedu¨rfnisse individueller Bediener anpassen lassen.
Als Ausgangspunkt fu¨r die Visualisierung finden herko¨mmliche und neuere, auch kognitions-
bezogene Darstellungen Verwendung. Die kognitions-bezogenen Modellbildungstechniken er-
bringen im ersten Optimierungsschritt eine allgemeine Anpassung der Bedienoberfla¨che an die
menschliche Informationsverarbeitung. Im zweiten, neuen Schritt spezialisiert sich die Informa-
tionsdarstellung entsprechend den Bedu¨rfnissen und Pra¨ferenzen des einzelnen Bedieners durch
Anwenden von Abstraktionen evolutiona¨rer Mechanismen. Der evolutiona¨re Ansatz wurde als
Optimierungsmethode ausgewa¨hlt, da er der Problemstellung am besten gerecht wird und im
Gegensatz zu den klassischen Optimierungsverfahren keinerlei mathematische Differenzierbar-
keit oder Stetigkeit beno¨tigt. Mit den klassischen Methoden der exakten Optimierungsverfahren
la¨sst sich das vorliegende Problem nicht beschreiben, da fu¨r die Pra¨ferenzen individueller Be-
diener keinerlei Modelle oder mathematische Beschreibungen vorliegen. In die Zielfunktionen
der Optimierung fließen Parameter wie die objektiven Handlungen mit der Oberfla¨che und die
subjektiven Bewertungen der Bediener ein. Die wesentlichen evolutiona¨ren Mechanismen eignen
sich durch ihre Flexibilita¨t und Funktionalita¨ten sehr gut fu¨r die beschriebene Problemstellung.
Fu¨r die Bearbeitung der Problemstellung wurden eigene Abstrahierungen evolutiona¨rer Mecha-
1
1.3 Problemlo¨sung
nismen entwickelt sowie ada¨quate Methoden der evolutiona¨ren Optimierung ausgewa¨hlt und in
den EOGUI1-Algorithmus umgesetzt.
Im vorliegenden Fall sind aus vier unterschiedlichen, graphischen ProVis EO2-Bedienober-
fla¨chen vom Bediener die Objekte auszuwa¨hlen, die ihn nach seinem Empfinden bei der Prozess-
fu¨hrung am besten unterstu¨tzen. Diese Objekte werden in einer gemeinsamen Oberfla¨che zusam-
mengefasst und bilden so die fu¨r den Probanden am gu¨nstigsten gestaltete Visualisierung. Mit
anderen Worten: die Individuen (Objekte der Bedienoberfla¨chen) der vier Populationen (Be-
dienoberfla¨chen) ”ka¨mpfen” untereinander (mit den Individuen der eigenen Population) und
gegeneinander (mit den Individuen der anderen Populationen) um die Aufnahme in die neu zu
generierende Oberfla¨che. Die Entscheidung, welche Individuen ”u¨berleben” und welche nicht,
ergeben sich aus den Handlungen und Bewertungen durch den Bediener. Die Handlungen sind
objektive Kriterien fu¨r die Bestimmung der auszuwa¨hlenden Individuen, wogegen die Bewertun-
gen durch den Bediener subjektiv sind. Dementsprechend ist auch der Vorgang zur Bewertung
der Individuen in die zwei Bereiche Objektiv-Adaption und Subjektiv-Adaption aufgeteilt.
1.2 Ziele
Mit dem neuen Verfahren wird erreicht, graphische Bedienoberfla¨chen individuell fu¨r Bediener
anzupassen. Der Ausgangspunkt fu¨r die Arbeit liegt in der Entwicklung von Mensch-Maschine-
Schnittstellen. Kommt es zu wenig oder keinem Austausch zwischen den Entwicklern und den
spa¨teren Anwendern der Schnittstellen, werden die Vorstellungen und Wu¨nsche der Bediener
in Bezug auf die Darstellungsart und die Menge der dargestellten Information nicht beru¨cksich-
tigt. Die Diskrepanzen zwischen den mentalen Modellen von Entwicklern und Bedienern bilden
ein Problem in der Prozessvisualisierung. Stimmen die Vorstellungen des Entwicklers u¨ber die
Komponenten und Funktionen eines Systems mit denen des Bedieners weitgehend u¨berein, ist
das konzeptionelle Modell des Entwicklers vom abzubildenden Prozess ada¨quat. Kommen die
Entwickler jedoch nicht in Kontakt mit den spa¨teren Bedienern, verfu¨gen sie u¨ber kein Wissen
um deren mentale Modelle. So kann es passieren, dass die Schnittstellenobjekte von den Be-
dienern in einer Weise verwendet werden, wie das von den Entwicklern nicht vorgesehen war.
Die Folge ist Verwirrung des Bedieners, die unter Umsta¨nden zu Fehlern und so zu Sto¨rungen
fu¨hren ko¨nnen (Norman, 1988). Beabsichtigt ist, die Unterschiede in den Vorstellungen u¨ber
die Gestaltung von Bedienoberfla¨chen zwischen Entwicklern und Bedienern zu u¨berwinden und
dem Bediener eine individuell auf ihn abgestimmte Bedienoberfla¨che bereitzustellen.
1.3 Problemlo¨sung
Unter Verwendung evolutiona¨rer Mechanismen auf eine vom Entwickler generierte Oberfla¨che
soll die individuelle Optimierung realisiert werden. Diese Herangehensweise erweitert die In-
formationsdarstellung in der Oberfla¨che neben der allgemeingu¨ltigen Adaption der Mensch-
Maschine-Kommunikation an die menschliche Informationsverarbeitung um die Pra¨ferenzen
der einzelnen Bediener.
Im Gegensatz zu existierenden zeit- und personalintensiven Verfahren fu¨r die Akquisition von
Wissen und fu¨r die Verbesserung von Informationsdarstellungen lautet hier der Ansatz, die op-
timale Informationswiedergabe durch das eigensta¨ndige Vera¨ndern der Informationsdarstellung
u¨ber das Schnittstellensystem zu erreichen. Die klassischen Optimierungsverfahren der Mensch-
Maschine-Systemforschung bedu¨rfen eines Austauschs zwischen den beteiligten Personen, z.B.
mit Hilfe von Interviews, Fragebo¨gen, etc., wa¨hrend das vorgeschlagene Verfahren selbststa¨ndig
die Anpassung der Darstellung, weg vom mentalen Modell des Entwicklers hin zu dem des Be-
dieners, leistet. Die vorgeschlagene Methode soll die Akquisition von Expertenwissen, z.B. durch
Aufgabenanalysen, keinesfalls ersetzen. Vielmehr sind die auf Grundlage des mo¨glichst sorgfa¨ltig
1EOGUI: Evolutionary Optimization of Graphical User Interfaces.
2ProVis EO Process Visualisation with Evolutionary Optimization.
2
und umfassend erfassten Expertenwissens entwickelten Prozessvisualisierungen als Ausgangs-
punkt fu¨r die evolutiona¨re Optimierung anzusehen. Die Verwendung evolutiona¨rer Algorithmen
fu¨r das Optimieren von Prozessvisualisierungen erweitert den Anwendungsbereich dieser Algo-
rithmen, die sich bislang hauptsa¨chlich mit numerischen Problemstellungen der Optimierung
befasst haben.
1.4 Gliederung der Arbeit
Kapitel 1 entha¨lt die Einfu¨hrung.
Kapitel 2 stellt die Informationsverarbeitung des Menschen vor und die daraus abgeleiteten
sowie die herko¨mmlichen Modellbildungstechniken fu¨r die Abbildung industrieller Prozesse. Die
daraus ausgewa¨hlten Modellbildungen sind im Rahmen dieser Arbeit die Ausgangssituation fu¨r
die Evolutiona¨re Optimierung von Mensch-Maschine-Schnittstellen. Sie werden daher gema¨ß
dem Stand der Forschung detaillierter beschrieben und deren Auswahl begru¨ndet.
Kapitel 3 bescha¨ftigt sich mit den biologischen Grundlagen der Evolution soweit sie fu¨r die
Abstrahierung als technisches Optimierungverfahren relevant sind. Dieses Kapitel schafft die
Basis fu¨r das Versta¨ndnis der im folgenden Kapitel beschriebenen evolutiona¨ren Optimierung.
Kapitel 4 geht zuna¨chst kurz auf die klassische Optimierung und danach auf die Abstrahie-
rung biologischer Mechanismen fu¨r deren Nutzung in der technischen Optimierung ein. Zur
Darstellung des aktuellen Forschungstands folgen Beschreibungen der Hauptstro¨mungen in der
Evolutiona¨ren Optimierung. Die Methoden dieser Forschungsrichtungen werden teilweise fu¨r
die eigene Arbeit u¨bernommen und entsprechend beschrieben.
Kapitel 5 erla¨utert die fu¨r die Erprobung der eigenen Methode entwickelte Prozess-Simulation
MIPS und deren Abbildung mit den ausgewa¨hlten Modellen von Kapitel 2.
Kapitel 6 beschreibt die Umsetzung der in Kapitel 5 entwickelten Prozess-Modelle in eine
Mensch-Maschine-Schnittstelle, speziell als graphische Bedienoberfla¨che, mit der entwickelten
ProVis EO-Software. Des Weiteren werden die Struktur und die Funktionen der Software zu-
sammenfassend dargestellt.
Kapitel 7 stellt den eigenen EOGUI-Algorithmus fu¨r die evolutiona¨re Optimierung von Mensch-
Maschine-Schnittstellen vor. Hier werden die in den Kapiteln 2, 3 und 4 gelegten Grundlagen
zur neuen Optimierungsmethode weiterentwickelt. Kurz beschrieben wird die Einbettung des
EOGUI-Algorithmus in die ProVis EO-Software von Kapitel 6.
Kapitel 8 entha¨lt eine Anwendung und Bewertung der Methode anhand des in Kapitel 5 ent-
wickelten Prozesses. Es folgt eine Beschreibung der durchgefu¨hrten Experimente und eine Dis-
kussion der erzielten Ergebnisse.
Kapitel 9 beendet diese Arbeit mit einer Schlussbetrachtung, bestehend aus einer Zusammen-
fassung und einem Ausblick.
Verzeichnisse/Anhang: Die erstellten Bilder, Tabellen, die zitierte Literatur sowie ein Autoren-
und Stichwort-Index sind in entsprechenden Verzeichnissen aufgefu¨hrt. Literaturangaben zu den
Bildern sind ggf. im zugeho¨rigen Verzeichnis zu finden. Im Anhang sind Begriffserla¨uterungen
und Erga¨nzungen zu den Ergebnissen des EOGUI-Algorithmus und zum Experiment zu finden.
3
2 Mensch-Maschine-Schnittstellen
Die Beru¨hrungsfla¨chen zwischen dem Menschen auf der einen und der Maschine auf der anderen
Seite werden heute immer wichtiger. Im Zeitalter zunehmender Automation spielt die Gestal-
tung der Systeme, u¨ber die Mensch und Maschine kommunizieren, eine immer wichtigere Rolle,
die jedoch bis heute nicht genu¨gend Beachtung findet (Lenzen, 2004). In Folge des ho¨heren Au-
tomatisierungsgrades sind die Anforderungen an den Menschen als Bediener der Systeme gestie-
gen (Schaich und Friedrich, 2003). Gleichzeitig mu¨ssen die Bediener technischer Anlagen mehr
Aufgaben erfu¨llen und mehr Verantwortung aufgrund versta¨rkter Beobachtungsaufgaben u¨ber-
nehmen. Eine geeignete Gestaltung der Systeme, die den Informationstransfer, also die Kommu-
nikation zwischen Mensch und Maschine bereitstellen, sind hier von herausragender Bedeutung.
Ein weiterer Grund fu¨r die sorgfa¨ltige Gestaltung von Mensch-Maschine-Schnittstellen (HMI1)
ist der wirtschaftliche Erfolg. Gleichen sich technische Anlagen verschiedener Hersteller in Qua-
lita¨t, Funktionsumfang und Leistungsfa¨higkeit, kann eine gut gestaltete Schnittstelle zwischen
Mensch und Maschine den entscheidenden Vorteil bringen (Zu¨hlke, 1999; Oortmann, 2003).
Um die Aufgabe der Informationsverarbeitung fu¨r den Menschen so leicht wie mo¨glich zu
gestalten, sollte die Kommunikation zwischen Mensch und Maschine an die Bedu¨rfnisse des
Menschen angepasst werden und nicht umgekehrt. So sind die Grundlagen der menschlichen
Informationsverarbeitung Gegenstand dieses Kapitels. Die Mechanismen, die geeignete, am
Menschen ausgerichtete Schnittstellen ermo¨glichen, ko¨nnen auf diese Weise verstanden wer-
den. Der allgemeine Aufbau von Mensch-Maschine-Schnittstellen, die herko¨mmlichen und die
aus den Mechanismen der menschlichen Informationsverarbeitung abgeleiteten Modellbildungs-
techniken fu¨r die industrielle Prozessvisualisierung sowie ein U¨berblick u¨ber weitere Methoden
vervollsta¨ndigen dieses Kapitel.
2.1 Grundlagen der menschlichen Informationsverarbeitung
Bevor wir uns der Informationsverarbeitung zuwenden, sei kurz auf die Informationsu¨ber-
tragungsprozesse beim Menschen eingegangen. Man unterscheidet hier die Sensorik, die zentrale
Informationsverarbeitung und Entscheidung, die Informationsweiterleitung sowie die Informa-
tionsspeicherung. Die Sensorik bezieht sich auf die Informationsaufnahme des Menschen durch
seine Sinnesorgane. A¨ußere Reize treffen auf diese Sinnesorgane. Nachdem Art und Bedeutung
der aufgenommenen Information wahrgenommen wurde, wird in der zentralen Informations-
verarbeitung u¨ber eine Antwort auf den Reiz aus verschiedenen Alternativen entschieden. Ist
eine Antwort ausgewa¨hlt, lassen sich u¨ber die Informationsweiterleitung motorische Programme
abrufen, die eingeu¨bte Bewegungsfolgen auslo¨sen. Die Antworten ko¨nnen wiederum selbst als
ru¨ckgekoppelte Reize erfasst werden. Bei allen genannten Vorga¨ngen der Informationsu¨bertra-
gung spielt die Speicherung der Information eine wichtige Rolle. Eine weitere wichtige Gro¨ße
ist in diesem Zusammenhang die Aufmerksamkeit. Der Mensch kann seine Aufmerksamkeit
unterschiedlich auf die Wahrnehmung, Entscheidung und Antwortauswahl verteilen. Allerdings
stehen ihm nur begrenzte Aufmerksamkeitsressourcen zur Verfu¨gung (Johannsen, 1993).
1Human Machine Interface.
4
2.1.1 Wahrnehmungssysteme
2.1.1 Wahrnehmungssysteme
Die wichtigsten Merkmale der sensorischen Wahrnehmung sind die Modalita¨t, die Intensita¨t,
die zeitliche Dauer und die Lokalisierung der auslo¨senden Reize. Es lassen sich fu¨nf Modalita¨ten
unterscheiden, durch die der Mensch Informationen aus seiner Umwelt aufnimmt. Zu diesen Mo-
dalita¨ten geho¨ren das Sehen, Ho¨ren, Riechen, Tasten und das Schmecken. Beim Betrachten der
Reize als Eingangsgro¨ßen ist zwischen der Reizaufnahme (Rezeption) durch die Empfangsorgane
(Rezeptoren) und der Reizwahrnehmung (Perzeption) zu unterscheiden. Wa¨hrend der Aufnah-
me wird ein Reiz in neuronale Erregung umgewandelt, aus der eine Empfindung gegenu¨ber
einer bestimmten Reizart entsteht. Bei der Reizwahrnehmung werden aus den eingegangenen
Reizen Informationen generiert.
• Das visuelle System: Das wichtigste Sinnesorgan fu¨r die Informationsu¨bertragungsprozesse
des Menschen ist das Auge. Auch im Bereich des Fu¨hrens und U¨berwachens industriel-
ler Anlagen nimmt der Mensch zum gro¨ßten Teil Information u¨ber den visuellen Kanal
auf. Das visuelle System empfa¨ngt a¨ußere Lichtreize mit dem Auge als Empfangsorgan.
Das Licht erreicht u¨ber die Cornea, die Pupille, die Linse und den Glasko¨rper die Reti-
na mit den lichtempfindlichen Rezeptoren. Aus registrierten, unterschiedlichen Farb- und
Helligkeitswerten werden durch den Wahrnehmungsprozess Formen abgeleitet. Alle an-
deren Wahrnehmungssysteme werden entweder sehr viel weniger oder u¨berhaupt nicht
verwendet (Johannsen, 1993) .
• Das auditive System: Im auditiven System werden Schallschwingungen u¨ber das Ohr auf-
genommen. Akustische Anzeigen kommen relativ ha¨ufig als Warnungsgeber in Mensch-
Maschine-Systemen zum Einsatz.
• Das olfaktorische System: Das olfaktorische System, d.h. der Geruchssinn, weist keine
großen Unterschiedsempfindlichkeiten auf.
• Das haptische System: U¨ber das haptische oder taktile System, den Tastsinn, kann der
Mensch u¨ber die Haut Beru¨hrungen, Vibrationen (des ganzen Ko¨rpers oder dessen Teilen)
und Druck erkennen (Johannsen, 1993) .
Zusa¨tzlich existieren der nicht na¨her beschriebene Geschmackssinn sowie die Vestibular-
und Propriozeptivsysteme, die als Gleichgewichtssinn bzw. der Ko¨rperlageerkennung dienen
(Johannsen, 1993). Werden bei der Interaktion zwischen Mensch und Maschine mehr als der
i.d.R. einzige Wahrnehmungskanal des visuellen Systems genutzt, spricht man von multimodalen
Mensch-Maschine-Schnittstellen (Hedicke, 2002). Neuere Forschungen streben an, neben dem
visuellen Kanal, auch andere Kana¨le bei der Informationsdarstellung einzubeziehen 2
2.1.2 Kognition
Die bei der Fu¨hrung von technischen Anlagen vom Menschen ausgefu¨hrte Informationsverarbei-
tung umfasst die im folgenden beschriebenen kognitiven Prozesse, die Begriffe der Aufmerksam-
keit und der mentalen Modelle sowie Lern- und Geda¨chtnisprozesse. Kognition beinhaltet nach
Johannsen (1993) den menschlichen Erkenntnisvorgang, in dem eine gegebene Aufgabensitua-
tion analysiert wird. Nach So¨ffker (2003) bezeichnet Kognition ebenfalls Erkenntnisvorga¨nge
beim Menschen und schließt innere Repra¨sentationsformen von Wissen, Wissenselementen und
deren Verknu¨pfung und Speicherung ein. Die Auswahl ada¨quater Handlungen la¨uft bewusster
ab, als beispielsweise bei der manuellen Regelung. Gemeint sind hier Untersuchungen u¨ber be-
wusste Wahrnehmung, Geda¨chtnis und Denken in Bezug auf Problemlo¨sungsta¨tigkeiten des
Menschen. Nach Anderson (1989) herrscht in der kognitiven Psychologie der Informations-
verarbeitungsansatz vor, mit dem kognitive Prozesse in eine Abfolge geordneter Phasen zerleg-
bar sind. Jede Phase steht fu¨r einen wichtigen Schritt in der Verarbeitung kognitiver Informa-
tionen.
2Siehe z.B. fu¨r das auditive System bei Johannsen (1999; 2000; 2004), Hermann und Ritter (2004) und Borys
(2003a; 2003b).
5
2.1 Grundlagen der menschlichen Informationsverarbeitung
2.1.3 Geda¨chtnis
Im menschlichen Geda¨chtnis findet die Verarbeitung von aufgenommener Information in drei
Schritten statt: zuna¨chst erfolgt die Verarbeitung im sensorischen Kurzzeitspeicher, danach im
Arbeitsspeicher und abschließend im Langzeitspeicher (siehe auch Bild 2.3 auf Seite 2.1.7).
Der sensorische Kurzzeitspeicher (Johannsen, 1993) oder nach Brander et al. (1985) das
sensorische Geda¨chtnis besitzt eine unbegrenzte Kapazita¨t. Die von den Sinnesorganen als Ein-
gangssignale aufgenommenen Reize werden modalita¨tsspezifisch gespeichert. Diese Speicherung
erstreckt sich lediglich u¨ber eine sehr kurze Zeitdauer3. Hauptzweck des sensorischen Kurz-
zeitspeichers ist es, die Reize solange bereitzuhalten, bis die Wahrnehmungsvorga¨nge der Mus-
tererkennung und Merkmalsbildung erfolgt sind. Ist die Bedeutung und die Art der Information
wahrgenommen, sind die kognitiven Vorga¨nge des Menschen darauf ausgerichtet, als Reaktion
auf die Eingangssignale aus verschiedenen mo¨glichen Alternativen eine Antwort auszuwa¨hlen.
An dieser Stelle findet ein sta¨ndiger Austausch mit dem Arbeitsgeda¨chtnis (bzw. Kurz- oder Ar-
beitsspeicher) statt, dessen Kapazita¨t stark begrenzt ist. Nicht die aufgenommene Information,
sondern deren Interpretationen werden hier kurzzeitig gespeichert. Werden die abgelegten Infor-
mationen nicht fortwa¨hrend wiederholt, verschwinden sie oder werden von anderen Informatio-
nen verdra¨ngt. Eine Speicherung u¨ber einen la¨ngeren Zeitraum ist nur im Langzeitgeda¨chntnis
(bzw. Langzeitspeicher) mo¨glich (Johannsen, 1993). Verlust von Information ist durch das Un-
vermo¨gen bedingt, existierende Informationen wieder zu finden. Das Langzeitgeda¨chntnis ist
mit dem Arbeitsgeda¨chtnis verbunden und wird ebenfalls bei der Wahrnehmung hinzugezogen.
Die Zeitdauer fu¨r die Speicherung und den Zugriff ist jedoch erheblich la¨nger als beim Arbeits-
geda¨chtnis. Geeignete Visualisierungen von Informationen sollten daher deren Wiedererkennung
unterstu¨tzen.
2.1.4 Mentale Modelle
Die Vorstellungen, die die Bediener von einem Prozess besitzen, sind fu¨r eine korrekte Pro-
zessfu¨hrung entscheidend. Diese Vorstellung bezeichnet man als mentale Modelle u¨ber ein Sys-
tem (Ali et al., 1997). Mentale Modelle des Menschen sind an allen Vorga¨ngen hinsichtlich
des Problemlo¨sens und des Entscheidens beteiligt. Sie sind interne oder mentale Repra¨senta-
tionen, die der Mensch von seiner Umgebung, also auch seiner dynamischen Arbeitsumgebung,
erworben und aufgebaut hat4. Bediener fu¨hren Prozesse, indem sie gegebene Situationen mit
einer existierenden mentalen Abbildung in Beziehung bringen. Die mentalen Modelle des Men-
schen beinhalten unterschiedliche Wissensinhalte, verschiedene Formen der Wissensrepra¨senta-
tion und Strategien fu¨r die Handhabung und Transformation der Wissensinhalte und Wissens-
formen (Johannsen, 1993). Rasmussen (1986) hat fu¨r die Strukturierung von Wissensinhalten
mentaler Modelle und die Erkla¨rung der Wissenstransformation drei Dimensionen vorgeschla-
gen. Diese umfassen die Dimensionen der Zusammenfassung, der Abstraktion und der Analogie.
Dimension der Zusammenfassung – Gesamt-Teil: Die erste Dimension, das Konzept der Zu-
sammenfassung, steht fu¨r die Mo¨glichkeit, Gesamtsysteme in Teil- oder Untersysteme und Kom-
ponenten zu zerlegen. Diese Gesamt-Teil-Betrachtungsweise hilft dem Menschen, die Komple-
xita¨t realer Aufgabensituationen besser zu bewa¨ltigen. Die gedankliche Bescha¨ftigung des Men-
schen mit dem technischen System – beispielsweise beim Problemlo¨sen – kann auf den unteren
Ebenen des mental zerlegten Systems erfolgen.
Dimension der Abstraktion – Ziel-Mittel: Die zweite konzeptionelle Dimension, auch als Ziel-
Mittel-Darstellung bezeichnet, befasst sich mit den Abstraktionsebenen, auf denen die Eigen-
schaften eines Systems mental dargestellt sein ko¨nnen. In der zweiten konzeptionellen Dimension
werden nach Rasmussen (1986) fu¨nf Abstraktionsebenen unterschieden:
• Funktionaler Zweck: Auf der ho¨chsten Ebene liegt der funktionale Zweck. Er steht fu¨r die
Ziele oder Beschra¨nkungen eines Systems.
3Nach Johannsen (1993) 0, 1 s - 0, 5 s.
4Struktur und Verhalten des gesamten technischen Prozesses und der Mensch-Maschine-Schnittstelle.
6
2.1.5 Modell der sequentiellen Informationsverarbeitung
• Abstrakte Funktion: Kausale Struktur der Massen-, Energie und Informationsflu¨sse.
• Verallgemeinerte Funktion: Standard-Funktionen und -Prozesse, z.B. Wa¨rmeu¨bertragung.
• Physikalische Funktion: Elektrische, mechanische, chemische Prozesse der Untersysteme
bzw. Anlagen.
• Physikalische Form: Die physikalische Form bildet die unterste Ebene. Sie steht fu¨r das
physikalische Aussehen, das Material, die Form, etc.
Zwischen den Ebenen bestehen Ziel-Mittel-Beziehungen, d.h. fu¨r die Bottom-Up-Beschrei-
bung eines technischen Prozesses kann diese Hierarchie zeigen, wo Fehlfunktionen liegen oder
wie physikalische Komponenten und Funktionen zur Erreichung eines Zieles beitragen ko¨nnen.
Fu¨r den umgekehrten Weg einer Top-Down-Bewegung kann beschrieben werden, wie Ziele durch
die Implementation von Funktionen erreichbar und Funktionen durch Komponenten realisierbar
sind. Zusa¨tzlich wird das richtige Funktionieren eines Systems auf der na¨chst tieferen Ebene
durch den nach unten hin immer spezielleren Zweck bestimmt.
Dimension der Analogie: Die dritte interne Repra¨sentation nach Rasmussen (1986) behandelt
Analogien. Hier ko¨nnen auf bestimmten Abstraktionsebenen Ergebnisse und Regeln fu¨r die
Lo¨sung von Problemen aus analogen Aufgabensituationen vorliegen, die zur Bewa¨ltigung der
aktuellen Situation u¨bernommen werden ko¨nnen.
2.1.5 Modell der sequentiellen Informationsverarbeitung des Menschen
Die in der Informationsverarbeitung des Menschen hintereinander ablaufenden Aktivita¨ten beim
Ausu¨ben von Kontroll- und Problemlo¨sungsta¨tigkeiten beschreibt das Modell der sequentiellen
Informationsverarbeitung nach Rasmussen(1983; 1986). Die auch als Leitermodell bezeichnete
Beschreibung zeigt das Bild 2.1 auf der na¨chsten Seite.
Abgebildet ist das Modell mit seinen Elementen und deren Beziehungen. Der Mensch durch-
la¨uft das Leitermodell im Zuge seiner Kontroll- und Problemlo¨sungsta¨tigkeiten, hier die Stufen
der Informationsverarbeitung und die sich aus ihnen ergebenden Wissenszusta¨nde. Rechtecke
beschreiben die Ta¨tigkeiten der Informationsverarbeitung, in den Kreisen sind deren Resultate
– die Zusta¨nde des Wissens – dargestellt. Die Aktivierung erfolgt u¨ber das Entdecken eines
Handlungsbedarfs (in Bild 2.1 unten links) und verla¨uft aufsteigend in der wissensbasierten
Analyse je nach Kenntnisstand und Erfahrung des entsprechenden Menschen bis zur Spitze des
Modells. Auf der Spitze der Leiter wird die Gesamtsituation bewertet. Je schwieriger das Pro-
blem bzw. die Ta¨tigkeit fu¨r den betroffenen Menschen zu lo¨sen ist, desto weiter na¨hert er sich
der Spitze des Modells. Kann der Mensch direkt nach der Aktivierung voreingestellte Antwor-
ten abrufen, ist die Nutzung so genannter regelbasierter Abku¨rzungen mo¨glich. Regelbasierte
Abku¨rzungen sind Verbindungen zwischen den Informationsverarbeitungsstufen der wissensba-
sierten Analyse und den Wissenszusta¨nden der wissensbasierten Planung, fu¨r deren Nutzung
jedoch der Kenntnis- bzw. Erfahrungsstand des Menschen entsprechend hoch sein muss. Ist dies
nicht der Fall, ist das Modell auf der rechten Seite von der Spitze nach unten fu¨r die wissens-
basierte Planung zu durchlaufen. Assoziative Verbindungen des Wissens sind im Leitermodell
ausschließlich zwischen zwei Wissenszusta¨nden mo¨glich. Ein bestimmter Wissenszustand wird
hier nicht als Ergebnis einer Informationsverarbeitungsta¨tigkeit ermittelt, sondern assoziativ
unmittelbar von einem anderen Wissenszustand erreicht.
2.1.6 Kognitive Ebenen des menschlichen Verhaltens
Die Prozesse der Informationsverarbeitung des Menschen lassen sich in Bezug auf die kognitive
Belastung durch die Modelle u.a. von Rasmussen (1986) und Hacker (1973) beschreiben. Die
von Rasmussen (1983) entwickelten Handlungsmodelle fu¨r die Informationsverarbeitung des
Menschen enthalten die folgenden kognitiven Verhaltens- oder Fertigkeitsebenen von Bild 2.2.
Diese Darstellung wurde von Rasmussen (1983; 1986) aus dem Leitermodell abgeleitet.
7
2.1 Grundlagen der menschlichen Informationsverarbeitung
Bild 2.1: Modell der sequentiellen Informationsverarbeitung des Menschen nach Rasmussen (1983),
zitiert nach Johannsen (1993, S. 127)
Sensomotorische Fertigkeiten: Die sensomotorischen Fertigkeiten auf der untersten Handlungs-
ebene sind nach Rasmussen erlernte, stark automatisierte Verhaltensweisen, bei denen mehr
oder weniger nicht-bewusste Programme ablaufen. Sie bedingen keine willentliche Aufmerk-
samkeit oder Steuerung. Die Informationen aus dem Prozess nimmt der Mensch hier in Form
von orts- und zeitabha¨ngigen Signalen5 wahr. Diese Signale stoßen automatisierte sensomoto-
rische Muster an. In der Regel erfolgen die meisten Kontrollta¨tigkeiten in normalen Betriebs-
situationen und sehr einfache Problemlo¨sungsta¨tigkeiten auf dieser niedrigen Regulationsebene
(Johannsen, 1993).
Regelbasiertes Verhalten: Das regelbasierte Verhalten kommt in vertrauten und bekannten
Situationen vor, die sich durch bereits vorhandene Regeln bewa¨ltigen lassen. Die menschliche
Leistung liegt hier im Erkennen der Situation, die mit erlernten oder aus Instruktionen abgelei-
teten Handlungsregeln assoziiert werden. Bei den eingehenden Informationen handelt es sich um
Zusta¨nde oder Ereignisse, die sich aus einer im Gegensatz zu der niedrigeren Ebene qualitativ
5Diese Signale entsprechen den Reizen von Abschnitt 2.1.1.
8
2.1.7 Aufmerksamkeit
Bild 2.2: Handlungsebenen der Informationsverarbeitung nach Rasmussen(1983; 1986) zitiert nach Jo-
hannsen (1993, S. 134)
anspruchsvolleren Informationsreduktion ergeben und als Zeichen interpretiert werden ko¨nnen.
Sie beschreiben Merkmale der aktuellen Situation und lassen so den derzeitigen Zustand des
Systems erkennen. Die Zusta¨nde werden u¨ber Wenn-Dann-Regeln mit auszufu¨hrenden Aufga-
ben verknu¨pft. Stereotype Ta¨tigkeiten kennzeichnen im wesentlichen das regelbasierte Verhalten
(Johannsen, 1993).
Wissensbasiertes Verhalten: Die ho¨chste kognitive Ebene ist dann vonno¨ten, wenn unbekann-
te Situationen auftreten und keine geeigneten Regeln fu¨r deren Bewa¨ltigung existieren. Die
Informationen werden hier als Symbole fu¨r strukturelle und komplexe funktionelle Zusam-
menha¨nge interpretiert, was die Basis fu¨r die Identifikation der Situation schafft. Im Anschluss
an die Identifikation kommt es zu einer zielorientierten Entscheidungs- oder Aufgabenwahl,
die zu Planungsaktivita¨ten fu¨hrt, die wiederum auf die Generierung neuer Regeln gerichtet ist
(Johannsen, 1993).
2.1.7 Aufmerksamkeit
Die Aufmerksamkeit, mit der In-
Bild 2.3: Verteilung von Aufmerksamkeitsressourcen
(Wickens, 1984), zitiert nach Johannsen (1993,
S. 111)
formationen aufnehmbar sind, ist in
ihrer Kapazita¨t begrenzt und kann
nur auf sehr wenige kognitive Pro-
zesse zugleich gerichtet werden. Je
ha¨ufiger man derartige Prozesse u¨bt,
desto weniger Aufmerksamkeit ver-
langen sie, bis sie sich schließlich aus-
fu¨hren lassen, ohne andere Prozesse
zu beeintra¨chtigen (Anderson, 1989).
Aus der Vielzahl der Informationen
in den sensorischen Geda¨chtnisberei-
chen werden mit Hilfe der Aufmerk-
samkeit die Informationen herausge-
filtert, die zur weiteren Verarbeitung
in das Bewusstsein gelangen. Bild 2.3 zeigt, dass der Mensch seine Aufmerksamkeitsressourcen
unterschiedlich verteilen und fu¨r jede Arbeitsta¨tigkeit eine gu¨nstige Verteilung erlernen kann
(Johannsen, 1993).
9
2.2 Aufbau von Mensch-Maschine-Schnittstellen
2.2 Aufbau von Mensch-Maschine-Schnittstellen
Die Mensch-Maschine-Schnittstelle als Teil des Mensch-Maschine-Systems beinhaltet nach Jo-
hannsen (1993) eine Darstellungs- und eine Dialogebene. Auf der Ebene des Dialogs werden
Informationsflu¨sse der Mensch-Maschine-Kommunikation organisiert: Was wird wann zwischen
welchen Untersystemen u¨bermittelt. Die Darstellungsebene dagegen hat die Form der Informa-
tionsvisualisierung zum Inhalt. Nach Engel (2002) wird die Visualisierung im technischen Sinne
heute als Transformation von Ausgangsdaten aus Messungen, Datenbanken oder Simulationen
in ein mo¨glichst aussagekra¨ftiges graphisches Abbild verstanden. Im vorliegenden Zusammen-
hang der Prozessabbildung steht der Begriff der Visualisierung fu¨r das von Thamm (1999) de-
finierte Ergebnis der visuellen Repra¨sentation eines Datenobjekts. Prozessvisualisierung steht
also fu¨r diese Arbeit fu¨r die Abbildung von Systemen in Form von Graphikobjekten in graphi-
schen Bedienoberfla¨chen. Die Fragestellung lautet hier, auf welche Weise die Information dem
Menschen zur Verfu¨gung gestellt wird.
2.2.1 Der Mensch in der Mensch-Maschine-Schnittstelle
Der Mensch kann in der Mensch-Maschine-Schnittstelle unterschiedlich in Erscheinung treten.
Zu nennen sind der Bediener, der Anwender und der Benutzer.
• Bediener: Der Bediener interagiert als Operateur eines Prozesses permanent in einem
Echtzeit-Wirkungskreis mit einem dynamischen technischen System. Er fu¨hrt den Pro-
zess zielorientiert u¨ber Beobachtung und Bedienhandlungen im Hinblick auf eine gestellte
Aufgabe (Johannsen, 1993) . Hacker (1998) spricht hier vom Benutzer. Fu¨r eine konsi-
stente Begriffsverwendung wird fu¨r diese Arbeit der Begriff des Bedieners beibehalten.
• Anwender: Fu¨r Personen, die nicht permanent u¨ber die Mensch-Maschine-Schnittstelle
mit dem technischen System kommunizieren, sondern nur entsprechend den situativen
Anforderungen, wird der Begriff des Anwenders eingefu¨hrt. Gemeint sind Personen, die
nicht mit der direkten Fu¨hrung bzw. Beobachtung technischer Anlagen betraut sind, sich
jedoch aufgrund ihrer Ta¨tigkeit bzw. ihres Verantwortungsbereichs Informationen u¨ber
den Zustand der Anlage verschaffen mu¨ssen. Ingenieure, z.B. in leitender oder planender
Funktion, za¨hlen zu diesem Kreis, aber auch Wartungs- oder Reparaturpersonal.
• Benutzer: Der Mensch als Benutzer kann mehr oder weniger selbststa¨ndig entscheiden, ob
er technische Systeme, z.B. als Werkzeug, Hilfsmittel oder Informationssystem nutzen will.
Da in diesem Fall das technische System nicht sta¨ndig in Betrieb sein muss, kann der Be-
nutzer seine Ta¨tigkeit jederzeit unter Beru¨cksichtigung eventuell vorhandener Restriktio-
nen unterbrechen. Beispiele sind Werkzeuge zur Softwareentwicklung, die rechnergestu¨tzte
Konstruktion, aber auch Auskunfts- oder Informationssysteme (Johannsen, 1993).
Fu¨r die vorliegende Arbeit sind die Bediener und die Anwender von gesteigertem Interesse,
da diese aktiv mit Mensch-Maschine-Schnittstellen arbeiten. Besonders die Bediener, weil fu¨r
diese Personenklasse aufgrund der permanenten Interaktion fu¨r die individuelle Optimierung
der Informationsdarstellung die gu¨nstigsten Auswirkungen zu erwarten sind. Dem Anwender
gilt ebenfalls erho¨hte Aufmerksamkeit. Grund dafu¨r ist dessen Kontakt mit der Informations-
darstellung der Mensch-Maschine-Schnittstelle, in den er gleichfalls, wenn auch nicht so intensiv
wie der Bediener, treten muss. Auch fu¨r den Anwender ist also eine individuelle Optimierung der
Bedienoberfla¨che sinnvoll. Der Benutzer ist in unserem Zusammenhang von geringerem Inter-
esse, was jedoch nicht bedeutet, das sich die vorgestellte Methodik nicht auch auf den Benutzer
anwenden la¨sst. Ein weniger gelungenes Beispiel sind die Softwareprodukte von Microsoft mit
ihrer automatischen Anpassung der Pull-down-Menu¨s in den verschiedenen Applikationen.6
6Hier werden z.B. fu¨r Microsoft Word wenig genutzte Menu¨eintra¨ge nach einer gewissen Zeit ausgeblendet
und erst auf Anforderung wieder sichtbar gemacht. Dies kann zu jeder Zeit vorkommen (es sei denn man
schaltet die Funktion komplett ab), damit stiftet diese Funktion eher Verwirrung als dass sie hilfreich wa¨re
(Microsoft Word Online-Hilfe, 2004).
10
2.2.2 Die Maschine in der Mensch-Maschine-Schnittstelle
2.2.2 Die Maschine in der Mensch-Maschine-Schnittstelle
Der Maschine in der Mensch-Maschine-Schnittstelle entspricht in dieser Arbeit das techni-
sche System. Das technische System ist nach Johannsen (1993) die vom Menschen zu u¨ber-
wachende und kontrollierende Anlage. Dazu za¨hlen neben der Anlagenausstattung auch die
Automatisierungs- und Unterstu¨tzungssysteme. Der Automatisierungsgrad eines Systems wird
durch die von der Automatisierungseinheit u¨bernommenen Funktionen und Einwirkungen auf
den technischen Prozess gekennzeichnet (Johannsen, 1993). Unterstu¨tzungssysteme helfen dem
Menschen in stark automatisierten technischen Systemen beim Bewa¨ltigen von Aufgaben und
dem Treffen von Entscheidungen.
Darstellungsebene: Die Darstellungsebene als Teil der Kommunikation zwischen Mensch und
Maschine bezieht sich auf die Art der Informationswiedergabe. Dem Menschen werden die
Informationen aus dem technischen Prozess in Form von Anzeigen- und Steuerungselemen-
ten zuga¨nglich gemacht. Die Information, d.h. neben den ”Rohdaten”
7 auch Wissen u¨ber die
Verbindungen, Wirkzusammenha¨nge, Manipulationsmo¨glichkeiten und Zusta¨nde des Prozesses,
werden aufbereitet und in der graphischen Bedienoberfla¨che wiedergegeben. Sie entha¨lt die Ab-
bildung des technischen Prozesses, ggf. einschließlich der Automatisierungseinrichtungen u¨ber
die folgenden Elemente:
• Anzeigeelemente: Anzeigeelemente sind im vorliegenden Zusammenhang die Objekte, die
Zustandsgro¨ßen aus dem technischen Prozess wiedergeben. Dazu za¨hlen alle Formen von
Anzeigeinstrumenten wie Zeigerinstrumente, Diggitalanzeigen, etc. Bezogen auf diese Ar-
beit sind die Anzeigen virtuell, d.h. in der entwickelten ProVis EO-Software als fenster-
orientierte Objekte8 nachgebildet.
• Steuerungselemente: Steuerungselemente sind graphische, virtuelle Elemente der Bedieno-
berfla¨chen mit der der Mensch Einfluss auf die Zustandsgro¨ßen durch Manipulation der
Steuerungsgro¨ßen nehmen kann. Dazu za¨hlen im wesentlichen Schieberegler, Schalter,
Radiobuttons, etc. (Thaller, 2002). Auch die Steuerungselemente sind fu¨r diese Arbeit
virtuell nachgebildet.
• Bedienelemente: Diese sind die physikalischen Schnittstellensysteme zum Ausfu¨hren von
Bedienhandlungen des Menschen. In der Regel werden die Bedienelemente mit den Ha¨nden
bedient, aber auch die Beta¨tigung u¨ber andere Extremita¨ten (z.B. die Fu¨ße) ist mo¨glich.
Weitere Optionen sind das Sprachverstehen (Hofmann, 2003), Blick- oder Kopfbewe-
gungen (Eye-tracking), allgemein Gestik (Morguet und Lang, 1998; Zobl et al., 2002)
oder die direkte Ableitung von Biosignalen, z.B. Muskelpotentiale oder Nervensignale
(Bretthauer, 2003; Pylatiuk und Schultz, 2002) . Unterscheidbar sind die Bedienelemente
durch die Art ihres Bediensignals als diskret oder kontinuierlich. Beispiele fu¨r konven-
tionelle Bedienelemente mit kontinuierlichem Bediensignal sind Computerma¨use, Steuer-
knu¨ppel (Joysticks), Hebel, Handra¨der, Drehkno¨pfe und Pedale. Diskrete Bediensignale
werden u.a. von Tasten, Schaltern, arretierenden Drehkno¨pfen, Tastaturen oder Funkti-
onstastaturen erzeugt.
Dialogebene: Auf der Dialogebene geht es um den organisatorischen Aspekt der Kommunika-
tion, d.h. den Ablauf der Interaktion zwischen Mensch und Maschine. Hier wird festgelegt, was
wann zwischen welchen Untersystemen u¨bertragen wird (Johannsen, 1993) Die Ebenen des Dia-
logs und der Darstellung bilden nach Johannsen (1993) die Mensch-Maschine-Schnittstelle. Als
weitere Ebenen nennt Johannsen die Entscheidungsunterstu¨tzungsebene, die U¨berwachungs-
ebene und die Prozessebene, fu¨r deren genauere Beschreibung auf Johannsen (1993) verwiesen
sei.
7Rohdaten: Quantitative Angaben fu¨r die absoluten Werte von Zustandsgro¨ßen und Einstellungen, wie
z.B. Temperaturen und Ventilstellungen.
8Siehe Abschnitt 6.2.
11
2.3 Modellbildungsverfahren in der Prozessvisualisierung
2.3 Modellbildungsverfahren in der Prozessvisualisierung
Das gestiegene Versta¨ndnis menschlicher Kognitionsfunktionen hat auch neue Erkenntnisse in
der Entwicklung von Mensch-Maschine-Schnittstellen nach sich gezogen. Vorgeschlagen werden
Entwicklungstechniken, die nicht mehr ausschließlich auf der physikalischen Topologie bzw. auf
mathematischem oder logischem Verhalten beruhen, sondern Prozesse auf verschiedenen Ab-
straktionsebenen darstellen. Wa¨hrend die erstgenannten Modelle eine Abbildung des Prozesses
auf mehr als einer Abstraktionsebene i.d.R. nicht bereitstellen, ermo¨glichen es die neueren Kon-
zepte, die von Entwicklern, Bedienern und Systemingenieuren ha¨ufig diskutierten verschiedenen
Ebenen, z.B. die Prozessziele und die fu¨r die Erreichung dieser Ziele verfu¨gbaren Mittel, in die
Visualisierung zu integrieren.
2.3.1 Historie
Zu Beginn der 40er Jahre fand die Prozessfu¨hrung9
Bild 2.4: Mensch-Maschine-Schnittstelle:
Gestern (Herzing, 1996) und
Heute (Herbst und Rieger, 1997)
direkt an den technischen Anlagen statt (Herzing,
1996). In den 50er Jahren ging die Entwicklung auf-
grund von entstehenden Automatisierungen in Rich-
tung auf die Zentralisierung von Anzeige- und Be-
dienelementen in Leitwarten, was einen Verlust des
direkten Bezugs zur Anlage bedeutete (Strohrmann,
1998). Die Fortschritte im Bereich der Elektrotechnik
ermo¨glichten in den 70er Jahren mit Anzeigen aus-
gestattete Wandtafeln. Schon zu dieser Zeit begann
man fu¨r die Darstellung von Information Bildschirme
einzusetzen (Raichle, 1983). Heute haben sich Bild-
schirmarbeitspla¨tze, z.B. in Form von Großbild-Ru¨ck-
projektionssystemen, aufgrund der anhaltenden Fortschritte in der Informationstechnologie
durchgesetzt (Geitz, 1996; Goelz, 2002; Komischke, 2003). Neuere Forschungsarbeiten verfolgen
den Ansatz, u¨ber die Anwendung von Multimedia-Technologien den verlorenen direkten Kon-
takt zwischen Mensch und Maschine in gefahrloser Weise wiederherzustellen. So soll der Verlust,
beispielsweise von haptischer oder akustischer Information (Vibrationen bzw. Gera¨usche von
Anlagen) wieder ausgeglichen werden (Borys und Johannsen, 1997). Das Bild 2.4 zeigt links
einen Leitstand fu¨r den Hochdruckbereich eines Hydrierwerks aus dem Jahr 1942, rechts ist
eine moderne Leitwarte mit Ru¨ckprojektionssystem zu sehen.
2.3.2 Prozessgro¨ßen
Bevor wir uns den Modellbildungen zuwen-
ξmin > ξ ZERSTO¨RT
ξmin ≤ ξ < ξEMGmin NOTFALL
ξEMGmin ≤ ξ < ξALMmin ALARM
ξALMmin ≤ ξ < ξALMmax NORMAL
ξALMmax ≤ ξ < ξEMGmax ALARM
ξEMGmax ≤ ξ ≤ ξmax NOTFALL
ξ > ξmax ZERSTO¨RT
min
z max
z
EMG
min
z
ALM
min
z
EMG
max
z
ALM
max
z
AlarmNotfall Alarm NotfallNormal
Tabelle 2.1: Modellbildung: Zusta¨nde von
Prozessgro¨ßen ξ
den, seien die Objekte betrachtet, auf die alle
Modellbildungen gleichermaßen zuru¨ckgreifen:
die zugrunde liegenden Prozessgro¨ßen ξ. Dazu
za¨hlen die Steuerungs- und die Zustandsgro¨ßen.
U¨ber die im Abschnitt 2.2.2 genannten Steue-
rungselemente lassen sich die Steuerungsgro¨ßen
einstellen10. Die Zustandsgro¨ßen sind die Gro¨-
ßen, die sich aus den Einstellungen der Steue-
rungen ergeben, z.B. Temperaturen oder Mas-
senflu¨sse. Die Anzeigenelemente von Abschnitt
2.2.2 zeigen die Werte der Zustandsgro¨ßen. Sind
Objekte der Modellbildungen mit Prozessgro¨ßen
9Die Prozessfu¨hrung umfasst nach Polke (1994) alle Maßnahmen, die im Sinne festgelegter Ziele den
gewu¨nschten Ablauf eines Prozesses bewirken.
10z.B. Ventilo¨ffnungsgrade oder Wa¨rmetauscherleistungen.
12
2.3.3 Topologische Sicht – TOP
verbunden, wird ihr Zustand vom Wert der Prozessgro¨ße wie in Tabelle 2.1 dargestellt be-
stimmt. Liegt der Wert außerhalb des gewu¨nschten Bereichs11, ist das Objekt zersto¨rt. Liegt
eine schwerwiegende Abweichung des Wertes vom geforderten Bereich vor, wird der entspre-
chende Zustand als NOTFALL-Zustand, bei leichten Abweichungen als ALARM-Zustand bezeichnet.
Befindet sich der Wert innerhalb des geforderten Bereichs (oberhalb der minimalen und unter-
halb der maximalen Alarmgrenze), liegt NORMAL-Zustand vor.
2.3.3 Topologische Sicht – TOP
Im klassischen Ansatz ist die Darstellung der Mensch-Maschine-Schnittstelle durch die SSSI12-
Philosophie bestimmt (Goodstein, 1981). Man greift hier auf die Verarbeitung physikalischer
Information zuru¨ck, die auf Anzeigeinstrumente (z.B. Zeiger mit Skala) u¨bertragen wird. Die
Anwendung der SSSI-Philosophien setzt beim Bediener eine gut ausgebildete Fa¨higkeit des
schlussfolgernden Denkens voraus, d.h. die psychischen Prozesse laufen auf hohem kognitiven
Niveau ab.
Die topologische Sicht modelliert ein technisches System durch die Wiedergabe seiner Aus-
stattung. Dabei werden zumeist hierarchische Darstellungen verwendet, d.h. ausgehend von
einer U¨bersicht ko¨nnen verschiedene Detailansichten aufgerufen werden. Ein weiteres Kennzei-
chen topologischer Darstellungen ist die Verwendung von Normsymbolen verschiedener Normen,
z.B. DIN 28004 Teil 3, DIN 2429 Teil 2, DIN 2481 und DIN 19227 Teil 2. Komponenten werden
hier durch mehr oder weniger abstrakte graphische Symbole dargestellt. Auf der untersten Zer-
legungsebene liegen die Komponenten des Gesamtsystems, auf der obersten das System in seiner
Gesamtheit. Heutige Prozessvisualisierungen werden zumeist u¨ber RI-Fließbilder mit topologi-
schen Norm-Symbolen realisiert13. Die Darstellung des Gesamt-Teil-Modells von Systemen wird
mit der topologisch orientierten Beschreibung verbunden, in der im wesentlichen die Informa-
tionen u¨ber die Verbindungen zwischen den physikalischen Komponenten dargestellt werden.
Speziell gibt es in den topologischen Darstellungen keine Informationen u¨ber die Geometrie14.
Die Verbindungen zwischen den Komponenten ko¨nnen auch auf komplett andere Weise dar-
gestellt sein als dies tatsa¨chlich der Fall ist. Die Fragestellungen ”Welche Komponenten sind
derzeit vorhanden?” und ”Wie sind die Komponenten miteinander verbunden?” kennzeichnen
die topologische Sichtweise (Larsson, 1992).
2.3.3.1 Komponenten
Die folgenden Abschnitte beschreiben die verwendeten graphischen Symbole auf der untersten
Zerlegungsebene sowie deren Funktion. Die Symbole sind durch die Normsymbole abgebildet,
deren graphische Darstellung den oben erwa¨hnten Normen entnommen bzw. angelehnt sind. Im
folgenden werden die im Beispielsprozess vorkommenden Komponenten na¨her erla¨utert.
Pumpe:Die Funktion der Pumpe bezieht sich auf den Trans-
Bild 2.5: TOP-Symbol: Pumpe
port von Flu¨ssigkeit zwischen den Systemen. Normalerwei-
se besitzt die Pumpe die bina¨ren Werte 0 oder 1, die fu¨r
den ausgeschalteten bzw. eingeschalteten Zustand stehen.
Im ausgeschalteten Zustand liegt die Flu¨ssigkeit am Pum-
peneingang, wird aber nicht weitergeleitet. Im eingeschal-
teten Zustand fo¨rdert die Pumpe das flu¨ssige Medium in
eine angeschlossene Rohrleitung. Das Bild 2.5 zeigt auszugsweise die topologischen Symbole
der Pumpe. Ganz links ist das allgemeine Symbol abgebildet, in der Mitte das Symbol fu¨r eine
Kreiselpumpe und rechts eine Hubkolbenpumpe.
11ξ < ξmin oder ξ > ξmax.
12SSSI: Single-Sensor-Single-Indicator
13Als Beispiel sei auf das Bild 5.1 fu¨r den verwandten Beispielprozess auf Seite 62 verwiesen.
14Mit der Geometrie sind in diesem Zusammenhang die Abmessungen einer abgebildeten physikalischen Kom-
ponente gemeint.
13
2.3 Modellbildungsverfahren in der Prozessvisualisierung
Absperreinrichtung - Ventil: Die Funktion der Absperrein-
Bild 2.6: TOP-Symbol: Ventil
richtung ist es, Materialtransporte zu regulieren. Durch Ver-
a¨ndern der durchflossenen Fla¨che, i.d.R. u¨ber einen bewegli-
chen Kolben im Ventilko¨rper, wird der Materialstrom durch
ein Ventil bestimmt. Je geringer die Fla¨che, desto kleiner ist
der Fluss. Der Unterschied zum Pumpenzustand liegt in der
Existenz diskreter15 anstatt von bina¨ren Werten. Das Bild
2.6 zeigt zugeho¨rige Symbole. Links wiederum das allgemei-
ne Symbol, rechts davon ein Absperrventil mit Handantrieb
und mit Kolbenantrieb nach DIN 2481.
Wa¨rmetauscher: Im Wa¨rmetauscher wird ein Medium von
Bild 2.7: TOP-Symbol:
Wa¨rmetauscher
einem anderen Medium unterschiedlicher Temperatur um-
stro¨mt. Dabei vollzieht sich ein Wa¨rmeaustausch, infolge-
dessen sich das ku¨hlere Medium erwa¨rmt und das wa¨rmere
abku¨hlt. Die Funktion des Wa¨rmetauschers ist demzufolge
die Erwa¨rmung, die Abku¨hlung, die Verdampfung oder die
Kondensation von Stoffen. Die zugeho¨rigen Symbole zeigt
Bild 2.7: links nach DIN 248116, rechts einen Rohrbu¨ndel-
wa¨rmetauscher nach DIN 28004 Teil 3.
Beha¨lter: Funktion des Beha¨lters ist das Speichern von Ma-
Bild 2.8: TOP-Symbol: Beha¨lter
terialien. Das Bild 2.8 zeigt auf der linken Seite das Symbol
fu¨r einen allgemeinen Beha¨lter, in der Mitte einen Tank und
rechts ein Silo (DIN 28004 Teil 3). Verdeutlicht werden kann
die Funktion durch die Wiedergabe des zugeho¨rigen Fu¨ll-
standes im Beha¨ltersymbol. Der Fu¨llstand kann in textlicher
Form oder durch eine der Realita¨t angelehnten Kombinati-
on aus Form- und Farbcodierung visualisiert werden, siehe
Abschnitt 6.3.3.1.
Regler: Regler geho¨ren zur Automatisierungseinrichtung von
FC Durchfluss
LC Fu¨llstand
TC Temperatur
Bild 2.9: TOP-Symbol: Regler
Prozessen. Sie ermitteln u¨ber einen Messfu¨hler den aktu-
ellen Istwert einer Zustandsgro¨ße und fu¨hren fu¨r den Fall
einer Abweichung vom Sollwert u¨ber ein Stellglied die Zu-
standsgro¨ße auf diesen Sollwert. Die Funktion des Reglers
ist demnach das Anpassen von Istwerten an Sollwerte. Der
Regler bestimmt durch Berechnung z.B. den O¨ffnungsgrad
von Ventilen, um einen Istwert an einen geforderten Soll-
wert heranzufu¨hren. Ein Beispiel wa¨re ein Durchflussregler, der aufgrund eines gemessenen
Durchflusses den O¨ffnungsgrad des zugeho¨rigen Ventils bestimmt. Fu¨r diese Arbeit kann der
Reglerstatus die drei Werte MANUELL17, INTERN18 und EXTERN19 annehmen. Das Bild 2.9 zeigt
eine Auswahl von Reglern und deren Symbole20.
Fo¨rderer: Der Fo¨rderer hat die Funktion, feste Materiali-
Bild 2.10: TOP-Symbol: Fo¨rderer
en zu transportieren. Dies unterscheidet den Fo¨rderer vom
Flu¨ssigkeitstransport der Pumpe, mit der er jedoch in den
mo¨glichen Zusta¨nden u¨bereinstimmt. Das Bild 2.10 zeigt
entsprechende Symbole fu¨r Fo¨rdereinrichtungen nach DIN
28004 Teil 2.
15Werte von einem Minimum (0%) bis zu einem Maximum (100%).
16Allgemein, Kreuzung der Stoffflu¨sse.
17MANUELL bedeutet, dass der Regler inaktiv ist und die Prozessgro¨ße u¨ber das Stellglied bestimmt wird.
18INTERN heißt, dass der Regler die Ansteuerung des Stellgliedes u¨bernimmt.
19Ist der Reglerstatus EXTERN, bedeutet das fu¨r den betroffenen Regler, dass ein u¨bergeordneter Regler die
Vorgaben liefert.
20FC: Flow control, LC: Level control, TC: Temperature control.
14
2.3.3 Topologische Sicht – TOP
Ru¨hrwerk: Die Funktion des Ru¨hrwerks ist die Durchmi-
Bild 2.11: TOP-Symbol: Ru¨hrwerk
schung zweier oder mehrerer Medien, wobei die Medien fest
oder flu¨ssig sein ko¨nnen.
Motor: Der Motor soll eine Drehbewegung erzeugen, die von
M M
Bild 2.12: TOP-Symbol: Motor
angeschlossenen Bauteilen weiter genutzt werden kann. Das
Bild 2.12 zeigt Motoren-Symbole nach DIN 19227 Teil 2.
Klappe: Die Klappe sorgt fu¨r den Zufluss, oder dessen Ver-
Bild 2.13: TOP-Symbol: Klappe
hinderung, von festen Stoffen. Bild 2.13 zeigt das Klappen-
Symbol nach DIN 2481.
Anzeigen: Die Wiedergabe von Information ist die Funkti-
TM
Bild 2.14: TOP-Symbol: Anzeigen
on der Anzeige. Die Anzeigen stehen fu¨r Instrumente, von
denen sich die gewu¨nschte Gro¨ße ablesen la¨sst. Nach DIN
28004 Teil 4 soll im Anzeigensymbol die Funktion im oberen
Teil durch einen Kennbuchstaben deutlich gemacht werden.
Die Anzeigensymbole sind im Bild 2.14 (Anzeige in Prozess-
leitwarte) entsprechend wiedergegeben (M fu¨r Massenfluss,
T fu¨r die Temperatur, etc.).
Rohrleitungen: Nach Beitz und Ku¨ttner (1986) sind Rohr-
Bild 2.15: TOP-Symbol:
Rohrleitung
leitungen Elemente fu¨r die Fu¨hrung gasfo¨rmiger und flu¨ssi-
ger Fluide. U¨ber die Rohrleitungen ko¨nnen die verschie-
denen Komponenten miteinander zu Strukturen verbunden
werden DIN 2429 Teil 2.
Rohrleitungsverzweigungen und -zusammenfu¨hrungen:
Bild 2.16: TOP-Symbol: Verzwei-
gung, Zusammenfu¨hrung
Diese werden durch einfache T-Stu¨cke wie in Bild 2.1621 ab-
gebildet. U¨berga¨nge zwischen Rohrleitungen und den Ver-
zweigungen bzw. den Zusammenfu¨hrungen sind nicht als
solche dargestellt, sondern erfolgen nahtlos.
Signalleitungen: In den Signalleitungen werden die Signale
Bild 2.17: TOP-Symbol:
Signalleitung
von den Messfu¨hlern zu den Reglern, zwischen den Reglern
und von den Reglern zu den Stellgliedern transportiert. Das
Bild 2.17 zeigt das topologische Symbol fu¨r die Signalleitung
nach DIN 2481.
2.3.3.2 Gesamt- und Untersysteme
Die Komponenten der untersten Zerlegungsstufe werden zu Untersystemen zusammengefaßt.
U¨ber Rohrleitungen (Massenflu¨sse), Verkabelungen (Energieflu¨sse) oder Signalleitungen (Infor-
mationsflu¨sse) sind die verschiedenen Komponenten miteinander verbunden. Die Untersysteme
wiederum werden im Gesamtsystem zu einer U¨bersicht der vollsta¨ndigen Anlage zusammen-
gefasst. In der hierarchischen Betrachtungsweise stellt das Gesamtsystem die ho¨chste Ebene
dar.
21Dargestellt ist jeweils der einfachste Fall (1-in-2 und 2-in-1).
15
2.3 Modellbildungsverfahren in der Prozessvisualisierung
2.3.4 Virtuelle 3D-Prozessvisualisierung – Virt3D
Die Motivation fu¨r das Konzept der Virtuellen 3D-Prozessvisualisierung (Virt3D) ist die Frage-
stellung, auf welche Art und Weise Informationen kodiert werden sollen, um sie bestmo¨glich der
menschlichen Informationsaufnahme und Informationsverarbeitung anzupassen (Wittenberg,
2001b). Engelkamp (1991) schla¨gt ein Modell der menschlichen Informationsverarbeitung vor,
das insbesondere die Unterschiede zwischen sprachlicher und nicht-sprachlicher Informations-
kodierung herausstellt. Das Resultat im Hinblick auf die visuelle Informationsvermittlung ist,
dass bildliche Information vom Menschen schneller und leichter wahrgenommen und verarbeitet
werden ko¨nnen als sprachliche Information. Engelkamp (1991) bezeichnet das als Bildu¨berle-
genheitseffekt. Voraussetzung fu¨r den Bildu¨berlegenheitseffekt ist, dass eine eindeutige und be-
kannte bildliche Kodierung verwendet wird. Basierend auf diesen Erkenntnissen hat Wittenberg
(2001b) die virtuellen Prozesselemente eingefu¨hrt. Die Prozesselemente werden auf der Basis von
verbreiteten und damit bekannten Abbildungen von Musterelementen aus dem jeweiligen Ein-
satzgebiet unter Verwendung der dreidimensionalen Computergraphik modelliert. Die visuellen
Charakteristika dieser Elemente werden dargestellt, um bereits vorhandene Bildmarken zur Er-
kennung des Elements seitens des Operateurs zu aktivieren und Lernprozesse zu minimieren
(Vo¨lkel und Wittenberg, 1999). Die Bildung der fu¨r die Planung von Handlungen und dem
Lo¨sen von Problemen relevanten mentalen Modellen u¨ber das zu fu¨hrende technische System
wird durch bildhaftes Umsetzen der funktionalen Zusammenha¨nge unterstu¨tzt (Dutke, 1994).
Die virtuelle 3D-Prozessvisualisierung verwendet Modellierungstechniken, die urspru¨nglich
fu¨r die dreidimensionale fotorealistische Computergraphik entwickelt wurden. So erreicht man
neben der anschaulichen und intuitiv erkennbaren Darstellung der Elemente auch eine Visua-
lisierung fu¨r deren funktionale Eigenschaft und der zugeho¨rigen Zustandsgro¨ßen (Wittenberg,
2001b). Visuelle Gro¨ßen wie z.B. Fu¨llsta¨nde oder Durchflu¨sse werden in diesem Konzept rea-
lita¨tsnah dargestellt. Nichtvisuelle Gro¨ßen wie Temperaturen oder Dru¨cke sind mit Mitteln
der Farb- bzw. Formkodierung umgesetzt. Besonderer Wert wird auf die Verwendung von Ko-
dierungen gelegt, die im allgemeinen Versta¨ndnis weit verbreitet sind und so einen geringen
Lernaufwand erfordern. So assoziiert der Mensch mit Farben bzw. Farbverla¨ufen bestimmte Ei-
genschaften wie die Temperatur (Frieling, 1982). Forma¨nderungen werden mit Drucka¨nderungen
assoziiert (Houssidas, 1964) und eignen sich ebenfalls zur Visualisierung von Prozessinforma-
tionen (Wittenberg, 1998b). A¨hnlich wie bei den weiter oben bzw. unten beschriebenen Mo-
dellbildungstechniken TOP und EID wird bei dieser Visualisierungstechnik das Gesamtsystem
hierarchisch strukturiert dargestellt, so dass der Problemlo¨seraum fu¨r den Bediener verkleinert
und das System transparenter pra¨sentiert wird. Grundlage dieser Strukturierung sind die in
Analysen ermittelten Aufgaben22 der Bediener und die mit den Aufgaben zusammenha¨ngen-
den Zusta¨nde der beteiligten Prozesselemente - also die zur Erfu¨llung der Aufgabe notwendigen
Prozessinformationen. Ausgehend von der u¨bergeordneten Aufgabe werden Unteraufgaben de-
finiert, die mit zugeho¨rigen Zielen verbunden sind. Bei der Visualisierung der Aufgabe ist es
lediglich notwendig, die beteiligten Elemente und Zustandsgro¨ßen darzustellen. Weitere Pro-
zesseinheiten und -elemente, die sich zwar auch in dem beteiligten Untersystem befinden, aber
nicht zur Aufgabenerfu¨llung beitragen, mu¨ssen nicht dargestellt werden. Die Informationsflut
wird eingeda¨mmt und die dargestellte Information auf das notwendige Maß reduziert. Die aufga-
benorientierte Prozessvisualisierung entlastet den Menschen bei der Identifizierung der Aufgabe
und vermittelt gleichzeitig die mo¨glichen Prozesseingriffe zu deren Erfu¨llung. Werden zusa¨tzlich
die Erfu¨llungsgrade der jeweiligen Aufgaben visualisiert, kann der Mensch die Dringlichkeit des
Eingreifens in den Prozess erkennen und sein Handeln entsprechend planen (Wittenberg, 1997).
Entstanden ist die virtuelle 3D-Prozessvisualisierung im Rahmen der Dissertation von Wit-
tenberg (2001b). Weitere Beschreibungen finden sich in Wittenberg, (1997; 1998b; 1998a; 1999;
2002), Wittenberg und Vo¨lkel (1998), Vo¨lkel und Wittenberg (1999) sowie in Wittenberg
(2001a; 2003).
22Siehe auch Wiese und Settgast (1993).
16
2.3.4 Virtuelle 3D-Prozessvisualisierung – Virt3D
2.3.4.1 Virtuelle Prozesselemente
Die Funktionen der virtuellen Prozesselemente23 entsprechen denen der topologischen Kom-
ponenten aus Abschnitt 2.3.3.1. Im folgenden werden die Besonderheiten der virtuellen 3D-
Prozessvisualisierung, soweit sie ihre Verwendung fu¨r diese Arbeit betrifft, erla¨utert.
Pumpe: In der Industrie existiert eine Vielzahl an
Bild 2.18: Virt3D-Symbol: Pumpe
Pumpenarten und -formen. Aus Gru¨nden der Konsi-
stenz wird, wie schon erwa¨hnt, nur eine Form verwen-
det. Hier sind die charakteristischen visuellen Eigen-
schaften so umgesetzt, dass eine Pumpe leicht und
intuitiv zu erkennen ist. Eine Pumpe setzt sich aus
dem Pumpenko¨rper und der Antriebseinheit zusam-
men. Durch den Pumpenko¨rper wird das zu fo¨rdern-
de Medium geleitet. Er ist durch ein rohrleitungs-
artiges Element dargestellt, das sich an seinen Enden
verju¨ngt und durch Flansche abschließt. Zur Antriebseinheit, die u¨ber dem Pumpenko¨rper po-
sitioniert ist, geho¨ren ein Motor und die zugeho¨rigen beweglichen Teile. Dementsprechend ist
die Antriebseinheit durch Ku¨hlrippen eines realen Pumpenmotors dargestellt. Je nach Zustand
der Pumpe wird der Pumpenko¨rper farblich codiert, fu¨r den Zustand ”eingeschaltet” wird der
Pumpenko¨rper entsprechend dem Medium eingefa¨rbt, fu¨r den Zustand ”ausgeschaltet” bleibt
die Fa¨rbung des Pumpenko¨rpers unvera¨ndert. Zusa¨tzlich ist neben der Antriebseinheit ein recht-
eckiger Kasten dargestellt, der die Tastelemente fu¨r die Pumpe entha¨lt. Durch farbliches Her-
vorheben24 wird die Erkennung des Pumpenzustandes unterstu¨tzt (Wittenberg, 2001b).
Ventil: Die A¨nderung der Durchflussfla¨chen im Ventilko¨rper er-
Bild 2.19: Virt3D-Symbol:
Ventil
folgt wie oben erwa¨hnt durch das Vera¨ndern der Kolbenposition.
Ein Stellmotor, der normalerweise u¨ber dem Ventilko¨rper positio-
niert ist, fu¨hrt diesen Kolbenhub aus. Die funktionale A¨hnlichkeit
zur Pumpe25 wird durch eine visuelle A¨hnlichkeit zu deren virtuel-
len Abbildung ausgedru¨ckt. Die Unterschiede liegen im Motorauf-
bau im oberen Teil des Symbols. Fu¨r das Ventil ist ein charak-
teristischer Stellmotor mit einem Handrad abgebildet. Die beiden
Sa¨ulen und der Hubarm in der Mitte sind typisch fu¨r ein Stellven-
til in der verfahrenstechnischen Industrie. Der Ventilzustand wird
a¨hnlich wie der Pumpenzustand wiedergegeben. Die A¨hnlichkeit
der Elemente ist beabsichtigt, um beide Abbildungen in einfacher Weise der verallgemeiner-
ten Funktion aus der Abstraktionsdimension nach Rasmussen (1986) – hier dem Transport –
zuordnen zu ko¨nnen.
Wa¨rmetauscher:Das vonWittenberg (2001b) vorgeschlagene Sym-
Bild 2.20: Virt3D-Symbol:
Wa¨rmetauscher
bol fu¨r den Wa¨rmetauscher ist dem normalerweise in der Industrie
fu¨r Destillationskolonnen verwandten Rohrbu¨ndelwa¨rmetauscher
(Deibele et al., 1997) angelehnt. Ein derartiger Wa¨rmetauscher
verfu¨gt im Inneren u¨ber ein Rohrbu¨ndel, durch das, je nach Art,
warmes oder kaltes Medium stro¨mt und so das Medium, das das
Rohrbu¨ndel umstro¨mt, erhitzt bzw. ku¨hlt (Ignatowitz, 1992). Mit
den Farben Rot und Blau werden im allgemeinen Temperaturen
assoziiert (Frieling, 1982; Heller, 1989). Unterschiedliche Tempe-
raturniveaus lassen sich durch diese Farbto¨ne codieren. Mit dem
Farbton Rot werden hohe, mit Blau niedrige Temperaturen impli-
ziert. Nach diesem Vorbild setzt Wittenberg (2001b) die graphische
Darstellung des Wa¨rmetauschers, wie in Bild 2.20 zu sehen, um.
Wa¨rmetauscher fu¨r die Zufuhr von Wa¨rmeenergie besitzen eine
rote Fa¨rbung, fu¨r die Wa¨rmeabfuhr eine blaue Fa¨rbung.
23Im folgenden werden die virtuellen Prozesselemente aus Konsistenzgru¨nden Virt3D-Komponenten genannt.
24Fu¨r den ausgeschalteten Zustand Rot, fu¨r den eingeschalteten Zustand Gru¨n. Die A¨hnlichkeit zu einer
Verkehrsampel unterstu¨tzt den Erkennungsvorgang.
25Beide Komponenten dienen dem Flu¨ssigkeitstransport. 17
2.3 Modellbildungsverfahren in der Prozessvisualisierung
Beha¨lter: Nach Wittenberg
hist < hsoll hist > hsoll hist = hsoll
Bild 2.21: Virt3D-Symbol: Beha¨lter
(2001b) wird ein Beha¨lter als
senkrechter zylindrischer Ko¨r-
per mit konusfo¨rmigen Enden
dargestellt. Die Ein- und Aus-
flusso¨ffnungen werden mittig
an den Enden oben bzw. un-
ten positioniert, um die Erken-
nung der Fliessrichtung zu ver-
einfachen. Die Anschlu¨sse der
jeweiligen Rohrleitungen sind
durch Flansche repra¨sentiert. Geeigneterweise wa¨hlt man fu¨r den Farbton der Fu¨llstandsdarstel-
lung einen dem Mediums entsprechenden Farbton, der jedoch einen starken Kontrast zur Farbe
der eigentlichen Beha¨lterdarstellung aufweisen sollte. In Bild 2.21 ist das Symbol des Beha¨lters
zu sehen. Ganz links in Bild 2.21 ist das Virt3D-Beha¨ltersymbol fu¨r einen niedrigen Fu¨llstand
zu sehen. Die Linie fu¨r den Sollwert liegt u¨ber der Fu¨llwertsanzeige in Form der Objektfu¨llung.
Fu¨r einen Fu¨llstand ho¨her als der Sollwert liegt die Sollwertlinie unter der Objektfu¨llung (Bild
2.21 Mitte). Entspricht der Sollwert dem Istwert verschwindet die Sollwertlinie.
Regler: In der Realita¨t sind Regler auf verschiede-
Bild 2.22: Virt3D-Symbol: Regler
ne Weise gestaltet. So ko¨nnen die Werteangaben in
Form von numerischen oder Balkenanzeigen, die die
entsprechenden Zustandsgro¨ßen anzeigen, dargestellt
sein. Die Werteangabe wird im virtuellen Symbol von
Bild 2.22 durch die Anzeige im oberen Teil wieder-
gegeben. Aus Konsistenzgru¨nden wird fu¨r diese Ar-
beit ein vera¨ndertes virtuelles Prozesselement fu¨r die
Abbildung des Reglers eingefu¨hrt. Das untere Sym-
bol von Bild 2.22 zeigt einen grauen Quader, der das
Geha¨use eines reellen Reglers nachbilden soll. Im lin-
ken Teil des Symbols befindet sich eine Anzeige, die
u¨ber den Zustand des Reglers Auskunft gibt.
Die virtuellen Prozesselemente von Wittenberg
werden um die nachfolgenden Symbole erweitert, um
den in Abschnitt 5.1 beschriebenen Beispielprozess
abbilden zu ko¨nnen.
Fo¨rderer: Da Fo¨rderer Stoffe in fester Form trans-
Bild 2.23: Virt3D-Symbol: Fo¨rderer
portieren, ist das Symbol als Bandfo¨rderer gestaltet.
Zwischen zwei Achsen ist das in mehrere Sektionen
unterteilte Fo¨rderband aufgespannt. Die Sektionen
nehmen das von oben einfallende Medium auf, trans-
portieren es – in diesem Fall von rechts nach links
– zur angeschlossenen Komponente. In der Realita¨t
handelt es sich bei dem Fo¨rderer um eine von au-
ßen sichtbar bewegte Komponente26, weshalb an dieser Stelle die Eigenschaft der Animation
eingefu¨hrt wird. Ist der Fo¨rderer eingeschaltet, bewegen sich die Sektionen des virtuellen Pro-
zesselements in Drehrichtung. Die Fo¨rderung des Mediums wird durch dessen Weiterbewegen
u¨ber das Fo¨rderband und das Ausschu¨tten in Bild 2.23 links visualisiert.
26Umlaufende Bewegung des Fo¨rderbandes.
18
2.3.4 Virtuelle 3D-Prozessvisualisierung – Virt3D
Ru¨hrwerk: Wie auch beim Fo¨rderer handelt es sich
Bild 2.24: Virt3D-Symbol: Ru¨hrwerk
beim Ru¨hrwerk um eine sichtbar bewegte Komponen-
te. Dementsprechend ist diese Komponente ebenfalls
als Animation realisiert. Das Bild 2.24 zeigt einen Ro-
tor, der im eingeschalteten Zustand um die Hochach-
se rotiert.
Motor: Das virtuelle Symbol fu¨r den Motor zeigt
Bild 2.25: Virt3D-Symbol: Motor
einen u¨blichen Elektromotor. U¨ber ein Getriebe wird
die ganz rechts positionierte Achse angetrieben.
Anzeigen: Fu¨r die Wiedergabe von Anzeigeinstrumen-
Bild 2.26: Virt3D-Symbol: Anzeigen
ten als virtuelle Elemente wurden verschiedene, aber
sich a¨hnelnde, Visualisierungen mit Skalen und Zei-
gern gewa¨hlt, um so die Unterschiede zwischen den
Anzeigen deutlich zu machen. Das Bild 2.26 zeigt die
verschiedenen Visualisierungen fu¨r Massenfluss, Tem-
peratur und Fu¨llstand.
Rohrleitungen: Die Rohrleitungen als Verbindungen
m˙PLN = 0 m˙PLN > 0
Bild 2.27: Virt3D-Symbol: Rohrleitung
zwischen Komponenten werden als graue Ro¨hren ge-
zeichnet, deren innerer Farbton dem durchfließenden
Medium entspricht. Durchflu¨sse von Medien werden
also in farbigem Kontrast zur eigentlichen Kompo-
nente wiedergegeben. Verbindungen zu anderen Kom-
ponenten erfolgen u¨ber die an den Enden dargestell-
ten Flansche.
Verzweigungen, Zusammenfu¨hrungen: Die Verzwei-
m˙RMF = 0 m˙RMF > 0
Bild 2.28: Virt3D-Symbol: Rohrleitung –
Verzweigung
gungen bzw. Zusammenfu¨hrungen von Rohrleitun-
gen der Bilder 2.28 und 2.29 werden in Aba¨nderung
der Originalformulierung perspektivisch wiedergege-
ben, um durch die angedeutete ra¨umliche Darstel-
lung die aufteilende bzw. zusammenfu¨hrende Eigen-
schaft dieser Komponente zu betonen. Ebenso wie bei
den Rohrleitungen sind an den Enden Flansche fu¨r
die Verbindung zu den Rohrleitungen dargestellt. Der
durchstro¨mte Teil wird ebenfalls entsprechend dem
Fließmedium eingefa¨rbt.
m˙CNTupp
in
= 0 m˙CNTupp
in
> 0 m˙CNTupp
in
= 0 m˙CNTupp
in
> 0
m˙CNT low
in
= 0 m˙CNT low
in
= 0 m˙CNT low
in
> 0 m˙CNT low
in
> 0
m˙CNTout = 0 m˙CNTout > 0 m˙CNTout > 0 m˙CNTout > 0
upp
inCN
m&
low
inCN
m&
outCN
m&
Bild 2.29: Virt3D-Symbol: Rohrleitung – Zusammenfu¨hrung
19
2.3 Modellbildungsverfahren in der Prozessvisualisierung
Klappe: Das Virt3D-Symbol der Klappe wird als verdicktes Rohr- m˙LD = 0 m˙LD > 0
Bild 2.30: Virt3D-Symbol:
Klappe
element dargestellt.
Signalleitungen: In Erweiterung zur originalen Formulierung von
Bild 2.31: Virt3D-Symbol:
Signalleitung
Wittenberg (2001b) werden fu¨r diese Arbeit Signalleitungen sta¨rker
der Realita¨t angelehnt dargestellt. Auf diese Weise wird verdeut-
licht, dass es sich nicht um Verbindungen im Sinne der Rohrlei-
tungen (Massentransport) handelt, sondern um Signalflussverbin-
dungen (Informationsu¨bermittlung).
2.3.4.2 Gesamt- und Untersysteme
Die virtuellen Prozesselemente werden, wie auch die topologischen Komponenten, auf der unter-
sten Zerlegungsstufe zu Untersystemen zusammengefasst. U¨ber Rohrleitungen (Massenflu¨sse),
Verkabelungen (Energieflu¨sse) oder Signalleitungen (Informationsflu¨sse) sind auch hier die ver-
schiedenen Elemente verbunden. Die Untersysteme werden ebenfalls im Gesamtsystem zu einer
U¨bersicht der gesamten Anlage zusammengefasst.
2.3.5 Ecological Interface Design – EID
Eine weitere Mo¨glichkeit, Mensch-Maschine-Schnittstellen zu entwickeln, ist das Ecological
Interface Design (EID) von Vicente und Rasmussen (1990). EID basiert auf den Prinzipien der
o¨kologischen Psychologie27(Gibson, 1979) und verwendet die Ziel-Mittel-Darstellung als Spezi-
fikation des Inhalts oder der Struktur der Schnittstelle. Die Funktionen des Prozesses werden
durch die geometrische Abbildung der mathematischen Beziehungen (Mappings) zwischen den
relevanten Prozessgro¨ßen sichtbar gemacht. Auf diese Weise kann die direkte Wahrnehmung -
viel Information bei gleichzeitiger geringer Interpretationsnotwendigkeit - fu¨r die Schnittstelle
realisiert werden. Dem Ecological Interface Design liegen die Handlungsmodelle von Rasmussen
(1983) fu¨r die Informationsverarbeitung des Menschen zugrunde. Sie ermo¨glichen den Entwurf
einer funktionell-zielorientierten Oberfla¨che, die den Bediener in unvorhersehbaren und unerwar-
teten Situationen des Systems unterstu¨tzt. Aus den Vorga¨ngen der Informationsverarbeitung
des Menschen werden Ziele fu¨r die Modellbildung mit EID formuliert und, um diesen Zielen zu
genu¨gen, entsprechende Prinzipien formuliert. Im Gegensatz zum unten beschriebenen MFM
sind in EID Massen- und Energieflu¨sse nicht separat, sondern in verbundenen, sich aufeinander
beziehenden Darstellungen wiedergegeben. Fu¨r den Fall direkter Beeinflussung von Energie-
durch Massenflu¨ssen hat diese Verknu¨pfung den Vorteil, Wirkungen untereinander unmittelbar
verfolgen zu ko¨nnen. Das ist in der diskreten Darstellung von MFM nicht ohne weiteres mo¨glich.
Die Modellbildung mit EID beruht auf drei grundlegenden Prinzipien (Rasmussen und Vicen-
te, 1992): Unterstu¨tzung von Interaktion, Abbildung des Systemverhaltens auf geometrische
Objekte und Darstellung eines Systems u¨ber Abstraktionsebenen. Jedes Prinzip korrespondiert
zu einer der kognitiven Ebenen der Informationsverarbeitung des Menschen28. Durch Beru¨ck-
sichtigen dieser Prinzipien kann jede kognitive Ebene durch das EID-Modell unterstu¨tzt werden;
der Entwurf einer funktionell-zielorientierten Oberfla¨che, die den Bediener in unvorhersehbaren
und unerwarteten Situationen des Systems unterstu¨tzt, ist mo¨glich.
Als Auszug aus der reichhaltigen Literatur zu EID seien als weitergehende Quellen die folgen-
den Vero¨ffentlichungen verschiedener Anwendungsbereiche genannt. Grundlegend beschrieben
wird EID bei Vicente und Rasmssen (1992). Technische Anwendungen beschreiben z.B. Sakuma
et al. (1995) (Kernkraftwerk), van Paassen (1997) (Zementwerk), Dinadis und Vicente (1999),
Mulder et al. (2004) (beide Flugzeuginstrumentierung), Duez und Vicente (2003), Burns et al.
27Die o¨kologische Psychologie untersucht die Beziehungen des Menschen zu seiner Umgebung (auch zu seiner
Arbeitsumgebung).
28Siehe Abschnitt 2.1.6.
20
2.3.5 Ecological Interface Design – EID
(2003) (beide Netzwerk-Management) sowie Jamieson (2002a) und Jamieson et al. (2003) (Pe-
trochemie). Eine Wirtschaftswissenschaftliche Anwendung nennt Achonu und Jamieson (2003)
(Portfolio-Management). Burns und Hajdukiewicz (2004) haben ein Buch u¨ber EID verfaßt. In
Christoffersen et al. (1996; 1997; 1998), Vo¨lkel (2001a) und Jamieson (2002b) sind Bewertungen
der Methode zu finden.
2.3.5.1 Unterstu¨tzung von Interaktion
Die Unterstu¨tzung der Interaktion zwischen dem technischen System und dem Bediener stellt
das erste Prinzip dar. Sie korrespondiert zur Informationsverarbeitungsebene der sensomoto-
rischen Fertigkeiten oder Verhaltensweisen von Abschnitt 2.1.6 und soll diese verbessern. Die
Interaktion vollzieht sich mittels des Wahrnehmungs-Handlungs-Kreislaufes, in dem Informatio-
nen direkt mit Handlungen verknu¨pft werden. Um diesen Kreislauf wirksam zu unterstu¨tzten,
sollte der Bediener in der Lage sein, direkt an der Schnittstelle zu handeln (Direct Manupulation
Interfaces) (Rasmussen, 1990). Dieses abstrakte Prinzip impliziert, dass die jedem technischen
System zugrunde liegende Systemstruktur sichtbar gemacht werden sollte, um ein schnelles und
effektives Koordinieren innerhalb der Oberfla¨che zu ermo¨glichen. Die Interaktion wird bereits
durch die erwa¨hnte Einfu¨hrung der Direct Manipulation Interfaces unterstu¨tzt. Das direkte
Handeln ist z.B. durch eine Computermaus zu erreichen, u¨ber die Ventilo¨ffnungsgrade durch
Verstellen eines Schiebereglers vera¨nderbar sind oder Pumpen durch Anklicken des Symbols
ein- oder ausgeschaltet werden ko¨nnen.
2.3.5.2 Abbildung des Systemverhaltens
Das Systemverhalten, das bei technischen Systemen meist durch eindeutige physikalische Ge-
setzma¨ßigkeiten beschrieben werden kann, wird auf geometrische Elemente abgebildet. Durch
diese Abbildung, den so genannten Mappings, lassen sich fu¨r den Bediener Regeln erschließen,
die zu entsprechenden Handlungen fu¨hren. So ergibt sich der Bezug zur Informationsverarbei-
tungsebene des regelbasierten Verhaltens von Kapitel 2.1.6. Das Ziel ist hier, das ”Unsichtbare”
sichtbar zu machen und dem Bediener das Gefu¨hl zu vermitteln, dass er direkt die internen
Funktionen des Systems steuert und sie nicht u¨ber ein Computersystem ausfu¨hrt. Durch diese
Art der Abbildung werden die Wahrnehmungsfunktionen des Menschen besser aktiviert und des-
sen Handlungsfa¨higkeit gesta¨rkt. Fu¨r die Abbildung des Systemverhaltens werden beispielhaft
fu¨r Massen- und Energiebilanzen verschiedene Gleichungen aufgestellt. Aus diesen Gleichungen,
u.a. fu¨r die Prozessgro¨ßen des Fu¨llstands oder der Temperatur, lassen sich die geometrischen
Objekte, die Mappings, entwickeln.
Abbildung der Systemeigenschaft Fu¨llstand – Massenbilanz: Die Gleichungen fu¨r die Mas-
senbilanz beziehen sich auf den Fu¨llstand. In der Grundgleichung 2.1 erhalten eingehende Mas-
senflu¨sse m˙ini ein positives und ausgehende m˙outi ein negatives Vorzeichen. U¨ber den Faktor
mit der reziproken Dichte % und der Fla¨che A erha¨lt man die Fu¨llstandsa¨nderung nach der Zeit.
Nach Integration und Umstellung ergibt sich Gleichung 2.2 fu¨r den Fu¨llstand zum Zeitpunkt
tn:
dh
dt
=
1
%A
Nm˙in∑
i=1
m˙ini(t)−
Nm˙out∑
j=1
m˙outj (t)
 (2.1)
h(tn) =
∆t
%A
Nm˙in∑
i=1
m˙ini(tn)−
Nm˙out∑
j=1
m˙outj (tn)
+ h(tn−1) (2.2)
Abbildung der Systemeigenschaft Wa¨rme – Energiebilanz: Die Gleichungen der Energiebi-
lanz werden fu¨r die im Prozess enthaltene Wa¨rme hergeleitet. In der Ausgangsgleichung 2.3
sind neben der spezifischen Wa¨rmekapazita¨t cp, der Dichte % des wa¨rmespeichernden Mediums
21
2.3 Modellbildungsverfahren in der Prozessvisualisierung
und der Fla¨che A, die Temperatur T sowie der eben hergeleitete Fu¨llstand h enthalten. Nach
Umstellung, Vereinfachung und Integration folgt fu¨r die im Prozess gespeicherte Wa¨rme die
Gleichung 2.4 (Beitz und Ku¨ttner, 1986; Baehr, 1996).
Q = cp %Ah(t) (T − T0) (2.3)
Q(tn) = cp∆t (T − T0)
Nm˙in∑
i=1
m˙ini(tn)−
Nm˙out∑
j=1
m˙outj (tn)
+Q(tn−1) (2.4)
Abbildung der Systemeigenschaft Temperatur: Die Temperatur ist eine der interessierenden
Zustandsgro¨ßen, deren Betrag von den Gro¨ßen der Massen- und der Energiebilanz beeinflusst
wird. Fu¨r die Temperatur gilt:
T =
Q(t)
A% cp h(t)
+ T0
2.3.5.3 Bildung der geometrischen Objekte
Die oben aufgestellten Gleichungen ko¨nnen als eine Art von Wissen u¨ber den entsprechenden
Prozess betrachtet werden. Folgt man dem Ziel, das Unsichtbare sichtbar zu machen, bildet
man geometrische Objekte, die die in den Gleichungen enthaltenen Gro¨ßen wiedergeben, d.h.
die Systemeigenschaften werden auf den geometrischen Objekten abgebildet.
Geometrieobjekt fu¨r die Massenbilanz: Nach der
Bild 2.32: EID-Modell: Mapping fu¨r die
Massenbilanz/Fu¨llstand
Aufstellung der Gleichungen kann das geometrische
Objekt fu¨r das Abbilden der Systemeigenschaft Fu¨ll-
stand entwickelt werden. Die obere Kante des in Bild
2.32 gezeigten Objektes entspricht den eingehenden
Massenflu¨ssen, ihre La¨nge xMin dem Betrag des Mas-
senflusseingangs
∑
m˙ini(Gleichung 2.5). Die ausge-
henden Massenflu¨sse sind an der Unterkante darge-
stellt, ihre La¨nge xMout entspricht dem Betrag des
Massenflussausganges
∑
m˙outi (Gleichung 2.6). Die
Verbindung der Linien fu¨r den Masseneingang und
-ausgang ergeben eine Tendenz, in diesem Fall fu¨r
den mit der horizontalen Linie gekennzeichneten Fu¨ll-
stand.29 Der u¨ber Gleichung 2.2 bestimmte Fu¨llstand
wird in der Abbildung mit der Ho¨he yM (Gleichung
2.7) der horizontalen Linie abgebildet.
xMin =
Nm˙in∑
i=1
m˙ini(t) (2.5)
xMout =
Nm˙out∑
j=1
m˙outj (t) (2.6)
yM = h(tn) =
∆t
%A
Nm˙in∑
i=1
m˙ini(tn)−
Nm˙out∑
j=1
m˙outj (tn)
+ h(tn−1) (2.7)
29Fu¨r den in Bild 2.32 dargestellten Zusammenhang ist der Zufluss kleiner als der Abfluss. Die Verbindungslinie
besitzt eine negative Steigung, d.h. der Fu¨llstand wird fallen.
22
2.3.5 Ecological Interface Design – EID
Geometrieobjekt fu¨r die Energiebilanz:Der Aufbau dieses
Bild 2.33: EID-Modell: Mapping fu¨r
die Energiebilanz - Wa¨rme
Objektes entspricht in der Struktur dem Geometrieobjekt
der Massenbilanz. Fu¨r die obere Kante sind in der Gro¨ße
xEin die Energieeinga¨nge
∑
Q˙ini aufsummiert. Die unte-
re Kante umfasst mit xEout die Energieausga¨nge
∑
Q˙outi .
Fu¨r die Energiebilanz ergibt die Verbindung von Zu- und
Abflu¨ssen die Tendenz fu¨r den Energieinhalt des Systems30,
der in Bild 2.33 als waagerechte Linie zu sehen ist. Der Be-
trag von yE entspricht demnach dem Energieinhalt Q(t)
aus Gleichung 2.4.
xEin =
NQ˙in∑
i=1
Q˙ini(t)
xEout =
NQ˙out∑
j=1
Q˙out(t)
yE = cp∆t (T − T0)
Nm˙in∑
i=1
m˙ini(tn)−
Nm˙out∑
j=1
m˙outj (tn)
+Q(tn−1)
Geometrieobjekt fu¨r die Temperatur: Mit den hergeleite-
xTE
xTM
y
M
T
y
E
T
g
T
Bild 2.34: EID-Modell: Mapping fu¨r
die Temperatur
ten Zusammenha¨ngen ergeben sich die unten aufgefu¨hrten
Gleichungen und die im Bild 2.34 gezeigten Beziehungen
zwischen der Temperatur T auf der einen sowie dem Fu¨ll-
stand h und dem Wa¨rmeinhalt Q auf der anderen Seite. Die
entstandene Graphik wird im folgenden als Verbindungs-
objekt bezeichnet, da es die beiden Bilanzobjekte zusam-
menfu¨hrt. Der Wert von xTM ist fest und wird von Vera¨nde-
rungen in den anderen Gro¨ßen nicht beeinflusst. Der Wert
von yTM entspricht dem Fu¨llstand h, der Wert von yTE dem
Energieinhalt Q. Der Wert von xTE ergibt sich aus dem Auf-
treffen der Linie fu¨r den Energieinhalt auf die Temperatur-
gerade, da der Wert von xTM auf der Abszisse einen festen
Wert aT besitzt. xTE ist also neben dem Wert von yTE auch
abha¨ngig vom Winkel γT . Nach Gleichung 2.8 verha¨lt sich
der Winkel γT proportional zum Fu¨llstand31, was fu¨r die
Temperatur z.B. bei steigendem Fu¨llstand und konstantem Energieinhalt eine Vergro¨ßerung
des Winkels γT und so eine niedrigere Temperatur zur Folge hat:
xTM = aT = konst.
tan γT =
Q(t)
xTE
=
Ah(t)
xTM
=
Ah(t)
aT
→ xTE =
Q(t)
tan γT
=
aT Q(t)
Ah(t)
T =
Q(t)
A% cp h(t)
+ T0 → Q(t) = A% cp (T − T0)h(t)
xTE =
aT Q(t)
Ah(t)
=
aT A% cp (T − T0) h(t)
Ah(t)
mit aT A% cp = 1→ xTE = T − T0
30Der Energiezufluss in Bild 2.33 ist gro¨ßer als der Energieabfluss, d.h. der Energieinhalt wird ansteigen.
31Die Gro¨ßen cp, % und A werden als konstant angenommen.
23
2.3 Modellbildungsverfahren in der Prozessvisualisierung
yTM = yM = h(t) =
∆t
%A
Nm˙in∑
i=1
m˙ini(t)−
Nm˙out∑
j=1
m˙outj (t)

yTE = yE = q(t) = cp %A (T − T0)h(t)
γT = arctan
yTE
xTE
γT ∼ h(t) (2.8)
Gesamtdarstellung fu¨r Masse, Energie und
Bild 2.35: EID-Modell: Lineare Abha¨ngigkeit
Mapping Gesamtdarstellung
Temperatur: Bild 2.35 zeigt die komplette
EID-Abbildung der Zusammenha¨nge zwi-
schen der Massen-, der Energiebilanz und
der Temperatur sowie die Bezeichnungen
der Linien. Zu sehen ist, wie die abgeleite-
ten Gleichungen in eine gemeinsame geome-
trische Darstellung u¨berfu¨hrt werden und
so das EID-Ziel, das Unsichtbare sichtbar
zu machen, erreicht wird. A¨ndert sich auf-
grund a¨ußerer Einflu¨sse der Energieinhalt,
vera¨ndert sich yE und so auch yTE . Kon-
stanter Fu¨llstand h vorausgesetzt, d.h. γT =
konst., a¨ndert sich der Wert von xTE in
Abha¨ngigkeit von der Art der Energiea¨nde-
rung. Steigt der Energieinhalt, vergro¨ßert
sich yTE und so auch xTE , d.h. die direkt mit dieser Gro¨ße verbundene Temperatur T steigt
ebenfalls an. Im gegenteiligen Fall einer Energiereduzierung verringert sich der Wert von xTE ,
die Temperatur sinkt. A¨ndert sich nun der Wert des Fu¨llstandes h(t), a¨ndert sich – fu¨r diesen
Fall sei konstanter Energieinhalt angenommen – auch yTM . Da xTM jedoch einen festen Wert
besitzt, haben die Vera¨nderungen hier eine Vergro¨ßerung bzw. Verkleinerung des Winkels γT
zur Folge. Bei steigendem Volumen wird der Winkel gro¨ßer, was eine Verringerung der Tem-
peratur32 zur Folge hat. Der Grund dafu¨r liegt in der Verschiebung der Temperaturgeraden.
Durch den gro¨ßeren Winkel verkleinert sich xTE und so auch die Temperatur.
33
Nichtlineare Zusammenha¨nge: Der Nach-
xM
x
x
xE
b
x
L
x
R
b 2
y
E
b
y
x
MEE xayx +=
2
Bild 2.36: EID-Modell: Nichtlinearer Zusammenhang
teil der originalen Formulierung liegt in der
Beschra¨nkung auf lineare Zusammenha¨nge.
Da in den meisten Fa¨llen der Prozessmodel-
lierung aber nichtlineare Zusammenha¨nge
eher die Regel denn die Ausnahme sind,
wird exemplarisch ein nichtlinearer Zusam-
menhang fu¨r das Verbindungsobjekt von Bild
2.34 eingefu¨hrt. Bei nichtlinearen Zusam-
menha¨ngen verlieren die EID-Mappings den
Vorteil des schnellen Erkennens von System-
zusta¨nden. Auch das Ableiten zuku¨nftiger
Geschehnisse auf Basis der Tendenzen ist
schwieriger. Das Bild 2.36 zeigt das nicht-
lineare Mapping fu¨r einen quadratischen Zu-
sammenhang. Hier bestimmt die aus dem
linken Objekt kommende Zustandsgro¨ße ξL
nach Gleichung 2.9 die Verschiebung auf
der x′-Achse. Je na¨her der Istwert der im linken Mappings dargestellten Prozessgro¨ße an ih-
ren Sollwert liegt, desto geringer ist die Verschiebung xM der Kurve. Den Wert von a und so
den Verlauf der Kurve bestimmt die Prozessgro¨ße ξR aus dem rechten Mapping. Auch hier ist
32Gleichbleibender Energieinhalt war vorausgesetzt.
33Umgekehrt passiert alles anders herum. Ein fallender Fu¨llstand ergibt eine spitzeren Winkel γT und so ein
vergro¨ßertes xTE , demnach steigende Temperaturen.
24
2.3.6 Multilevel Flow Modeling - MFM
das Verha¨ltnis von Istwert zu Sollwert maßgebend. Stimmen beide Istwerte mit den Sollwerten
u¨berein ergibt sich fu¨r das Maß der hier interessierenden Zustandsgro¨ße xξ der maximal mo¨gli-
che Wert c. In allen anderen Fa¨llen ist der Wert von xξ geringer. Es ergeben sich die folgenden
Gleichungen:
xξ = b− (xE + xM )
xE = a y2E + xM
a =

ξRsoll
ξR
ist
: ξRist ≤ ξRsoll
ξRist
ξR
soll
: ξRist > ξ
R
soll
xM =

b
(
1− ξList
ξL
soll
)
: ξList ≤ ξLsoll
b
(
1− ξLsoll
ξL
ist
)
: ξList > ξ
L
soll
(2.9)
2.3.5.4 Darstellung eines Systems u¨ber Abstraktionsebenen
Nach Rasmussen und Vicente (1992) wird fu¨r das dritte Prinzip die Darstellung eines techni-
schen Systems auf den verschiedenen Abstraktionsebenen34 formuliert. Dieses Entwurfsprinzip
sieht vor, die Abstraktionsebenen als Entwurfswerkzeug fu¨r EID-Modelle zu nutzen. Sie spezi-
fizieren und strukturieren den Inhalt der Oberfla¨che und ermo¨glichen es, komplexe technische
Systeme u¨berschaubar zu machen. Setzt man die Abstraktionsebenen bei der Gestaltung einer
Oberfla¨che ein, so ko¨nnen sie fu¨r den Bediener als normatives Modell dienen, dass Gedan-
kenexperimente und andere Planungsaktivita¨ten unterstu¨tzt. Das hier beschriebene Prinzip
korrespondiert zur Ebene des wissensbasierten Verhaltens.
Auf der untersten Abstraktionsebene befinden sich die Gesamt-Teil-Darstellung eines Sys-
tems, d.h. die Ausstattung, aus der es besteht. Dazu geho¨ren topologischen Teilsysteme und
Komponenten35. In EID wird die unterste Abstraktionsebene durch die weiter oben beschrie-
benen topologischen Komponenten wiedergegeben. Die Mappings bilden die ho¨chste Abstrak-
tionsebene. Beide Ebenen werden in EID gleichzeitig dargestellt. Die Verbindungen zwischen
den beiden sind durch Linien wiedergegeben.
2.3.6 Multilevel Flow Modeling - MFM
Das von Lind (1990) entwickelte Multilevel-Flow-Modeling (MFM) war urspru¨nglich als For-
malisierung der Abstraktionsdimension nach Rasmussen (1986) gedacht. Jedoch hat sich MFM
im Laufe der Zeit weiterentwickelt und kann nun als unabha¨ngige Methodik angesehen wer-
den (Petersen, 2000). MFM basiert auf den in Abschnitt 2.1.4 beschriebenen Konzepten der
Ziel-Mittel- und der Gesamt-Teil-Sichtweisen. Entlang der Ziel-Mittel-Achse wird ein System in
Begriffen von Zielen, Funktionen und physikalischen Komponenten beschrieben. Zur gleichen
Zeit kann jede dieser Beschreibungen auf verschiedenen Zerlegungsebenen entlang der Gesamt-
Teil-Achse betrachtet werden.
Die Ziele sind der Zweck oder die Absichten des Entwicklers, fu¨r die das System entwickelt
wurde. Zu erreichen sind die Ziele durch Funktionen, fu¨r die einfache funktionelle Konzepte
genutzt werden. Diese Konzepte beziehen sich auf die Steuerung von miteinander verbundenen
Flu¨ssen. Die Funktionen wiederum werden von den Komponenten realisiert. So sind die Funk-
tionen Mittel fu¨r die Ziele, und die Komponenten Mittel fu¨r die Funktionen. Die funktionalen
Zusammenha¨nge werden im MFM-Modell, wie erwa¨hnt, durch verschiedene Typen funktionaler
34Siehe Abschnitt 2.1.4.
35Siehe Abschnitt 2.3.3.1.
25
2.3 Modellbildungsverfahren in der Prozessvisualisierung
Konzepte beschrieben. Diese Typen sind als graphische Flussfunktionssymbole in einer graphi-
schen Repra¨sentationssprache vorgeschlagen worden, deren Kopplung einer speziellen Syntax
folgt. Diese Symbole stehen also nicht, wie z.B. in traditionellen Fließbildern u¨blich, fu¨r phy-
sikalische Komponenten, sondern fu¨r funktionale Vorga¨nge. Da MFM als auch EID nicht nur
eine Modellbildungsebene verwenden, sondern Prozesse auch auf abstraktere Weise beschreiben,
werden sie als kognitionsbezogene Sichten bezeichnet.
Nach Larsson (1992) beschreibt MFM die funk-
Bild 2.37: MFM-Modell: Ziel-Mittel- und
Gesamt-Teil-Dimension in
MFM
tionale Struktur eines Systems als eine Anzahl sich
aufeinander beziehender Flussstrukturen auf unter-
schiedlichen Abstraktionsstufen, die u¨ber besondere
Beziehungen miteinander verbunden sind. Nach der
originalen Formulierung von Lind (1990) geht es bei
MFM darum, ein Modell eines von Menschen fu¨r einen
bestimmten Zweck oder mit einer bestimmten Ab-
sicht realisierten Systems36 zu entwickeln. Obgleich
die funktionale Struktur eines technischen Systems
z.B. fu¨r die Problemlo¨sungsta¨tigkeiten des Menschen
sehr viel wichtiger als die physikalische Struktur ist,
werden in klassischen Informationsdarstellungen fu¨r
den Bediener die funktionalen Zusammenha¨nge kaum
und der funktionale Zweck noch weniger wiedergege-
ben (Johannsen, 1993).
Eine ausfu¨hrliche Einfu¨hrung in die MFM-Modellbildung findet sich u.a. bei Lind (1990)
und Larsson (1992; 1996). Einen guten U¨berblick der entwickelten MFM-Algorithmen und
der verschiedenen MFM-Projekte erha¨lt man in Larsson (2002) und Larsson et al. (1997).
Dahlstrand (1998) und O¨hman (2000) beschreiben Anwendungsmo¨glichkeiten von MFM. Dis-
sertationen zum Thema MFM stammen von Osman (1992), Walseth (1992), Larsen (1993),
Jørgensen(1993a; 1993b), Poulsen (1997), Cherifi (1998) und Petersen (2000). Zhou et al. (2004)
haben einen Editor fu¨r MFM-Modelle entwickelt, der auch andere Darstellungen entha¨lt. Eine
Bewertung von MFM ist in Vo¨lkel (2001a; 2001b; 2003a) zu finden.
2.3.6.1 Ziele
Larsson (1992) definiert ein Ziel als das Ergebnis, auf das bestimmte Aktivita¨ten eines Systems
gerichtet sind. Ziele existieren hinsichtlich der Sicherheit, der Produktion und der Wirtschaft-
lichkeit. Das Ziel-Objekt kann Attribute besitzen, z.B. eine textliche Beschreibung oder eine
Zustandsbeschreibung, ob das Ziel erreicht wurde oder nicht.
Petersen (2000) fu¨hrt als Ebene unter den Zielen37 den Begriff der Objectives ein. Nach
seiner Definition bezeichnen die Objectives genauere Vorgaben von Zielen, z.B. in welchem
Wertebereich eine Gro¨ße einzuhalten ist. Ziele sind nach Petersen (2000) eher allgemein ge-
haltene Aussagen u¨ber Prozessziele, wie z.B. Betrieb aufrechterhalten. Fu¨r diese Arbeit wird
nicht zwischen Zielen und Objectives unterschieden, da die Unterscheidung keine graphischen
Auswirkungen hat. Daher sind die Objectives fu¨r die Gestaltung der MFM-Bedienoberfla¨che
an dieser Stelle nicht von Belang.
Lind und Larsson nennen drei Arten von Ziele: Produktionsziele, Sicherheitsziele und Wirt-
schaftlichkeitssziele. Produktionsziele dru¨cken aus, dass Produktion mo¨glich ist, wenn sich Pro-
zessgro¨ßen innerhalb vorgegebener Wertebereiche bewegen. Liegt der Wert fu¨r eine Gro¨ße ξ
innerhalb des von ξmin und ξmax aufgespannten Wertebereichs, gilt das entsprechende Produk-
tionsziel als erfu¨llt, siehe Gleichung 2.10.
ξmin ≤ ξ ≤ ξmax (2.10)
36Lind (1990) definiert ein System in diesem Zusammenhang als
”
zielgerichtete, von Menschen gemachte
Einheit, um Ziele in ihrer Umgebung zu erreichen...”.
37Englischer Begriff: Goal.
26
2.3.6 Multilevel Flow Modeling - MFM
Dieser Formulierung werden, um die Ziele38 fu¨r die industrielle Prozessvisualisierung verwen-
den zu ko¨nnen, die Gleichungen der Tabelle 2.1 aus Abschnitt 2.3.2 hinzugefu¨gt. Sie erweitern
die originale Formulierung um die mo¨glichen Zusta¨nde des modellierten Systems.39 U¨ber die
Sicherheitsziele wird festgelegt, dass bestimmte Prozessgro¨ßen nicht oberhalb oder unterhalb
vorgegebener Grenzen bzw. innerhalb oder außerhalb von Werteintervallen liegen sollten. Wirt-
schaftlichkeitsziele resultieren aus Betrachtungen von u¨bergeordneten Vorgaben.
Das Bild 2.38 zeigt links die graphische Darstellung
Bild 2.38: MFM-Symbol: Ziel nach
Lind und Larsson
eines MFM-Zieles nach Lind (konzentrische Kreise) und
rechts nach Larsson (ein Kreis). Fu¨r diese Arbeit orien-
tiert sich die Darstellung der Ziele wie auch der Fluss-
funktionen weitgehend an der von Larsson(1992; 1994)40.
2.3.6.2 Flussfunktionen
Die zweite wichtige Vorstellung in MFM ist die der Funktionen. Eine Funktion ist nach Larsson
(1992) die Rolle, die ein System bei der Erfu¨llung eines Zieles spielt. Auf diese Weise wird mit
einer Funktion immer ein Ziel assoziiert. Dementsprechend sind Ziele immer mit einer Funktion
verbunden. In MFM werden Funktionen in Form von Flu¨ssen dargestellt, die, wie erwa¨hnt, u¨ber
ihre Verbindung Flussstrukturen bilden. Die Art der Flussfunktion (Masse, Energie oder Infor-
mation) wird in der originalen Formulierung von Lind als auch in der von Larsson u¨ber die Form
codiert. So werden Flussfunktionen fu¨r die Abbildung von Massenflu¨ssen mit durchgezogenen
Linien und fu¨r die Abbildung von Energieflu¨ssen durch gestrichelte Linien gekennzeichnet. Fu¨r
die Informationsflu¨sse wird keine gesonderte Linienart angegeben, jedoch sind diese Symbole
grau eingefa¨rbt.
Quelle: Die Quelle41 stellt die Fa¨higkeit oder Eigenschaft
Bild 2.39: MFM-Symbol: Quelle
eines Systems dar, sich als unendliches Reservoir von
Masse, Energie oder von Information zu verhalten. Natu¨r-
lich ist dies eine Idealisierung von Systemverhalten, den-
noch aber oft nu¨tzlich. Typische Beispiele fu¨r Quellen-
funktionen sind Beha¨lter oder Energieversorgungen. Die Quellenfunktion hat einen Ausgangs-
anschluss, an den andere Flussfunktionen angeschlossen werden ko¨nnen. Das Bild 2.39 zeigt die
graphischen Symbole fu¨r die Quellenfunktion. Larsson (1992) und Lind (1990) stimmen hier
weitestgehend u¨berein, mit der Einschra¨nkung, dass nur Larsson die Quelle auch fu¨r Informa-
tionsflu¨sse zula¨ßt.42 Eine Quelle wird nach Larsson durch einen begrenzbaren Ausgangsfluss
FSOR, nach Lind durch einen Quellfluss FSOR und durch einen Anschlussfluss Fout charakteri-
siert, die wie folgt in Beziehung zueinander stehen:
FSOR = Fout
Transport: Der Transport steht fu¨r die Fa¨higkeit oder
Bild 2.40: MFM-Symbol: Transport
Eigenschaft eines Systems, Masse, Energie oder Infor-
mation von einem Teil des Systems zu einem anderen
oder von einem Medium zu einem anderen zu transpor-
tieren. Die Transportfunktion hat einen Eingangs- und
einen Ausgangsanschluss. Das Bild 2.40 zeigt die Symbole des Transports. Beispiele fu¨r Trans-
porte sind Pumpen oder Rohrleitungen. Nach Larsson (1992) wird eine Transportfunktion u¨ber
den Durchgangsfluss FTRP charakterisiert. Dieser Fluss kann Begrenzungen besitzen, z.B. Be-
reiche, in denen FTRP zum Erliegen kommen muss43. Lind (1990) beschreibt die Anschlussflu¨sse
38Gleiches gilt fu¨r die Flussfunktionen.
39Dem in Abschnitt 2.3.2 als NORMAL bezeichnete Zustand entspricht fu¨r die MFM-Modellbildung der Ziele der
Zustand ERREICHT.
40Die Symbole werden um einige Eigenschaften erweitert, z.B. durch Formcodierungen fu¨r den Auswahlstatus
oder durch Farbcodierungen fu¨r den Zustand der Funktion, siehe Abschnitt 6.4.2.3
41Der Begriff der Quelle (wie auch der Senke) kann mit dem aus der Beschreibung von Potentialstro¨mungen,
speziell aus dem Divergenzsatz der Vektoranalysis verglichen werden (Vo¨lkel, 1996).
42Dies gilt auch fu¨r die folgenden fu¨nf Flussfunktionen.
43Dies bedeutet, dass innerhalb einer Transportfunktion nichts gespeichert wird.
27
2.3 Modellbildungsverfahren in der Prozessvisualisierung
leicht abweichend und nennt die folgende Beziehung fu¨r den Eingangsanschlussfluss Fin und den
Ausgangsanschlussfluss Fout:
Fin = −Fout
Barriere: Die Barrierenfunktion stellt die Fa¨higkeit oder
Bild 2.41: MFM-Symbol: Barriere
Eigenschaft eines Systems dar, Transport von Masse,
Energie oder Information von einem Teil des Systems zu
einem anderen oder von einemMedium zu einem anderen
zu verhindern. Typische Beispiele fu¨r Barrierenfunktio-
nen ko¨nnen Wa¨rmeisolierungen oder Sicherheitsumman-
telungen sein. Die Barrierenfunktion hat einen Eingangs-
anschluss und einen Ausgangsanschluss, an den andere
Flussfunktionen angeschlossen werden ko¨nnen. Das Bild
2.41 zeigt in der oberen Reihe die Symbole fu¨r die Barriere nach Lind (1990) und darunter die
von Larsson (1992). Nach Larsson charakterisiert ein Durchgangsfluss FBAR die Barrierenfunk-
tion, der nahe bei oder absolut Null sein muss. Bei Lind ist die Barriere durch die Anschlussflu¨sse
Fin und Fout gekennzeichnet, mit deren Hilfe man die Barrierenfunktion wie folgt beschreiben
kann:
Fin = −Fout
Speicher:Der Speicher steht fu¨r die Fa¨higkeit oder
Bild 2.42: MFM-Symbol: Speicherfunktion
Eigenschaft eines Systems, Masse, Energie oder
Information zu sammeln. Beispiele fu¨r Speicher-
funktionen ko¨nnen Flu¨ssigkeitstanks oder Magnet-
speicher fu¨r Information sein. Der Speicher hat
bei Larsson aus Vereinfachungsgru¨nden nur einen
Eingangsanschluss und einen Ausgangsanschluss.
In der originalen Formulierung von Lind kann ein
Speicher jedoch mehrere Ein- und Ausgangsan-
schlu¨sse besitzen. Fu¨r die vorliegende Modellbildung wird die Syntax von Lind verwendet. Das
Bild 2.42 zeigt das graphische Symbol der Speicherfunktion. Nach Larsson wird eine Speicher-
funktion durch eine Zustandsgro¨ße ξ charakterisiert, die den Betrag an Masse, Energie oder
Information im System darstellt. Die Speicherfunktion hat einen Eingangsfluss Fin und einen
Ausgangsfluss Fout, die der nachstehenden Gleichung folgen:
dξ
dt
− Fin + Fout = 0 (2.11)
Gleichgewicht: Die Fa¨higkeit oder Eigenschaft ei-
Bild 2.43: MFM-Symbol: Gleichgewicht
nes Systems, ein Gleichgewicht zwischen den to-
talen Eingangs- und Ausgangsraten von Masse,
Energie oder Information bereitzustellen, wird mit
dem Gleichgewicht modelliert, beispielsweise Ver-
zweigungen in Rohrsystemen. Das Bild 2.43 zeigt
oben das graphische Symbol der Gleichgewichts-
funktion nach Lind, darunter nach Larsson. Das
Gleichgewicht wird bei Larsson durch einen oder
mehrere Eingangs- und Ausgangsflu¨sse F charakterisiert, an die andere Flussfunktionen ange-
schlossen werden ko¨nnen. Bei Lind wie auch bei Larsson ko¨nnen fu¨r die Gleichgewichtsfunktion
mehrere Anschlu¨sse existieren. Diese Flu¨sse sollten die folgende Ungleichung erfu¨llen, damit
sich die Gleichgewichtsfunktion ausreichend gut verha¨lt.
|F1 + F2 + . . .+ Fn| ≤ δBAL (2.12)
28
2.3.6 Multilevel Flow Modeling - MFM
Senke: Die Senkenfunktion stellt die Fa¨higkeit oder Ei-
Bild 2.44: MFM-Symbol: Senke
genschaft eines Systems dar, als unendliche Aufnahme
von Masse, Energie oder Information zu dienen. Wie
schon bei den Quellen ist auch dies eine Idealisierung
physikalischen Verhaltens, und wie dort oft sinnvoll. Die
Senkenfunktion hat einen Eingangsanschluss mit dem sie
an andere Flussfunktionen angeschlossen werden kann.
Typische Beispiele fu¨r Senkenfunktionen sind Beha¨lter oder die Energiedissipation. Bild 2.44
zeigt die graphischen Symbole der Senke. Bei Larsson (1992) wird die Senkenfunktion durch
einen begrenzbaren Eingangsfluss FSNK charakterisiert. Lind (1990) charakterisiert die Senke
durch einen zusa¨tzlichen Senkenfluss Fin, der sich zum Eingangsfluss FSNK wie folgt verha¨lt:
Fin = FSNK
Die bisher beschriebenen Funktionen ko¨nnen nach Larsson (1992) auch zur Beschreibung von
Informationsflu¨ssen herangezogen werden, fu¨r die aber noch drei weitere spezifische Informations-
flußfunktionen vorhanden sind. Die graphischen Symbole der Informationsflussfunktionen von
Larsson (Bild 2.45 bis 2.47 rechts) weichen von denen Lind’s (Bild 2.45 bis 2.47 links) ab.
Die fu¨r diese Arbeit verwandten Informationsflussfunktionen orientieren sich wiederum an der
Darstellung von Larsson (1992).
Beobachter: Die Beobachtungs- oder U¨berwachungsfunktion stellt
Bild 2.45: MFM-Symbol:
Beobachter
die Fa¨higkeit oder Eigenschaft eines Systems dar, physikalische
Beobachtungen in Information zu u¨bersetzen. Der Beobachter hat
einen Ausgangsanschluss, an den sich andere Flussfunktionen an-
schließen lassen. Typische Beispiele fu¨r U¨berwachungsfunktionen
sind Messgera¨te oder der Mensch in beobachtender Funktion, z.B.
als Operateur einer Anlage.
Entscheidung: Die Entscheidungsfunktion steht fu¨r die Fa¨higkeit
Bild 2.46: MFM-Symbol:
Entscheider
oder Eigenschaft eines Systems, Entscheidungen treffen zu ko¨nnen.
Beispiele fu¨r eine Entscheidungen sind Steuerungs- oder Regelsy-
steme oder der Mensch, z.B. als Bediener technischer Systeme. Der
Entscheider besitzt einen Eingangs- und einen Ausgangsanschluss,
an die andere Flussfunktionen angeschlossen werden ko¨nnen.
Aktor: Die Aktorenfunktion stellt die Fa¨higkeit oder Eigenschaft
Bild 2.47: MFM-Symbol:
Aktor
eines Systems dar, Information in physikalische Konsequenzen um-
zuwandeln. Aktoren symbolisieren beispielsweise Ventile oder Mo-
toren. Der Aktor hat einen Eingangsanschluss, mit dem sie an
andere Flussfunktionen angeschlossen werden kann. Diese Funk-
tionen ko¨nnen nach Larsson (1992) auch zur Beschreibung von
Informationsflu¨ssen herangezogen werden, fu¨r die aber noch drei
weitere spezifische Informationsflußfunktionen vorhanden sind:
Zusa¨tzlich zu den Flussfunktionen werden organisatorische Funktionen benutzt (Larsson,
1992):
Management: Die Managementfunktion wird fu¨r die Darstellung
Bild 2.48: MFM-Symbol:
Management
einer Regelung oder des Ressourcenmanagements verwendet. Ein
Beispiel wa¨re die Beschreibung des Regelungssystems nicht als
Informationsfluss, sondern als System das beabsichtigt, eine be-
stimmte Aufgabe zu organisieren. Die Managementfunktion be-
sitzt ebenfalls einen Anschluss, an dem sie mit einer Erreichung
durch Steuerungs-Beziehung44 verbunden werden kann. Bild 2.48
zeigt das graphische Symbol der Managementfunktion.
44Siehe Abschnitt 2.3.6.5.
29
2.3 Modellbildungsverfahren in der Prozessvisualisierung
Netzwerk: Die Netzwerkfunktion stellt die Eigenschaft eines Sys-
Bild 2.49: MFM-Symbol:
Netzwerk
tems dar, die notwendigen Bedingungen bereitzustellen, die es ei-
nem System erlaubt, seine Funktionen auszufu¨hren. Die Netzwerk-
funktion wird fu¨r das Verbinden von Flussfunktionen zu Fluss-
strukturen benutzt. Die Netzwerkfunktion kann u¨ber Erreichungs-
beziehungen mit den Zielen verbunden werden. Bild 2.49 zeigt das
graphische Symbol der Netzwerkfunktion.
2.3.6.3 Flussstrukturen
Flussfunktionen ko¨nnen zu Flussstrukturen zusammengefasst werden, die dann fu¨r die Model-
lierung von Flu¨ssen verwendbar sind. Flussfunktionen geho¨ren immer zu einer Flussstruktur
und ko¨nnen nicht isoliert fu¨r sich selbst existieren. Die Struktur eines Systems wird als eine
Anzahl sich aufeinander beziehender Flussstrukturen auf unterschiedlichen Abstraktionsstufen
beschrieben. Diese Stufen sind u¨ber die in Abschnitt 2.3.6.5 beschriebenen Beziehungen mit-
einander verbunden.
Arten von Flussstrukturen
Eine Flussstruktur ist die graphische Darstellung verbundener Flussfunktionen. Sie kann auch
als graphische Umsetzung der Netzwerkfunktion verstanden werden. Die Funktionen lassen
sich durch drei verschiedene Beziehungsarten45 Massenfluss-, Energiefluss- oder Informations-
flussverbindungen miteinander verbinden.
Syntax der Flussstrukturen
Flussfunktionen du¨rfen nur entsprechend spezifischer Syntaxregeln miteinander verbunden wer-
den. So kann man nicht jede Flussfunktion an jede beliebige andere Flussfunktion ankop-
peln. Die meisten Syntax-Regeln sind sehr einfach und betreffen nur direkte Verbindungen.
Die letzte Regel ist komplexer und bedarf der Analyse eines gro¨ßeren Teils der Flussstruktur
(Larsson, 1992).
1. Eine Flussfunktion darf nur an ihren spezifischen Verbindungspunkten mit anderen Flussfunk-
tionen verbunden werden.
2. Eine Flussfunktion darf nur mit Flussfunktionen des gleichen Typs verbunden werden, d.h. nur
Masse-, Energie- und Informationsflu¨sse sind jeweils fu¨r sich miteinander verkoppelbar.
3. Transporte du¨rfen nur mit Quellen, Speichern, Gleichgewichten, Senken, Beobachtern, Entschei-
dern und Aktoren verbunden werden. Im Falle von Quellen und Beobachtern mu¨ssen die Trans-
porte von beiden weggerichtet, bei Senken und Aktoren mu¨ssen sie auf beide hingerichtet sein. Bei
Speichern, Gleichgewichten und Entscheidern sind Ausrichtungen in beide Richtungen erlaubt.
4. Barrieren du¨rfen nur mit Gleichgewichten verbunden werden.
5. Speicher du¨rfen nur mit Transporten verbunden werden.
6. Gleichgewichte du¨rfen nur mit Transporten und Barrieren verbunden sein.
7. Quellen du¨rfen nur mit ausgehenden Transporten (siehe auch Regel 6) verbunden werden.
8. Senken du¨rfen nur mit eingehenden Transporten (siehe auch Regel 6) verbunden werden.
9. Beobachter du¨rfen nur mit ausgehenden Transporten und mit Entscheidern verbunden werden.
10. Entscheidungstra¨ger du¨rfen nur mit Transporten, Beobachtern und Aktoren verbunden werden.
11. Aktoren du¨rfen nur mit eingehenden Transporten und Entscheidern verbunden werden.
12. Flussfunktionen du¨rfen nicht so verbunden werden, dass ein Knoten nur gefu¨llt oder geleert wird.
Die von Larsson (1992) genannten Regeln stimmen mit der originalen Formulierung von
Lind (1990) weitgehend u¨berein. Abgesehen von den Regeln bei Lind, dass Speicherungs- und
Gleichgewichtsfunktionen mehrere Anschlu¨sse besitzen du¨rfen, und es erlaubt ist, Speicher mit
Barrieren zu verbinden.
2.3.6.4 Physikalische Komponenten
Die physikalischen Komponenten sind die Ausstattung eines Systems. Sie dienen der Realisie-
rung von Funktionen der MFM-Modellbildung (Lind, 1990).
45In der Terminologie von Lind Bindeglieder genannt.
30
2.3.6 Multilevel Flow Modeling - MFM
2.3.6.5 Beziehungen zwischen Zielen, Funktionen und Komponenten
Die Ziele, Funktionen und Komponenten ha¨ngen auf spezielle Weise voneinander ab. Deshalb
existieren in MFM verschiedene Beziehungsarten46, die zur Verbindung von MFM-Objekten
benutzt werden ko¨nnen (Larsson, 1992).
Erreichungsbeziehungen: Es existieren zwei Erreichungsbeziehungstypen: die allgemeine Errei-
chungsbeziehung und die Erreichung-durch-Steuerungs-Beziehung.
Allgemeine Erreichungsbeziehung: Die allgemeine Er-
Zimmer
erwärmen
Wärme
bereit-
stellen
Wärme
über-
tragen
Wärme
auf-
nehmen
Bild 2.50: MFM-Beziehung: Erreichung
reichungsbeziehung verbindet eine Flussstruktur mit
einem Ziel und bringt zum Ausdruck, dass die Funk-
tionen der Struktur eines oder mehrere Ziele erfu¨llen
(Larsson, 1992). Eine so angebundene Flussstruktur
dient also der Erfu¨llung des angebundenen Zieles. Das
Bild 2.50 zeigt ein Beispiel fu¨r eine Energieflussstruk-
tur, die durch eine Erreichungsbeziehung mit einem
Ziel verbunden ist. Die Energieflussstruktur dient dem-
nach dem Erfu¨llen des Zieles Zimmer erwa¨rmen.
Erreichung-durch-Steuerungs-Beziehung:Diese Bezie-
AC
Wärme
bereit-
stellen
Wärme
über-
tragen
Wärme
auf-
nehmen
Zimmer-
temp.
ermitteln
Zimmer-
temp.
regulieren
Zimmer-
temp.
einstellen
Zimmer
erwärmen
Zimmer-
temperatur
halten
Bild 2.51: MFM-Beziehung:
Erreichung-durch-Steuerung
hung besitzt in der Verbindung zwischen Struktur
und Ziel einen Zusatz, der es erlaubt, das Automati-
sieren oder Unterstu¨tzen einer Zielerreichung zu mo-
dellieren. Mit dieser Beziehung ko¨nnen die Elemente
modelliert werden, die bei der Erfu¨llung des Zieles
helfen. An die Darstellung der Beziehung wird eine
Managementfunktion gekoppelt, die eine bestimmte
Aufgabe organisieren kann. Die Managementfunkti-
on ist an eine Flussstruktur gebunden. Die gestrichel-
te Verbindungslinie sagt aus, dass die Management-
funktion einen Informationsfluss beinhaltet, der das
Automatisieren bzw. Unterstu¨tzen ausfu¨hrt. Als Bei-
spiel wird in Bild 2.51 eine Erweiterung der Energie-
flussstruktur von Bild 2.50 gezeigt. Die Managementfunktion steht fu¨r die Organisation der Auf-
gabe. Die angebundene Informationsflussstruktur modelliert die automatisierte Zielerfu¨llung.
Bedingungsbeziehung: Flussfunktionen ko¨nnen u¨ber
Wärme
bereit-
stellen
Wärme
über-
tragen
Wärme
auf-
nehmen
Heizung
inBetrieb
Bild 2.52: MFM-Beziehung: Bedingung
Bedingungsbeziehungen mit Zielen verbunden wer-
den. So kommt zum Ausdruck, dass derart verbun-
dene Flussfunktionen erst dann zur Verfu¨gung ste-
hen, wenn das angebundene Ziel erreicht ist (Larsson,
1992). Bild 2.52 zeigt ein allgemeines Beispiel einer
Bedingungsbeziehung. Die Quellenfunktion arbeitet
nur dann gema¨ß den Anforderungen, wenn das u¨ber
die Bedingungsbeziehung angebundene Ziel erfu¨llt ist.
Realisierungsbeziehung: Die Beziehung verbindet
Wärme
bereit-
stellen
Wärme
über-
tragen
Wärme
auf-
nehmen
R
Bild 2.53: MFM-Beziehung: Realisierung
Flussfunktionen mit den physikalischen Komponen-
ten. So wird zum Ausdruck gebracht, dass die Kom-
ponente fu¨r die Realisierung oder fu¨r die Implemen-
tation der Funktion benutzt wird. Eine Pumpe kann
z.B. fu¨r die Realisierung eines Massentransports ver-
wendet werden. Das Bild 2.53 zeigt die graphische
Form der Realisierungsbeziehung nach Petersen (2000).
46In Petersen und Lind (1998) sind weitere Beziehungsarten genannt.
31
2.3 Modellbildungsverfahren in der Prozessvisualisierung
2.3.7 Fish-Eye-View
Die von Zinser (1995) vorgeschlagene Visualisie-
Bild 2.54: Modellbildung:Fish-Eye-View
rungsform des Fish-Eye-Views zeigt einen fokussier-
ten Prozessausschnitt scharf, die umgebenden Berei-
che unscharf (Beuthel und Zinser, 2001). Die Dar-
stellung basiert auf der topologischen Sichtweise von
Abschnitt 2.3.3. Ziel dieser Darstellung ist die Pro-
zessinformation auf den fokussierten Bereich zu be-
grenzen und gleichzeitig dem Bediener den Eindruck
zu vermitteln, dass der Prozess erheblich umfangrei-
cher als aktuell sichtbar ist. Die Bezeichnung Fish-
Eye stammt aus der Photographie. Fish-Eye-Objektive
mit geringer Brennweite erzeugen einen a¨hnlichen Ef-
fekt einer gewo¨lbten Darstellung. Rauschenbach (2002)
beschreibt den mobilen Einsatz dieser Sicht.
2.3.8 Approximative Wissensbasierte Prozessvisualisierung
Eine weitere Mo¨glichkeit, mehr als nur eine Ebene
Bild 2.55: Approximative Wissensbasierte
Prozessvisualisierung
in einer Prozessvisualisierung zu unterstu¨tzen, wird
von Ali (1998) mit der Approximative Wissensbasier-
te Prozessvisualisierung (AWP) auf Basis der Fuzzy-
Set-Theorie vorgeschlagen. Verschiedene Sichtweisen
werden mit unterschiedlichen Abstraktionsgraden mit-
einander verbunden. Die Abbildung der Modelle er-
folgt zusa¨tzlich zur Prozessvisualisierung auch in der
darunter liegenden Informationsverarbeitung. Das in
Form von Wissen- und Aufgabenanalysen erlangte
Wissen ist zu diesem Zweck in einer Fuzzy-Set-Daten-
basis im Informationsverarbeitungssystem gespeichert.
Die Wissensinhalte werden u¨ber dem Wissenstyp an-
gepasste Graphiken visualisiert. U¨ber die approximative Zustandsvisualisierung sind die System-
zusta¨nde und die Zielerfu¨llungsgrade von Funktionseinheiten auf der Grundlage der Ergebnis-
Fuzzy-Mengen dynamisch dargestellt.
2.3.9 Videotechnik-basierter Ansatz
Ein weiterer von Zinser bereits (1993) vorgeschla-
Bild 2.56: Modellbildung:
Videotechnik-basierter Ansatz
gener Ansatz verwendet als Teil einer Multimedia-
darstellung die Videotechnik, in der u¨ber 1:1-Abbil-
dungen von Prozesselementen interagiert wird. Zum
Videobild sind zusa¨tzlich Schaltelemente zur Steue-
rung der Anlage dargestellt. Durch die Videotechnik
hat der Bediener direkten visuellen Kontakt zum Pro-
zess. Gro¨ßen, die sich nur schwer u¨ber eine Messtech-
nik erfassen lassen (z.B. austretender Dampf), sind
durch diesen Ansatz beobachtbar.
2.3.10 Prozessvisualisierung im 3-dimensionalen Raum
Das Einbeziehen der dritten Dimension in graphische Darstellungen soll es Prozessvisualisie-
rungen ermo¨glichen, mehr Informationen darzustellen als in den zwei-dimensionalen Visuali-
sierungen. Grundsa¨tzlich lassen sich zwei Ansa¨tze unterscheiden. Der erste Ansatz nutzt die
3D-Darstellung zur realita¨tsnahen Abbildung von Anlagen im Raum (Virtuelle Prozess- und
32
2.3.10 Prozessvisualisierung im 3-dimensionalen Raum
3D-Prozessdatenvisualisierung). Im zweiten Ansatz werden in der dritten Dimension die Ab-
weichungen der Istwerte von den Sollwerten wiedergegeben (3D-EID und 3D-Perzeptiv).
Virtuelle Prozessvisualisierung: Prozesse in ihrer rea-
Bild 2.57: 3D-Modellbildung:
Virtuelle Prozessvisualisierung
len Form und Position bildet Matsuoka et al. (1997)
im dreidimensionalen Raum ab. Prozesswerte werden
farblich codiert. Im Falle einer Sto¨rung wird die be-
troffene Komponente animiert, um den Bediener auf
die Sto¨rung aufmerksam zu machen. Im Vordergrund
positionierte Objekte ko¨nnen transparent dargestellt
werden, um dahinter liegende Objekte nicht zu ver-
decken. Der Bediener kann sich durch den virtuellen
Raum zu den verdeckten Objekten bewegen. Das Bild
2.57 zeigt die Prozessvisualisierung eines Kernkraft-
werkes.
3D-Prozessdatenvisualisierung:Der Ansatz dieser Vi-
Bild 2.58: 3D-Modellbildung:
3D-Prozessdatenvisualisierung
sualisierung von Zeipelt und Vogel-Heuser (2003) ist
es, Informationsdarstellung zu verdichten. Als Bei-
spiel wurde das Temperaturprofil eines Reaktors mit
exothermer Reaktion gewa¨hlt. Der Reaktor (Bild 2.58
links) entha¨lt mehrere tausend Ro¨hren fu¨r das Reak-
tionsgemisch (Kreisgas), die von einem Ku¨hlsystem
umgeben sind. Die Temperaturfu¨hler sind auf mehre-
ren Ebenen angebracht, dementsprechend zeigt Bild
2.58 rechts diese Ebenen fu¨r das Reaktionsgemisch
und das Ku¨hlsystem. Temperaturabweichungen sind
hier als Abweichung der Fu¨hlertemperatur vom Ebe-
nenmittelwert als Ho¨he eines Zylinders formcodiert.
Um die absolute Fu¨hlertemperatur abscha¨tzen zu ko¨n-
nen wird eine Farbskala definiert, die Zuordnungen
von Farben zu Temperaturen ermo¨glicht. Die Durch-
schnittstemperatur wird durch einen Farbkreis codiert, was zusa¨tzlich eine Abscha¨tzung des
Temperaturverlaufs im Reaktor ermo¨glicht.
3-D Ecological Interface Design: Im 3D-Ansatz fu¨r
Bild 2.59: 3D-Modellbildung: 3D-EID
das Ecological Interface Design werden fu¨r die Bilanz-
objekte des Mappings die Ist/Sollwert-Abweichungen
als weitere Linien dargestellt (Kolowa, 2004). Die La¨n-
ge der zusa¨tzlichen 3D-Linien gehen gegen Null, so-
bald der Istwert dem Sollwert entspricht. Gilt das fu¨r
alle Werte einer Bilanz entspricht die Abbildung wie-
der der 2D-Darstellung von Abschnitt 2.3.5.3. Das
Bild 2.59 zeigt die 3D-Darstellung von EID.
Perzeptiv-Orientierte Prozessvisualisierung: In der
Bild 2.60: 3D-Modellbildung: Perzeptiv-
Orientierte Visualisierung
von Elzer et al. (1997; 1998; 2001) eingefu¨hrten per-
zeptiv orientierten dreidimensionalen Prozessvisuali-
sierung wird ein Verfahrensbild in die Ebene proji-
ziert. Die Prozessdaten werden als Sa¨ulen mit recht-
eckigem Querschnitt wiedergegeben. Bei Abweichun-
gen vom Sollwert treten diese Sa¨ulen aus der Ebene
heraus und geben dem Bediener auf einfache Weise
einen schnellen U¨berblick u¨ber die Anlage. In Elzer
und Beuthel (1998) konnte eine schnelle Erkennung von Fehlern und eine geringe Anzahl von
Fehlwahrnehmungen gegenu¨ber einer herko¨mmlichen Prozessvisualisierung ermittelt werden.
33
2.4 Modellbildungen fu¨r die Evolutiona¨re Optimierung
2.3.11 Weitere Entwicklungen auf dem Gebiet der HMI
Ein ehrgeiziges Projekt wird bei virtual-human.org beschrieben. Mensch-Maschine-Schnitt-
stellen sollen in Form eines virtuellen Gespra¨chspartners auf das Verhalten des Benutzers ei-
gensta¨ndig in Animation und Dialog in Echtzeit reagieren. Da mo¨glichst natu¨rlich und der
Situation angemessen agiert werden muss, stellen sich neue und sehr hohe Anforderungen an
die Computergraphik und die multimodale Benutzerschnittstelle. So stellt denn auch die Virtual
Reality (VR) einen zentralen Bestandteil des Projektes dar. Weitere Schwerpunkte sind u.a. die
Dialogagenten und die Verhaltenssteuerungen. Der Unterschied zur vorliegenden Arbeit liegt in
der Ausrichtung auf Unterstu¨tzungssysteme und nicht auf die U¨berwachung und Steuerung von
Prozessen. Auch wird die Darstellung nicht speziell auf individuelle Bediener angepasst son-
dern individuell auf Bedienerverhalten reagiert. Eine wachsende Bedeutung erha¨lt das Internet
in der Fu¨hrung und Visualisierung fu¨r verteilte Produktionsprozesse (Schell, 2000), wenn auch
hier der Schwerpunkt eher auf der Technologie der globalen Vernetzung und weniger auf der
Modellierung der Anlage liegt. Ein weiteres Forschungsgebiet beschreiben z.B. Ro¨se und Zu¨hl-
ke (2001), Ro¨se et al. (2002) und Ro¨ßger (2004), in dem auf kulturelle Besonderheiten bei der
Gestaltung von Produkten, also auch von Mensch-Maschine-Schnittstellen, eingegangen wird.
2.4 Modellbildungen fu¨r die Evolutiona¨re Optimierung
Die auszuwa¨hlenden Modellbil-
Bild 2.61: Modellbildungen: Abstraktionsgrad und Ebenen im
Ziel-Mittel-Modell
dungen sollen entsprechend dem er-
sten Optimierungsschritt die Pro-
zessvisualisierung weg von der Tech-
nikzentrierung hin zu einer bediener-
orientierten Sicht bringen. Die Mo-
dellbildungen MFM und EID stel-
len Systeme auf unterschiedlich ab-
strakten Ebenen des Ziel-Mittel-
Modells47 dar: EID auf der Ebene
der Komponenten und der abstrak-
ten Funktion, MFM zusa¨tzlich auf
der Ebene des funktionalen Zwecks.
Diese beiden Techniken werden also fu¨r die evolutiona¨re Optimierung von Bedienoberfla¨chen
verwendet, weil sie Systeme in den Begriffen der menschlichen Informationsverarbeitung ab-
bilden und so die Forderung des ersten Optimierungsschrittes erfu¨llen. Die entgegengesetzte
Richtung – geringe Abstraktion bei realita¨tsbezogener Darstellung – soll ebenfalls mit einbezo-
gen werden. Die Virt3D-Sicht nach Wittenberg (2001b) ist fu¨r den niedrigsten Abstraktionsgrad
am besten geeignet, da die multimediale Sicht von Zinser (1993) fu¨r den Beispielprozess nicht
realisierbar ist. Die topologische Sicht auf den Prozess bildet quasi den Standard der industriel-
len Prozessvisualisierung und findet daher auch Eingang in die Optimierung. Die Fish-Eye-Sicht
und die 3-D Visualisierung nach Elzer et al. (2001) finden keinen Eingang, da sie strukturell
der topologischen Sicht entsprechen.
Die Beschra¨nkung auf die Verfahren Virt3D, TOP, EID und MFM bedeutet nicht, dass die
weiteren oben genannten Visualisierungen fu¨r die evolutiona¨re Optimierung ungeeignet sind. Es
heißt nur, dass sich fu¨r die vorliegende Arbeit auf die vier genannten Modellbildungen konzen-
triert wird, da diese vier unterschiedliche Abstraktionen beinhalten. Grundsa¨tzlich ist jede Form
der Prozessvisualisierung fu¨r die evolutiona¨re Optimierung von graphischen Bedienoberfla¨chen
in Mensch-Maschine-Schnittstellen geeignet. Das Bild 2.61 zeigt die Einteilung der Verfahren
aufsteigend nach dem Abstraktionsgrad und die Anzahl der Abstraktionsebenen, die das Verfah-
ren im Ziel-Mittel-Modell abbildet. Von den ausgewa¨hlten Modellbildungen ist Virt3D die am
wenigsten abstrakte. Die topologische Darstellung ist abstrakter, da die verwendeten Symbole
bereits Abstraktionen von Systembestandteilen sind. Ebenso wie Virt3D befindet sich TOP nur
auf der untersten Ebene der physikalischen Form im Ziel-Mittel-Modell.
47Siehe Abschnitt 2.1.4.
34
3 Grundlagen der Evolution
Dieses Kapitel behandelt die natu¨rliche Evolution1. Versta¨ndlicherweise kann dieses weitla¨ufige
Forschungsgebiet, das große Bereiche der Wissenschaft beeinflusst hat und immer noch beein-
flusst2, im Rahmen dieser Arbeit nicht erscho¨pfend dargelegt werden, sondern nur im Hinblick
auf das grundsa¨tzliche Versta¨ndnis und die spa¨tere Anwendung in der technischen Optimie-
rung. Nichtsdestotrotz sind die Kenntnisse um die biologischen Grundlagen Voraussetzung fu¨r
das Versta¨ndnis ihrer Abstrahierung in der Technik. Nach einer kurzen historischen Abhandlung
wird auf die Vererbung, hier speziell auf die allgemeine und molekulare Genetik, sowie die Gene
eingegangen. Es folgen die Populationen und die im spa¨teren zu abstrahierenden Mechanismen
der Evolution.
3.1 Historie
Bereits vor Darwin haben sich viele Wissenschaftler mit dem Evolutionsgedanken bescha¨ftigt.
Beispiele sind die Vero¨ffentlichungen von Chambers3 oder Wallace4 zu den Grundthesen der
Evolutionstheorie. Im 18. Jahrhundert entwickelte sich die Vorstellung von der Vera¨nderlich-
keit der Welt und ihrer Lebewesen. Die Idee, dass Vera¨nderung u¨berhaupt mo¨glich ist, drang
immer weiter vor (Mayr, 1985). Die erste widerspruchsfreie Evolutionstheorie wurde 1809 von
Lamarck formuliert (Futuyma, 1990; Mayr, 1985). Nach Lamarck besaßen die unterschiedlichen
Lebewesen keine gemeinsame Abstammung, sondern entstanden durch spontane Erzeugung aus
unbelebter Materie und entwickelten sich weiter zu ho¨herer Komplexita¨t (Futuyma, 1990). Da-
bei entwickeln sie sich durch ”Kra¨fte, die ihnen der ho¨chste Autor aller Dinge verliehen hat”
(Lamarck, zitiert nach Futuyma (1990, S. 4)), d.h. sie entwickeln sich durch ihr gottgegebe-
nes Streben nach Perfektion (Lamarck, zitiert nach Smith und Szathmary (1996, S. 3)). Die
Entwicklung selbst wurde nach Lamarck durch die sich vera¨ndernde Umwelt bestimmt. In Dar-
wins 50 Jahre (1859) spa¨ter erschienenen, bis heute heftig diskutierten Buch ”On the origin of
species” finden sich zwei der bereits von Lamarck formulierten Prinzipien wieder. Zum einen,
dass sich die Welt nicht statisch verha¨lt, sondern dynamisch5, zum anderen den langsamen und
kontinuierlichen Verlauf der Evolution und damit das Fehlen zusammenhangloser Spru¨nge oder
unvermittelter A¨nderungen (Mayr, 1985). In der fru¨hen Form der Selektionstheorie fu¨hrt Dar-
win die Evolution auf die natu¨rliche Auslese (Selektion) des durch zufa¨llige und richtungslose
Erba¨nderung variierenden Materials zuru¨ck (Vogel und Angermann, 1990). Die Theorie der
natu¨rlichen Zuchtwahl Darwins beruht auf drei Prinzipien (Wieser, 1994):
1. Die Individuen einer Population sind in vielen Merkmalen unterschiedlich (Prinzip der
pha¨notypischen Variabilita¨t).
1lat.: evolvere: herauswickeln, hervorwa¨lzen (Koll, 1977).
2Siehe z.B. Scheffczyk (1991), Fahr (1991), Ruder (1978), Vega-Redondo (1996), Wagner (1994).
3R. Chambers,
”
Vestiges of the natural History of Creation”, zit. nach (Scho¨neburg et al., 1994, S. 38)
4A. R. Wallace,
”
U¨ber das Gesetz, welches die Einfu¨hrung neuer Arten reguliert”, 1855, zit. nach Scho¨neburg
et al. (1994, S. 38).
5Eine bereits von den Griechen vorgeschlagene Erkla¨rung fu¨r den Ursprung lebender Dinge (Futuyma, 1990)
35
3.2 Vererbung
2. Die Individuen vermehren sich, wobei die Vermehrungsraten verschiedener Pha¨notypen –
abha¨ngig von den Bedingungen der jeweiligen Umwelt – unterschiedlich hoch sind (Wir-
kung der natu¨rlichen Selektion – Prinzip der differentiellen Tauglichkeit).6
3. Das Maß der Tauglichkeit wird von den Eltern auf die Nachkommen u¨bertragen, ist also
erblich.
Ein wichtiges Merkmal dieser Aufza¨hlung ist ihre Allgemeingu¨ltigkeit. Unabha¨ngig von den
Ursachen der Variabilita¨t und den Vererbungs- und Selektionsmechanismen ist jedes System,
das sich vermehrt, dessen Merkmale variieren und von einer Generation zur na¨chsten u¨bertragen
werden ko¨nnen, der Evolution unterworfen.
Die nach heutigem Kenntnisstand am besten begru¨ndete Evolutionstheorie ist die Synthe-
tische Theorie. Nach Wieser (1994) entstand diese Theorie durch Erga¨nzung der klassischen
Theorie um eine auf dem Genbegriff aufbauende Theorie. Sie gilt nach heutigem Kenntnis-
stand als bewa¨hrteste und geeignetste, das unter dem Begriff Evolutionstheorie Verstandene
darzustellen (Weingartner, 1991). Weiteres Kennzeichen der Synthetischen Theorie ist die Vor-
gabe der Richtung in der Beziehung zwischen Genotyp und Pha¨notyp. Der Informationsfluss
des genetischen Materials fu¨hrt vom Genotyp in den Pha¨notyp der Proteine, der umgekehrte
Weg ist ausgeschlossen. Die Synthetische Theorie beinhaltet weitere Evolutionsfaktoren, die sich
auf die Vermehrung und Verringerung der genetischen Variabilita¨t beziehen. Die Vorga¨nge der
natu¨rlichen Selektion, der Mutation, der Rekombination und der reproduktiven Isolation wer-
den um die Prozesse Migration (Wanderung von einer Population in eine andere) (Vogel und
Angermann, 1990), Bastardisierung (aus genetisch unterschiedlichen Eltern hervorgegangene
heterozyote Nachkommen) und die Gendrift (statistische Zufallserscheinungen realer Popula-
tionen) (Vogel und Angermann, 1990), bzw. signifikante Vera¨nderungen von Allelfrequenzen
(Scho¨neburg et al., 1994)) erweitert.
3.2 Vererbung
Die Vererbungsvorga¨nge werden auf der molekularen Ebene durch die Genetik beschrieben. Erb-
relevante Informationen werden hier als genetische Information bezeichnet. Fu¨r die Evolution
sind diese Vorga¨nge von entscheidender Bedeutung, weshalb an dieser Stelle die wichtigsten
Mechanismen auf der zellularen und molekularen Ebene beschrieben werden.
3.2.1 Aufbau von Zellen
Die Grundbausteine der Biologie sind die Zellen. Sie sind Nukleus
Chromatin
Zellmembran
Endoplasmatisches
Retikulum
Bild 3.1: Schematischer Aufbau von
Zellen: Eukaryotische Zel-
le mit Zellkern und Zell-
membran
die kleinste noch selbststa¨ndig reproduktionsfa¨hige Funkti-
onseinheit, d.h. fu¨r ihre eigene Reproduktion beno¨tigen Zel-
len keine weiteren Substanzen. Es lassen sich zwei Typen
klassifizieren: Prokaryotische und eukaryotischen Zellen. Die
eukaryotischen Zellen besitzen im Gegensatz zu den proka-
ryotischen Zellen einen echten Zellkern. Dieser Zellkern oder
Nukleus ist von einer Zellmembran umgeben, die in ihm ent-
haltenen Chromosomen sind die Tra¨ger der Erbsubstanz.
Das Bild 3.1 zeigt den Aufbau einer eukaryotischen Zelle
(Scho¨neburg et al., 1994).
3.2.2 Genetik
Die große Lu¨cke in Darwins Beweisfu¨hrung entstammte der bis dahin nicht bekannten Herkunft
der genetischen Variabilita¨t als Basis fu¨r die natu¨rliche Auswahl. Erst die Entdeckung der
Genetik konnte diese Lu¨cke schließen. Mendel entdeckte 1865 die Erbfaktoren, u¨ber die die
6Nach Vogel und Angermann (1990) wu¨rde eine U¨berproduktion von Nachkommen zu einer U¨berbevo¨lkerung
fu¨hren, wenn nicht die meisten Nachkommen vor Erreichen der Geschlechtsreife sterben. Schließlich lo¨scht der
planlose Kampf ums Dasein die Mehrzahl der weniger geeigneten Nachkommen aus. Die besser geeigneten
Individuen besitzen eine ho¨here Fortpflanzungswahrscheinlichkeit und so eine bessere Chance ihr Erbgut in
die na¨chste Generation einzubringen.
36
3.2.3 Die Tra¨ger der Erbsubstanz
Erbanlagen u¨bertragen werden, und so die Gesetzma¨ßigkeiten der Vererbung (Mayr, 1985).
Mendel fand heraus, dass sich die Erbanlagen nicht beliebig miteinander mischen lassen, sondern
nur bestimmte Abschnitte als Tra¨ger gleicher Information. Die Ergebnisse seiner Untersuchung
sind in den drei Mendel’schen Gesetzen zusammengefasst: dem Uniformita¨ts-7, dem Spaltungs-
8 und dem Rekombinationsgesetz9. Das dritte Gesetz ist fu¨r die Evolution das wichtigste, da,
zumindest in der Theorie, das Erbgut in allen Kombinationsmo¨glichkeiten zusammengestellt
werden kann (Scho¨neburg et al., 1994).
3.2.3 Die Tra¨ger der Erbsubstanz
Die Prinzipien des klassischen Darwinismus basieren auf dem Individuum als Einheit der Se-
lektion. Die Individuen variieren untereinander, vermehren sich und sind die Tra¨ger der zu
vererbenden Eigenschaften. Mit der Entdeckung der Gene wurde die Einheit der Evolution von
den Individuen zu den Genen hin verlagert und so auch eine neue Ebene fu¨r die Selektion
ero¨ffnet. Die oben erwa¨hnten Chromosomen des Zellkerns enthalten die Gene, die Tra¨ger der
Erbinformation. Ein erblich bestimmtes Merkmal wird durch die beiden Gene bestimmt, die
an zwei entsprechenden Orten eines homologen Chromosomenpaares sitzen, am so genannten
Locus des Erbmerkmals. Im allgemeinen existieren mehrere Gentypen, die an einem solchen
Genort auftreten ko¨nnen. Diese Gene bilden die Allele A1, . . . , An. Der Genotyp wird durch das
Paar bestimmt, das tatsa¨chlich vorkommt. Fu¨r den Fall AiAi heißt der Genotyp homozygot, im
Fall AiAj heterozygot. Hier kann ein Allel das andere u¨berstimmen. Wenn sich AiAj als AiAi
a¨ußert, dann heißt Ai dominant und Aj rezessiv (Hofbauer und Sigmund, 1984).
Die Chromosomen treten in den Ko¨rperzellen paarweise auf, weshalb man diese Zellen auch
diploid nennt. Haploide Zellen dagegen enthalten lediglich die Ha¨lfte der Chromosomen, exakt
von jedem Paar eines. Diese Zellen sind die Keimzellen. Sie entstehen aus den Ko¨rperzellen
durch Meiose, in deren Verlauf sich die Chromosomenpaare aufspalten. Im Zuge der Befruch-
tung verschmelzen zwei Keimzellen und bilden wieder eine diploide Zelle. Die Nachkommen
besitzen nach diesem Vorgang wiederum einen doppelten Chromosomensatz mit jeweils der
Ha¨lfte der Chromosomen von einem Elternteil (Hofbauer und Sigmund, 1984). Jedes Chromo-
som besitzt eine bestimmte Struktur, die nur durch seltene Ereignisse, wie z.B. die in Abschnitt
3.4.2 beschriebene Mutation, vera¨ndert werden kann.
3.2.4 Molekulargenetik
Die molekulare Betrachtung der Genetik ermo¨glicht es, den genetischen Beitrag zu den bio-
logischen Evolutionsvorga¨ngen auf der Ebene der molekularen Informationstra¨ger zu verste-
hen (Schuster, 1994). Die genetische Substanz aller Organismen ist die Desoxyribonukleinsa¨ure
(DNS)(Futuyma, 1990). Sie ist die wichtigste in den Chromosomen vorkommende Nukleinsa¨ure10.
Die DNS entha¨lt Nukleotide, die die Grundbausteine der Nukleinsa¨uren bilden. Das Moleku¨l der
DNS-Doppelhelix verla¨uft ohne Unterbrechung u¨ber die gesamte La¨nge eines Chromosoms. Die
DNS wird von verschiedenen Basenpaaren gebildet, von denen jedes aus einem Purin – Adenin
(A) oder Guanin (G) – gebunden an ein bestimmtes Pyrimidin – Thymin (T) oder Cytosin
(C) besteht (Futuyma, 1990). Zum heutigen Zeitpunkt ist bekannt, dass sich die DNS im Zell-
kern aus zahllosen sich selbst kopierenden Genen zusammensetzt. Die DNS kann Mutationen
ausgesetzt sein und so Allele oder alternative Formen bilden (Mayr, 1985).
7Bei der Kreuzung zweier reinerbiger Vorfahren (Parentalgeneration), die sich in einem oder mehreren Merk-
malen unterscheiden, ergeben sich nur einheitliche (uniforme) aussehende Nachkommen in der ersten Nach-
kommengeneration (Filialgeneration 1)(Scho¨neburg et al., 1994).
8Bei Kreuzung der Nachkommen aus der ersten Filialgeneration untereinander tritt in der zweiten Filialgene-
ration eine Aufspaltung der Merkmalsausbildungen auf. Die Individuen der zweiten Filialgeneration besitzen
kein uniformes Erscheinungsbild mehr (Scho¨neburg et al., 1994).
9Bei mehreren Unterscheidungsmerkmalen in der Parentalgeneration ko¨nnen sich in der zweiten Filialgene-
ration die einzelnen Merkmalspaare unabha¨ngig voneinander aufspalten und frei miteinander rekombiniert
werden (Scho¨neburg et al., 1994).
10Der Mensch besitzt 22 Chromosomen, die zweimal vorkommen, sowie zwei Geschlechtschromosomen. Diese
46 Chromosomen enthalten insgesamt ungefa¨hr 5, 6× 109 Nukleotide (Maier, 1994).
37
3.2 Vererbung
3.2.4.1 Genetische Information
Die in der DNS fest geschriebene genetische Information wird in der Eiweiß- oder Proteinsyn-
these fu¨r die weitere Entwicklung von Lebewesen verwendet. Die Umsetzung von genetischem
Code gleicht der Interpretation und Ausfu¨hrung von Programmen. Zuna¨chst erfolgt in der
Transskription eine Umschreibung des Codes in eine transportable Form (Knodel et al., 1998).
Danach wird in der Translation der Code in entsprechende Aminosa¨uresequenzen u¨bersetzt.
Die genetische Information stellt die Informationen fu¨r die Proteinsynthese bereit, in der
die Basensequenzen Adenin, Guanin, Thymin und Cytosin der DNS in Aminosa¨uresequenzen
transkriptiert werden. Die Aminosa¨uren sind die Bausteine der Proteine, die sie u¨ber die Peptid-
bindungen (CO–NH) in Form von Riesenmoleku¨len bilden. Da aber die Proteine aus 20 Ami-
nosa¨uren aufgebaut sein ko¨nnen, ist eine eindeutige Zuordnung zu den vier Basen nicht mo¨glich.
So codieren mehrere Basen in einer Basensequenz jeweils eine Aminosa¨ure. Eine Abfolge in der
Basensequenz besteht aus Tripletts der vier Basen. Maximal ko¨nnen 43 so genannter Codons
zur Beschreibung von Aminosa¨uren herangezogen werden. Von den 64 mo¨glichen Kombinatio-
nen bezeichnen 3 keine Aminosa¨uren. Diese sog. Nonsense-Codons dienen als Steuerzeichen fu¨r
den Abbruch der Proteinsynthese (Scho¨neburg et al., 1994). Die Differenz zu den 20 genutzten
Kombinationen ist die Informationsreserve des genetischen Codes (Ayala, 1985).
Da sich die DNS im Kern einer Zelle befindet, die Proteinsynthese aber in den Ribosomen11
stattfindet, muss die genetische Information zu den Ribosomen transportiert werden. Diese
Aufgabe wird von den Boten-Ribonukleinsa¨uren (mRNS12) u¨bernommen. Die Struktur der Ri-
bonukleinsa¨uren (RNS) gleicht der der DNS. Der Unterschied liegt im Zucker, mit dem die Basen
in der Nukleotidsa¨ure aneinander gebunden sind. Desoxyribose besitzt ein Sauerstoffatom weni-
ger als die Ribose (Dickerson, 1985). Die meist einstra¨ngige RNS setzt sich aus Ribonukleotiden
zusammen, die aus der erwa¨hnten Ribose, Phosphorsa¨ure und aus einer der vier Basen Adenin,
Guanin, Cytosin und Uracil (U) (anstelle von Thymin) besteht. Fu¨r den Aufbau eines mRNS-
Moleku¨ls o¨ffnet sich die DNS-Doppelhelix an der Position, an der die abzulesende genetische
Information beginnt (Scho¨neburg et al., 1994). RNS-Polymerasen und Replikasen (Enzyme)
erkennen die Anfangsstelle (Promotor) fu¨r die Transkription und steuern den Vorgang (Eigen
et al., 1985). Nach der Transkription trennt sich die mRNS von der DNS und gelangt u¨ber die
Poren der Zellkernmembran zu den Ribosomen, an denen, wie erwa¨hnt, die Proteinsynthese
stattfindet. Mit der Translation beginnt der Aufbau der Proteine. Die beno¨tigten Aminosa¨u-
ren werden von den Transport-RNS (tRNS) zu den Ribosomen gebracht. Die Aminosa¨uren der
tRNS heften sich u¨ber die Basentripletts und die Wasserstoffbindungen an die mRNS an. Es
entsteht ein Polypeptidfaden, der solange verla¨ngert wird, bis die Nonsenscodons den Transla-
tionsvorgang beenden. Die gewonnenen Proteine sind die wichtigsten Zellbausteine, sie steuern
u.a. als Enzyme oder Hormone z.B. den gesamten Stoffwechsel. Die Enzyme werden u¨ber die
Gene, oder genauer, u¨ber das Gen-Regulationssystem gesteuert (Scho¨neburg et al., 1994).
3.2.4.2 Der Begriff des Gens
Der vom da¨nischen Biologen Johannsen (Scho¨neburg et al., 1994) gepra¨gte Begriff des Gens
bestimmt nach Futuyma (1990) einen Genort der verschiedene Allelzusta¨nde besitzen kann.
Weiter kann man nach Futuyma (1990) den schwer zu definierenden Begriff des Gen in einer
ersten Na¨herung als DNS-Sequenz begreifen, die in einen RNS-Abschnitt transkribiert wird
und die Information fu¨r ein einzelnes Polypeptid tra¨gt. Ayala (1985) beschreibt Gene als kurze
Abschnitte der DNS, die unterschiedlich lang sein ko¨nnen. Das RNS-Transskript eines einzelnen
Gens besteht bei den Eukaryonten oft aus Kodierungsregionen, den Exons13, die durch meh-
rere, nicht kodierende Zwischensequenzen, den Introns14, getrennt sind (Futuyma, 1990; Cock-
11Zellorganellen, die im endplastischen Retikulum aber auch frei in der Zelle vorkommen (Meyer und Daumer,
1994), siehe auch Abbildung 3.1.
12m: Messenger.
13Informationstragende Teile eines Gens (Scho¨neburg et al., 1994).
14Die Funktion des Introns ist unklar. Da sie keinen nachweisbaren Beitrag zur Proteinsynthese liefern, sind
sie im Sinne der genetischen Information u¨berflu¨ssig (Scho¨neburg et al., 1994).
38
burn, 1995). Die Exons und Introns werden zuna¨chst in die Kern-mRNS u¨bersetzt. Aus der
mRNS werden dann in dem als ”Spleißen” bezeichneten Prozess die fu¨r die Proteinsynthese
relevante Information extrahiert (Wieser, 1994). Die Exons werden nach dem Entfernen der
Introns zusammengefu¨gt, d.h. nur ein geringer Teil der DNS entha¨lt die beno¨tigte Information.
Der Sinn und Zweck der hohen Redundanz der Gene ist heute ebenso unklar wie deren Auftei-
lung in Exons und Introns (Scho¨neburg et al., 1994). Das schon erwa¨hnte Genregulationssystem
u¨bernimmt den Vorgang fu¨r die Ausbildung von spezialisierten Zellen. Gene besitzen eine hier-
archische Struktur, d.h. bestimmte Gene aktivieren oder deaktivieren andere Gene. So sind in
den Zellen zwar alle Gene gleich vorhanden, jedoch sind je nach Zelltyp unterschiedliche Gene
aktiv bzw. inaktiv (Scho¨neburg et al., 1994). Nach demModell von Jacob undMonot (Smith und
Szathmary, 1996) fu¨r die Gen-Regulation der Transkription existieren drei Gentypen: Struktur-
gene, Operatorgene und Regulatorgene. Die Strukturgene steuern die Merkmalsausbildung von
Individuen u¨ber die Bildung von mRNS. Operatorgene sind den funktionellen Einheiten der
Strukturgene vorgeschaltet. Sie kontrollieren die Aktivita¨t der Strukturgene. Zusammengefasst
werden Struktur- und Operatorgene auch als Operons bezeichnet (Scho¨neburg et al., 1994). Die
Regulatorgene kodieren ein Protein, das durch die Bindung an eine spezifische Regulationsstelle
eines anderen Gens dessen Aktivita¨t beeinflusst (Smith und Szathmary, 1996).
Der U¨bergang von den molekulargenetischen Prozessen hin zum Pha¨notyp eines Lebewe-
sens wird mit der Bezeichnung ”vom Gen zum Pha¨n” zusammengefasst. Eine pha¨notypische
Eigenschaft ist in der Polygenie durch das Zusammenwirken mehrerer Gene bestimmt. Die Ei-
genschaften und Fa¨higkeiten eines Lebewesens ha¨ngen letztlich von der Art der Proteine ab,
die es synthetisiert, da sie die Bausteine des Pha¨notyps bilden (Wieser, 1994).
3.3 Populationen
Mayr (1967), zitiert nach Sauer und Mu¨ller (1987), beschra¨nkt den Begriff der Population auf lo-
kale Populationen, bei denen es sich um eine Gruppe von Individuen handelt, die ra¨umlich derart
zusammengeho¨ren, dass fu¨r beliebige Individuen – vorausgesetzt sie besitzen unterschiedliche
Geschlechter – die gleiche Wahrscheinlichkeit besteht, Nachkommen zu erzeugen. Die pha¨noty-
pischen Unterschiede zwischen den Individuen sind das auffa¨lligste Merkmal einer Population,
die durch unterschiedliche Umweltbedingungen15 oder verschiedene genetische Ausstattung16
bedingt sein ko¨nnte (Sauer und Mu¨ller, 1987). Die Gesamtheit aller Gene einer Population
bezeichnet man als Genpool (Futuyma, 1990).
3.4 Mechanismen der Evolution
Die folgenden Abschnitte beschreiben die spa¨ter fu¨r die technische Optimierung zu abstrahie-
renden evolutiona¨ren Mechanismen der Selektion, Mutation und Rekombination.
3.4.1 Selektion
Die neuen Konzeptionen von Darwin waren das Postulat des gemeinsamen Ursprungs und die
natu¨rliche Auswahl (French, 1988). Fu¨r den gemeinsamen Ursprung gilt, dass fu¨r a¨hnliche Or-
ganismen Verwandtschaft und die Abstammung von gemeinsamen Vorfahren existiert. Darwin
nahm auch den Menschen nicht aus dieser gemeinsamen Abstammung aus und lo¨ste so einen
Sturm der Entru¨stung aus. Trotz der allgegenwa¨rtigen Empo¨rung wurde die Vorstellung einer
einheitlichen Abstammung von vielen Biologen aufgegriffen, lieferte sie doch den Zugang zu der
Hierarchie der taxonomischen Begriffe17 und gab eine Erkla¨rung fu¨r die Beobachtung, dass alle
15Durch Umweltfaktoren werden bei gleichem Genotyp unterschiedliche Pha¨notypen erzeugt, d.h. die Umwelt
verursacht eine nichtgenetische Variationsbreite durch Vera¨nderung der Pha¨notyps (Sauer und Mu¨ller, 1987).
16Hauptursache fu¨r unterschiedliche Pha¨notypen, begru¨ndet in der Vielzahl von mo¨glichen Allelen an den
Genorten (Vogel und Angermann, 1990).
17Arten, Gattungen, Familien. Begriff aus der biologischen Systematik (Peters, 1976).
39
3.4 Mechanismen der Evolution
Lebewesen einer relativ geringen Anzahl morphologischer Typen zugeordnet werden ko¨nnen.
Das Darwin’sche Postulat fu¨r die natu¨rliche Auswahl bezieht sich auf die Selektion. Vera¨nde-
rungen sind nach Darwin nicht die Folge eines mysterio¨sen Lamarckschen Dranges und auch
nicht zufa¨llig, sondern die Folge der Selektion (Mayr, 1985).
Der Selektionsvorgang teilt sich in zwei Stufen. In der ersten Stufe wird durch Mutation
und Rekombination eine genetische Variation generiert (Sauer und Mu¨ller, 1987), die zweite
Stufe umfasst das ”U¨berleben im Existenzkampf”. Der Ursprung der genetischen Variation
war Darwin unbekannt. Erst mit der Entdeckung der Genetik wurden diese Vorga¨nge verstan-
den. Lebewesen produzieren Nachkommen, von denen nur die wenigsten u¨berleben. Die ho¨chste
U¨berlebenswahrscheinlichkeit besitzen nach Darwin die Lebewesen mit den fu¨r die jeweilige
Umgebung am ehesten geeigneten Kombinationen von Eigenschaften. Der Philosoph Spencer
pra¨gte die Beschreibung des ”survival of the fittest” fu¨r das Selektionsprinzip Darwins (Scho¨ne-
burg et al., 1994). Weitere Literatur zum Thema Selektion findet sich z.B. bei Hasenfuss (1978),
Bonner (1988), Bell (1997) oder Mu¨hlenbein und Schlierkamp-Voosen (1995).
Natu¨rliche Selektion: Wa¨hrend die weiter unten beschriebenen Mechanismen der Mutation
und Rekombination stochastische Ereignisse sind, ist die Selektion eine gerichtete Vera¨nderung
einer Population. Individuen, die besser an ihre Umwelt angepasst sind, besitzen gu¨nstigere
Gene bzw. Genkombinationen (Weingartner, 1991). Selektion kann zumindest theoretisch im-
mer dann Wirkung zeigen, wenn sich unterschiedliche, selbst reproduzierende Einheiten18 in
ihrer U¨berlebens- und Fortpflanzungsrate unterscheiden. Natu¨rliche Selektion setzt ein, wenn
Genotypen Unterschiede in ihrer Fitness (Fortpflanzungswahrscheinlichkeit) aufweisen. Fu¨r die
Evolution wird die Fitness ausschließlich durch die Vermehrungsrate eines Genotyps im Ver-
gleich zu anderen Genotypen bestimmt. Die natu¨rliche Selektion wird von Futuyma (1990)
zusammenfassend als ein statistisches Maß fu¨r den Unterschied im U¨berleben und in der Fort-
pflanzung von Entita¨ten beschrieben, die sich in einem oder mehreren Merkmalen unterschei-
den. Die Zusammensetzung von Arten in o¨kologischen Gemeinschaften wird ebenfalls von der
Selektion bestimmt, da alle Arten, die nicht mit anderen koexistieren ko¨nnen, in der o¨kolo-
gischen Gemeinschaft nicht mehr vorkommen. Endler (1986), zitiert nach Cockburn (1995,
S. 14), definiert die natu¨rliche Selektion als einen Prozess in einer Population mit den folgenden
Voraussetzungen: Variation unter den Individuen hinsichtlich einer Eigenschaft oder Merkmals-
auspra¨gung, eindeutiger Zusammenhang zwischen der Merkmalsauspra¨gung und einem Maß
fu¨r den Reproduktionserfolg oder das U¨berleben (Fitnessunterschiede) sowie zumindest teilwei-
se eine von Umwelteinflu¨ssen unabha¨ngige Vererbung der Merkmalsauspra¨gung zwischen Eltern
und ihren Nachkommen. Sind diese Bedingungen erfu¨llt, lassen sich innerhalb einer Generati-
on Individuen eines bestimmten Alters vorhersagbar von den Individuen unterscheiden, die
gar nicht bis zu diesem Alter u¨berleben (within-generation-effect). Fu¨r Populationen, die sich
nicht im Gleichgewicht befinden, ko¨nnen auch zwischen den Generationen der Nachkommen
und der Generation der Eltern Unterschiede vorhergesagt werden (between-generation-effect)
(Cockburn, 1995; Slatkin, 1983).
Stabilisierende Selektion: Das Auslo¨schen der
Phänotyp
vS
N
nS
N
j
HäufigkeitPhänotyp
vor der Selektion
Häufigkeit Phänotyp
nach der SelektionFitness
Phänotyp Phänotyp
Bild 3.2: Auswirkung stabilisierende Selektion
extremen Pha¨notypen an den a¨ußeren Ra¨ndern
der Merkmalsverteilung ist wahrscheinlich die
ha¨ufigste Selektionsform. Sie wird als stabili-
sierende Selektion bezeichnet, da die Merkmals-
varianz reduziert wird. Stabilisierende Selek-
tion kann auch wirken, ohne den Mittelwert
eines Merkmals zu a¨ndern (Cockburn, 1995).
Futuyma (1990) bezeichnet die stabilisierende
Selektion auch als balancierende Selektion und
nennt als Bedingung die Lage der gro¨ßten Fit-
ness bei den intermedia¨ren Pha¨notypen. Bild 3.2 zeigt den Zusammenhang zwischen der Ha¨ufig-
keit eines Pha¨notyps und der Fitness fu¨r die stabilisierende Selektion (Cavalli-Sforza und Bod-
mer, 1971), zitiert nach Futuyma (1990), S.175.
18Gene, Teile des Genom, sich im Genotyp unterscheidende Organismen, Populationen oder Arten(Futu-
yma, 1990).
40
3.4.2 Mutation
Disruptive Selektion: Die Disruptive Selekti-
vS
N
nS
N
j
HäufigkeitPhänotyp
vor der Selektion
Häufigkeit Phänotyp
nach der SelektionFitness
Phänotyp Phänotyp Phänotyp
Bild 3.3: Auswirkung der disruptiven Selektion
on ist das Gegenteil zur stabilisierenden Selek-
tion. Der auch als diversifizierende Selektion
benannte Vorgang steigert die Varianz eines
Merkmals (Cockburn, 1995). Selektion ist dann
disruptiv, wenn zwei oder mehrere Pha¨notypen
eine ho¨here Fitness als die dazwischen liegen-
den intermedia¨ren Pha¨notypen besitzen (Futu-
yma, 1990). Den Zusammenhang zwischen Pha¨-
notyp und Fitness fu¨r die disruptive Selektion
zeigt das Bild 3.3.
Gerichtete Selektion: Ist die Beziehung zwi-
vS
N
nS
Nj
Häufigkeit Phänotyp
vor der Selektion
Häufigkeit Phänotyp
nach der SelektionFitness
Phänotyp Phänotyp Phänotyp
Bild 3.4: Auswirkung der gerichteten Selektion
schen Pha¨notyp und Fitness monoton, so dass
ein extremer Pha¨notyp den ho¨chsten Fitness-
wert aufzeigt, ist die Selektion gerichtet (Futu-
yma, 1990). Die gerichtete oder nach Sauer und
Mu¨ller (1987) transformierende Selektion ver-
a¨ndert den Mittelwert des Merkmals (Cock-
burn, 1995). Das Bild 3.4 (Cavalli-Sforza und
Bodmer, 1971), zitiert nach Futuyma (1990),
zeigt den Zusammenhang zwischen Pha¨notyp
und Fitness fu¨r die gerichtete Selektion.
Frequenzabha¨ngige Selektion: Ist die Fitness eines Pha¨notyps von seiner relativen Ha¨ufigkeit
in einer Population abha¨ngig, tritt frequenzabha¨ngige Selektion auf (Cockburn, 1995). Hier gibt
es keine einfache Beziehung zwischen Pha¨notyp und Fitness (Futuyma, 1990).
Dichteabha¨ngige und dichteunabha¨ngige Selektion: Die Wirkung von Selektion wird mo¨gli-
cherweise erst dann erkennbar, wenn die Konkurrenz zwischen den Individuen, beispielsweise
aufgrund der hoher Anzahl der Individuen in der Population, die sog. Dichte, ansteigt. Dichte-
unabha¨ngige Selektion ist bedingt durch a¨ußere Einflu¨sse, beispielsweise durch extreme Wet-
terbedingungen (Cockburn, 1995).
Harte und weiche Selektion: Besteht zwischen Individuen Konkurrenz um eine begrenzte Res-
source, so dass nur eine bestimmte Anzahl u¨berleben kann, wird dieser Anteil ausschließlich
durch die relative Eignung bestimmt. Da aber immer einige Individuen u¨berleben, spricht man
von weicher Selektion. Extreme a¨ußere Bedingungen ko¨nnen dazu fu¨hren, dass alle Individuen
umkommen. Hier ist das U¨berleben eines Individuums nicht unbedingt vom Tod oder U¨berle-
ben eines anderen Individuums abha¨ngig. Die Anzahl der Individuen, die diese harte Selektion
u¨berlebt, ist also weitgehend unabha¨ngig von der Dichte oder der relativen Selektion (Cock-
burn, 1995).
3.4.2 Mutation
Vera¨nderungen des genetischen Materials werden als Mutationen bezeichnet (Vogel und An-
germann, 1990). Sie sind nach Futuyma (1990) der Ursprung der genetischen Variation. Nach
Futuyma (1990) und Sauer und Mu¨ller (1987) sind Mutationen Fehler in der DNS, die bei der
Replikation von Nukleotidbasen auftreten. Koll (1977) bezeichnet Mutationen als Vera¨nderun-
gen des genetischen Materials, die eine Vera¨nderung der Lebensform durch Erbwandel nach sich
zieht. Lo¨nning (1995) verneint die Mutation als Grundlage der Evolution und bezeichnet die
Beantwortung der Hauptfragen fu¨r die Entstehung des Lebens als offen.
Mutationen sind rein stochastische Ereignisse, d.h. ihr mo¨glicher Nutzen besitzt keinen Ein-
fluss auf ihre Ha¨ufigkeit. Die Mutation fu¨r sich bedeutet keine Anpassung des Organismus
an seine Umgebung. Erst nachtra¨glich la¨sst sich erkennen, ob das Resultat der Mutation eine
verbesserte Anpassung des Organismus gebracht hat oder nicht. Da Populationen i.d.R. ihrer
Umgebung gut angepasst sind, haben Mutationen, die zu gro¨ßeren Vera¨nderungen fu¨hren, meist
41
3.4 Mechanismen der Evolution
nachteilige Effekte. Evolutiona¨rer Wandel findet eher in kleinen Schritten statt, d.h. viele kleine
Vera¨nderungen kumulieren und verbessern so gleitend die Anpassung von Organismen an ihre
Umwelt. Vollziehen sich die Mutationen in den Keimzellen, werden sie an die na¨chste Genera-
tion vererbt. Die zur Evolution fu¨hrende Variation der genetischen Information kann außer aus
der Vera¨nderung der Gen-Struktur durch Mutation auch aus Abweichungen der Anzahl und
Organisation der Gene folgen (Ayala, 1985). Nach Sauer und Mu¨ller (1987) kommen Mutatio-
nen relativ selten vor. Spontane Mutationsraten liegen zwischen 10−4 bis 10−6 Mutationen pro
Generation. Sauer und Mu¨ller (1987) nennen drei Arten, in die sich die Mutation unterteilen
la¨sst: Punktmutation, Chromosomenmutation und Genommutation (siehe auch Wolin (1988)).
Neutrale Mutationen sind Mutationen, die fu¨r einen Organismus weder positive noch negative
Folgen haben und dementsprechend von der Selektion nicht beachtet werden (Maier, 1994).
Punktmutation: Punktmutationen19 sind auf Vera¨nderungen in der DNS beschra¨nkt (Sauer und
Mu¨ller, 1987). Nach Savage (1966) zeichnen sich Punktmutationen durch spontanes Auftreten
einer neuen Auspra¨gung fu¨r ein Gen aus. In vielen Fa¨llen liegt der Fehler in der Aneinan-
derreihung der Nukleotidbasen. Hier werden falsche Nukleotidbasen in ein Codon eingebaut,
bzw. Nukleotidbasen gehen verloren (Ayala, 1985). Die fehlerhaften Codons aus der Punktmu-
tation ko¨nnen zu einem Austausch von Aminosa¨uren fu¨hren, in diesem Fall spricht man von
Missense-Mutationen (Ayala, 1985). Die Auswirkungen derartiger Mutationen sind in hohem
Maße von der Bedeutung der ausgetauschten Aminosa¨ure abha¨ngig. Die gro¨ßten Vera¨nderungen
ergeben sich aus dem Verlust von Nukleotidbasen. Die Folge ist eine Verschiebung des Triplett-
rasters, was fu¨r das kodierte Protein eine vo¨llig vera¨nderte Aminosa¨urezusammensetzung nach
sich ziehen kann (Sauer und Mu¨ller, 1987). Fu¨hrt die Punktmutation zu einem Stop-Codon,
nennt man diese Form der Mutation Nonsense-Mutation20 (Ayala, 1985).
Chromosomenmutation: Die Chromosomenmutation21 betrifft ganze Chromosomen und un-
terscheidet sich im Wesentlichen in der Gro¨ßenordnung von der Punktmutation. Fu¨r den Fall,
dass sich die Chromosomen spontan vera¨ndern, sind die Folgen im Allgemeinen ausgepra¨gter
als bei der Mutation einzelnen Gene. Die Nondisjunktion vermindert bzw. erho¨ht die Chromo-
somenanzahl eines Chromosomensatzes. Die Haploidisierung fu¨hrt zum Verlust eines ganzen
einfachen Chromosomensatzes. Die Polyploidisierung vervielfa¨ltigt Chromosomensa¨tze. Eine
Vera¨nderung der Chromosomenstruktur kann durch A¨nderung Genanzahl oder der Genanord-
nung erfolgen. Deletion bedingt den Verlust von Gengruppen, die Duplikation verdoppelt einen
DNS-Abschnittes in gleicher Orientierung oder in inverser Lage. Fu¨r die Vera¨nderung der Gen-
anordnung wird in der Translokation Material zwischen verschiedenen Chromosomenpaaren
ausgetauscht. Die Inversion steht fu¨r die Drehung einer Gengruppe innerhalb eines Chromosoms
und falsches Verwachsen der Kontaktstelle (Vogel und Angermann, 1990). Zumeist haben der-
artige Vera¨nderungen negative Folgen fu¨r die betroffenen Individuen (Scho¨neburg et al., 1994),
erho¨hen andererseits aber auch die Variationsbreite, vor allem u¨ber die Vera¨nderungen von
Genpositionen (Savage, 1966). Fu¨r den Fall, dass Chromosomen durch a¨ußere Einwirkungen
strukturell vera¨ndert oder zersto¨rt werden, spricht man von Aberrationen. Sie entstehen durch
einen oder mehrere Bru¨che der Chromosomen und durch irregula¨res U¨berkreuzen der Chroma-
tidenstra¨nge22.
Genommutation: Die Genommutation oder Ploidiemutation (Weingartner, 1991) vera¨ndert die
Anzahl der Chromosomen bzw. der Chromosomensa¨tze. Hier kann es zu einer Vervielfachung,
z.B. durch Verschmelzen diploider Zellkerne oder durch Ausbleiben der Zellteilung kommen.
Chromosomen ko¨nnen auch fehlerhaft auf die nachkommenden Zellen verteilt werden. So ent-
stehen Zellen, die zu viel oder zu wenig Chromosomen eines Typs besitzen. Die bekannteste
Form dieser Art beim Menschen ist die Trisomie 21 (Das Chromosom 21 ist dreimal vorhan-
den), sie fu¨hrt zum so genannten Down-Syndrom.
19Weitere Bezeichnung: Genmutation (Sauer und Mu¨ller, 1987).
20Nach Herrmann (1976) auch als
”
Nichtsinn-Mutation” bezeichnet.
21Andere Bezeichnung: Segmentmutation (Vogel und Angermann, 1990; Weingartner, 1991).
22Die Chromatiden sind die aus der Teilung eines Chromosoms entstandenen beiden Teilstra¨nge.
42
3.4.3 Rekombination
3.4.3 Rekombination
Beim Verschmelzen von Keimzellen entstehen neue Genkombinationen. Diesen Vorgang be-
zeichnet man als Rekombination (Weingartner, 1991). Im Gegensatz zur Mutation wird in
der Rekombination23 das genetische Material selbst nicht vera¨ndert, sondern die genetischen
Einzelinformationen umgruppiert (Futuyma, 1990). Wie schon die Mutation erho¨ht auch die
Rekombination die genetische Variationsbreite (Vogel und Angermann, 1990). Nach Meyer und
Daumer (1994) ist die Rekombination eine Umordnung oder Neuverknu¨pfung von bestehen-
den Strukturen. Fu¨r Organismen mit langer Generationszeit reicht die Mutationsrate weder
dazu aus, die Evolution komplexer Strukturen zu erkla¨ren, noch gibt sie Aufschluss u¨ber die
Variationsbreite innerhalb von Populationen. Beide Pha¨nomene lassen sich durch die Rekombi-
nation erla¨utern (Sauer und Mu¨ller, 1987). Sie ermo¨glicht es, innerhalb weniger Generationen
eine hohe Anzahl von Genkombinationen zu generieren (Vogel und Angermann, 1990) und
kann Verlust an durchschnittlicher Fitness aufgrund nachteiliger Mutationen wieder ausglei-
chen (Smith und Szathmary, 1996). Wa¨hrend der Meiose werden die elterlichen Chromosomen
neu kombiniert und daru¨ber hinaus durch Crossover einzelne Bereiche zwischen homologen
Chromosomen ausgetauscht (Sauer und Mu¨ller, 1987).
Interchromosomale Rekombination: Diese Rekombinationsform kommt nur bei sich sexuell
fortpflanzenden Organismen vor. Die interchromosomale Rekombination ist die zufa¨llige Ver-
teilung der von Mutter und Vater stammenden Chromosomen. Bereits vorhandene Chromoso-
menstrukturen werden neu angeordnet (Maier, 1994; Vogel und Angermann, 1990).
Intrachromosomale Rekombination: Die intrachromosale Rekombination, die auch als Cross-
over24 bezeichnet wird, ist die schon oben genannte Umordnung und Neuverknu¨pfung von
Strukturen. Teile der DNS werden reziprok ausgetauscht, vorausgesetzt dieser Teil existiert in
einer Zelle mindestens zweimal. Voraussetzung fu¨r die intrachromosomale Rekombination ist
nach Vogel und Angermann (1990) ein Kopplungsbruch in den Genen.
3.5 Weitere Mechanismen der Evolution
Neben den bisher beschriebenen evolutiona¨ren Mechanismen der Selektion, Mutation und Re-
kombination seien die intertaxonischen Kombination und die reproduktive Isolation als weitere
Evolutionsmechanismen kurz erla¨utert.
Intertaxonische Kombination: Neben Rekombination und Mutation nennt Sitte (1994) die in-
tertaxonische Kombination (ITC) als weitere mo¨gliche Triebkraft fu¨r die Evolution. Wa¨hrend
in der genetischen Rekombination zwei unterschiedliche, aber artgleiche Genome in einer Zelle
vereinigt werden, werden in der intertaxonischen Kombination Genome unterschiedlicher Arten
in einer einzelnen Zelle kombiniert. Durch ITC ko¨nnen schlagartig neue Grundtypen fu¨r Zell-
organisationen entstehen, was mit den bisher beschriebenen Mechanismen nicht erkla¨rt werden
kann (Sitte, 1994).
Reproduktive Isolation: Fu¨r die Entstehung von Arten ist die Isolation sehr wichtig, da auf diese
Weise der Genpool von Populationen seine Eigenartigkeit aufrechterhalten kann (Weingartner,
1991). Das Konzept der biologischen Art begreift in ihrer Definition nach Vogel und Angermann
(1990) Spezies als Gruppe sich untereinander fortpflanzender natu¨rlicher Populationen, die
reproduktiv von anderen Gruppen getrennt sind. Die Art besteht hier aus Populationen und
nicht aus beziehungslosen Individuen. Mo¨glichkeiten sind die Geographische25, O¨kologische26,
Fortpflanzungsbiologische27 und die Genetische Isolation28.
23Neukombination von Allelen Lange (1985).
24In anderen Quellen (z.B. Maier (1994), Kattmann und Weninger (1981)) auch als Crossing-over bezeichnet.
25Trennung durch geographische Faktoren (z.B. Gebirge, Wu¨sten, Meere.
26Durch Umweltfaktoren (z.B. Wirt/Parasit-Gemeinschaften) getrennte Populationen, die im gleichen geogra-
phischen Gebiet leben.
27Trennung durch unterschiedliches Paarungsverhalten (z.B. Zeiten, Auslo¨ser).
28Durch genetische Unterschiede in den Chromosomensa¨tzen bedingte Trennung (z.B. genetische Kreuzungs-
barrieren (Futuyma, 1990)).
43
4 Methoden der Optimierung in der
Technik
Nach der DIN 19236 (S. 2) versteht man unter Optimierung ganz allgemein ”Maßnahmen zur
Erzeugung einer solchen Wirkungsweise des Systems, dass unter gegebenen Nebenbedingungen
und Beschra¨nkungen das Gu¨tekriterium einen mo¨glichst großen bzw. mo¨glichst kleinen Wert
annimmt”. Ein Gu¨tekriterium ist nach DIN 19236 (S. 5) eine ”im Hinblick auf die Erfu¨llung einer
Optimierungsaufgabe festzulegende Bewertungsvorschrift fu¨r das Verhalten oder die Zusta¨nde
eines Systems”. Unterteilt wird die Optimierung in der genannten Norm nach verschiedenen
Gesichtspunkten:
• Art der Aufgabenstellung: Statisch: Das Gu¨tekriterium bewertet ausschließlich zeitlich kon-
stante Gro¨ßen. Dynamisch: U¨berga¨nge von Eingangs- in Endzusta¨nde.
• Art der Maßnahmen: Parameter: Wenn die Anordnung aufeinander einwirkender Gebilde
eines Systems feststeht, beschra¨nkt sich die Optimierung darauf, das Ausmaß der Einwir-
kungen zu bestimmen. Struktur: Die Optimierung legt die Anordnung oder die Auswahl
der aufeinander einwirkenden Gebilde fest.
• Mathematische Sicht: Linear/Nichtlinear: Sind das Gu¨tekriterium, alle Nebenbedingun-
gen und die Systemgleichung linear, heißt die Optimierung linear, ansonsten nichtlinear.
Deterministisch: Die Optimierung entha¨lt keinerlei zufallsabha¨ngige Gro¨ßen. Statistisch:
Wenigstens eine der betrachteten Gro¨ßen ist zufa¨lligen Schwankungen ausgesetzt. Stocha-
stisch: Zufa¨llige Schwankungen einer betrachteten Gro¨ße treten zeitabha¨ngig auf.
• Art der Ergebnisse: Optimal: Das Gu¨tekriterium nimmt seinen gro¨ßt- bzw. kleinstmo¨gli-
chen Wert an. Suboptimal: Das Gu¨tekriterium erreicht aufgrund bewusster Vera¨nderun-
gen oder Vernachla¨ssigungen im Lo¨sungsverfahren lediglich einen Wert in der Na¨he des
angestrebten Optimums.
Die heute in der Technik angewandten Optimierungsmethoden sind sehr vielfa¨ltig. Darum
erfolgt an dieser Stelle nur eine sehr oberfla¨chliche Einteilung in konventionelle Verfahren und
Verfahren nach dem Vorbild der Natur.
4.1 Konventionelle Verfahren
Die konventionellen Optimierungsverfahren lassen sich grob in deterministische und nicht deter-
ministische Ansa¨tze einteilen. Zu beiden Ansa¨tzen existiert eine nahezu unu¨berschaubare Fu¨lle
von Verfahren, so dass hier nur exemplarisch Verfahren genannt werden. Voraussetzung fu¨r
klassischen Verfahren sind differenzierbare und stetige Funktionen. Zu den deterministischen
Ansa¨tzen za¨hlen z.B. das Newton-Verfahren, die Gauß-Seidel-Verfahren, das Simplex- sowie die
Gradienten-Verfahren. Nicht deterministische Optimierungsverfahren verwenden anstatt der
komplizierten deterministischen Vorschriften fu¨r die Suche von Optima in großen Suchra¨umen
den Zufall. So gesehen besitzen nichtdeterministische Optimierungsverfahren A¨hnlichkeiten zur
44
evolutiona¨ren Herangehensweise, da hier die systematische Nutzung des Zufalls sehr erfolgreich
ist. Liegen keine Kenntnisse u¨ber die Lage der globalen Maxima vor, sind zufallsgesteuerte
Verfahren ggf. wesentlich effizienter als deterministische. Bei einer gleichma¨ßigen Streuung der
Zufallswerte Optima nicht aufzufinden ist beim nichtdeterministischen Ansatz wesentlich un-
wahrscheinlicher als beim deterministischen. Als Beispiel fu¨r ein nichtdeterministisches klassi-
sches Optimierungsverfahren sei die Monte-Carlo-Methode genannt. Sie benutzt Prinzipien der
Wahrscheinlichkeitsrechnung und Statistik, um komplexe Probleme na¨herungsweise zu lo¨sen
(Solig, 1991).
4.2 Anwendung der Biologie in der Technik – Bionik
Die Abbildung von Mechanismen und Elementen aus der Natur fu¨r die Technik geht bis ins
15. Jahrhundert zuru¨ck. Eines der ersten und bekanntesten Beispiele stammt von Leonardo
da Vinci, der den Flu¨gelschlag der Vo¨gel untersucht und daraus Schlagfla¨chen aus Weidenru-
ten und Leinen abgeleitet hat. Der heutige Begriff der Bionik wurde 1960 auf einer Tagung
in den USA1 erstmalig formuliert. Definiert ist die Bionik nach Neumann (1993, S. 10) als
”Wissenschaftsdisziplin, die sich systematisch mit der technischen Umsetzung und Anwendung
von Konstruktionen, Verfahren und Entwicklungsprinzipien biologischer Systeme befasst”. Wie
auch die unten beschriebenen Evolutiona¨ren Algorithmen werden die Problemlo¨sungen durch
die Bionik nicht durch bloßes Kopieren des Vorbilds der Natur erreicht, sondern sie dient als
Anregung fu¨r eigensta¨ndige Lo¨sungen2. Nach Nachtigall (1992) la¨sst sich die Bionik in die
folgenden Bereiche einteilen:
• Historische Bionik: Alle Ansa¨tze, Natur in Technik zu u¨bertragen, die vor dem 19. Jahr-
hundert vorgenommen wurden.
• Konstruktions- und Strukturbionik: Sie beschreiben, vergleichen und untersuchen biologi-
sche Strukturelemente in Bezug auf ihre Eignung fu¨r spezielle Zwecke (Seydel, 2003).
Beispiele sind der Klettverschluss des Belgiers George de Mistral3 oder das Prinzip des
Baumwachstums, mehr Material nur dort anzulagern, wo es erforderlich ist 4.
• Material- und Werkstoffbionik: Hier werden Erkenntnisse u¨ber biologische Materialien hin-
sichtlich ihrer mechanischen und o¨kologischen Eigenschaften betrachtet. Ziel ist die Ent-
wicklung neuartiger Werkstoffe mit speziellen Eigenschaften.
• Baubionik: Angestrebt wird ein natu¨rliches Bauen, z.B. nach dem Vorbild von Spinnen-
netzen fu¨r die Leichtbaukonstruktion (Seydel, 2003).
• Klima- und Energiebionik: Aus der Natur werden Anregungen fu¨r Heizung, Ku¨hlung und
passive Lu¨ftung, z.B. von Termiten oder vom Pra¨riehund Cynomos u¨bernommen5
• Verfahrensbionik: Verfahren, mit denen die Natur Vorga¨nge steuert, werden auf ihre tech-
nische Verwendbarkeit u¨berpru¨ft. Beispiele sind die noch nicht realisierte Photosynthese
fu¨r das direkte Erzeugen von Wasserstoff und das natu¨rliche Recycling.
• Sensorbionik: Natu¨rliche Sensoren fu¨r physikalische und chemische Reize werden im Hin-
blick auf U¨bertragungsmo¨glichkeiten fu¨r die Technik untersucht. So z.B. bei dem von der
Fledermaus genutzten Prozess zur Entfernungsmessung durch Sonarimpulse fu¨r elektri-
sche Zollsto¨cke (Kursawe, 1999).
1Bionics Symposium: Living Prototyps – The Key to New Technology, Dayton, Ohio (Seydel, 2003).
2http://www.bionik.tu-berlin.de/kompetenznetz/bionik/bionik.htm.
3http://www.ftd.de/ub/in/1088603071402.html?nv=cpm.
4http://www.uni-saarland.de/fak8/bi13wn/bionik/konstruktionsbionik.htm.
5Durch verschiedene Formen der Ein- und Ausga¨nge seines Baus erzeugt der Cynomos eine gerichtete Luft-
stro¨mung und so eine Ventilation seines Baus (Seydel, 2003).
45
4.3 Das Forschungsgebiet der Evolutiona¨ren Optimierung
• Bewegungsbionik: Die Fortbewegung in unterschiedlichen Medien in der Natur wird unter-
sucht, um technische Antriebe bzw. die Bewegungswidersta¨nde von ku¨nstlichen Gebilden
zu optimieren. Beispiele sind die Winglets an den Außenseiten von Flugzeugtragfla¨chen,
die wie die langen Schwungfedern von großen Vo¨geln wirken und Randwirbel zum Auf-
platzen bringen und so den Widerstand vermindern.
• Neuro- und Informationsbionik: Gegenstand dieser Form der Bionik sind die Datenanaly-
sen und die Informationsverarbeitung der Natur. Anregungen fu¨r die Verschaltung von
Parallelrechnern und die Entwicklung Neuronaler Netze stammen von hier.
• Anthropobionik: Die Mensch-Maschine-Interaktion im Sinne der physikalischen Bedienung
von technischen Systemen, aber auch die ruckfreie Bewegung von Robotern (Akgu¨l et al.,
2002) geho¨ren zu diesem Teilbereich. Seydel (2003) za¨hlt auch die bedienungsfreundliche
und ergonomische Gestaltung von moderner Flugzeugcockpits zur Anthropobionik.
• Evolutionsbionik: Die Evolutionsbionik oder Evolutionstechnik (Akgu¨l et al., 2002) ent-
spricht den unten beschriebenen Abstrahierungen evolutiona¨rer Mechanismen fu¨r die tech-
nische Optimierung. Nach Seydel (2003) wird nach Algorithmen gesucht, die die Optimie-
rung der Natur mathematisch beschreibbar und praktisch anwendbar machen.6
4.3 Das Forschungsgebiet der Evolutiona¨ren Optimierung
Der in Kapitel 3 beschriebene Prozess der Evolution kann als seit Milliarden von Jahren an-
dauernder Optimierungsprozess in einer sich wandelnden Umwelt begriffen werden. So stellt die
natu¨rliche Evolution das Vorbild fu¨r die Optimierungsmethode der Evolutiona¨ren Algorithmen
(EA)7 dar. Evolutiona¨re Algorithmen sind stochastische Suchverfahren, die mit Populationen
von Individuen auf verschiedenen Ebenen der Evolution arbeiten (Ba¨ck et al., 1993). Auf die
Individuen wird das Prinzip Der Sta¨rkere u¨berlebt angewendet, um so im Hinblick auf eine
Zielfunktion immer bessere Individuen zu erzeugen.
4.3.1 Historie
Bereits gegen Ende der fu¨nfziger Jahre wurden die Grundmechanismen der biologischen Evolu-
tion abstrahiert und fu¨r praktische Zwecke eingesetzt. Es entstanden verschiedene Pionierarbei-
ten, die zu den Vorla¨ufern heutiger Evolutiona¨rer Algorithmen gerechnet werden. Dazu za¨hlen
beispielsweise die EVOP8-Methoden fu¨r die Prozessoptimierung nach Box (1957), die evoluti-
ona¨ren Optimierungsverfahren nach Bremermann (1962) sowie der Lernautomat nach Friedberg
(1958; 1959). Die Evolutiona¨ren Algorithmen sind in ihrer heutigen Form aus drei Mitte der
sechziger Jahre parallel und unabha¨ngig voneinander aufgetretenen Richtungen hervorgegangen:
der Evolutiona¨ren Programmierung (EP), den Evolutionsstrategien (ES) und den Genetischen
Algorithmen (GA) (Rudolph und Schwefel, 1994). Alle drei Denkweisen abstrahieren die bis-
lang nur im biologischen Kontext untersuchten Evolutionsprozesse – Selektion, Rekombination
und Mutation, um sie fu¨r die technische Optimierung nutzbar zu machen. Erste Entwicklungen
in der Evolutiona¨ren Programmierung erfolgten 1966 durch Fogel, Owens und Walsh (Fogel
et al., 1966). Die Entstehung der Evolutiona¨ren Strategien setzte in den 60er Jahren an der
technischen Universita¨t Berlin durch Rechenberg und Schwefel ein (Rechenberg, 1973). Der
Begriff der Genetischen Algorithmen stammt aus einer Arbeit von Bagley (1967), wurden aber
in ihrer heute bekannten Form von Holland (1975) vorgeschlagen. Bis Mitte der achtziger Jah-
re entwickelten sich die drei Richtungen unabha¨ngig voneinander. Erst ab 1985 begann ein
6Die vorliegende Arbeit verbindet demnach die Anthropobionik mit der Evolutionsbionik durch die Mensch-
Maschine-Interaktion mittels graphischer Bedienoberfla¨chen als Gegenstand der Optimierung und die Ver-
wendung evolutiona¨re Mechanismen als Optimierungsverfahren.
7oder Evolutionary Computation (EC) (Schwefel, 1998).
8EVOP: Evolutionary Operations.
46
4.3.2 Evolutiona¨re Algorithmen
Austausch der Ideen auf verschiedenen Tagungen.9 Der Begriff der Evolutiona¨ren Algorith-
men10 ist seit Anfang der neunziger Jahre gro¨ßtenteils als Oberbegriff akzeptiert (Rudolph und
Schwefel, 1994). Die Eingruppierung von Evolutiona¨ren Algorithmen im Sinne der historischen
Entwicklung gilt nach Pohlheim (1998) als nicht mehr zeitgema¨ß und auch nicht als sinnvoll.
Vielmehr wird versucht, nicht die Unterschiede zwischen den Methoden zu betrachten, sondern
deren Bestandteile in neuen Bereichen und Richtungen zusammenzustellen und sie zu erweitern
(Cerf, 1995; Voigt, 1995; Michalewicz, 1996).
4.3.2 Evolutiona¨re Algorithmen
Zur Thematik der Evolutiona¨ren Algorithmen existiert eine unu¨berschaubar große Anzahl von
Publikationen vielfa¨ltigster Ausrichtungen. Als einfu¨hrende Literatur seien die Vero¨ffentlichun-
gen von Ba¨ck und Schwefel (1993), Scho¨neburg et al. (1994) und Nissen (1997) genannt, die
einen U¨berblick u¨ber die verschiedenen Verfahren der evolutiona¨ren Optimierung geben. In
vielen Bereichen der Technikwissenschaften werden fu¨r den Fall schwer handhabbarer Optimie-
rungsprobleme Evolutiona¨re Algorithmen fu¨r deren Lo¨sung herangezogen. Schu¨tz und Schwefel
(2000) sowie Ba¨ck et al. (1997) nennen die Optimierung der Synthese multipler optischer Schich-
ten als Anwendungsbeispiel. Nissen (1997) nennt als weitere Beispiele den Einsatz der evoluti-
ona¨ren Optimierung bei der Disposition und Maschinenbelegungsplanung im VW-Motorenwerk
Salzgitter sowie die Strukturoptimierung von Geru¨sten, den Chip-Entwurf und die Steuerung
autonomer Roboter. Auch in anderen Bereichen finden Optimierungsstrategien auf Grundlage
der Evolution Anwendung. Genannt seien hier exemplarisch die Wirtschaftswissenschaften mit
den Vero¨ffentlichungen von Andrews (1994), Bortfeldt (1995), Claus (1995), Riechmann (1998)
und Schuth (2001). Fu¨r die Naturwissenschaften siehe z.B. Ebeling (1997), Rose´ (1998) und
Skusa et al. (2000). Aber auch im Design-Bereich kommen EA zum Einsatz, z.B. beschreibt
Sung-Bae (2001) einen interaktiven Genetischen Algorithmus fu¨r das Erzeugen von Modedesign.
Die Evolutiona¨re Algorithmen erregen soviel Aufmerksamkeit, dass sie in Form der Genetischen
Algorithmen Eingang in den letzten Roman von Crichton (2002) fanden. Der Begru¨nder der
Genetischen Algorithmen, John Holland, wird sogar namentlich erwa¨hnt.11
Die Evolutiona¨ren Algorithmen erga¨nzen die Methoden des Operational Resarch, hier insbe-
sondere dessen vorrangige Ziele, wissenschaftliche Methoden zur Entscheidungsunterstu¨tzung
bereitzustellen. In der praktischen Anwendung werden die EA u¨berwiegend zur Optimierung
eingesetzt. Globale Optimierungsprobleme sind durch die Auswahl einer Lo¨sung gekennzeich-
net, die aus einer i.a. sehr umfangreichen Lo¨sungsanzahl gefunden werden soll. Diese Lo¨sung
soll sowohl alle Nebenbedingungen enthalten als auch die durch eine Zielfunktion gegebenen
Zielkriterien am besten erfu¨llt. Diese Lo¨sung wird als global optimal bezeichnet. Die Lo¨sung ist
ein lokales Optimum, wen der zugeho¨rige Zielfunktionswert besser ist als der aller Lo¨sungen,
die in einer definierten Nachbarschaft liegen. Funktionen mit nur einem lokalen Maximum wer-
den als unimodal bezeichnet, Funktionen mit mehr als einem lokalen Optimum als multimodal.
Die Vorteile der EA liegen in der breiten Anwendbarkeit der Basisverfahren, der flexiblen Ver-
fahrensgestaltung, ihrer guten Eignung fu¨r komplexe Suchra¨ume und – was fu¨r die vorliegende
Arbeit besonders wichtig ist – es existieren keine restriktiven Anforderungen an die Zielfunktion.
Die Nachteile der EA sind die fehlende Garantie, globale oder lokale Optima bei beschra¨nkter
Rechenzeit zu finden, der hohe Rechenaufwand, die aufwa¨ndige Feineinstellung gegen Ende der
Programmierung und die mo¨glicherweise schwierige Anpassung an die Problemstellung sowie
die schwierige Auswahl der Strategieparameter (Nissen, 1997).
9Beispielsweise auf der alle zwei Jahre in den USA stattfindende International Conference on Genetic Al-
gorithms (ICGA, http://www.isgec.org/gecco-2004) fu¨r die Theorie und Anwendung Genetischer Al-
gorithmen. Seit 1990 findet in Europa die Konferenz Parallel Problem Solving from Nature (PPSN,
http://ls11-www.cs.uni-dortmund.de/PPSN/) im Wechsel mit der ICGGA statt.
10Auf der PPSN-Tagung 1990 und der ICGA von 1991 versta¨ndigten sich die fu¨hrenden Vertreter der Evolu-
tiona¨ren Programmierung, der Evolutiona¨ren Strategien und der Genetischen Algorithmen auf den Begriff
der Evolutiona¨ren Algorithmen als gemeinsamen Oberbegriff (Pohlheim, 1998).
11Crichton (2002, S. 158).
47
4.4 Mechanismen der Evolution in der technischen Optimierung
4.4 Evolutionsmechanismen in der technischen Optimierung
Die folgenden Abschnitte beschreiben die Abstrahierungen der in Abschnitt 3.4 vorgestellten
biologischen Mechanismen der Evolution fu¨r die technische Optimierung. Dazu za¨hlen die Se-
lektion, die Rekombination und die Mutation. Nach Kursawe (1999) ko¨nnen die Rekombination
und die Mutation als Motor und die Selektion als Steuerung der rechnergestu¨tzten Evolution
angesehen werden. Die Reinsertation kommt als weiterer Operator hinzu.
4.4.1 Selektion
In der Selektion wird entschieden, welche Individuen I Auswahl
1
I
2
I
3
I
4
I
5
I
6
I
7
I
t
P
Bild 4.1: Abstrahierter Evolutiona¨rer
Mechanismus: Selektion
fu¨r die Generierung von Nachkommen D ausgewa¨hlt wer-
den. Der erste Schritt der Selektion ist die Fitnesszuweisung,
der zweite Schritt ist die Auswahl der Individuen entspre-
chend der Fitness.
4.4.1.1 Fitness und Fitnesszuweisung
Die Fitness eines Individuums entspricht seiner Fortpflanzungswahrscheinlichkeit und damit
der Selektionswahrscheinlichkeit. Sie ha¨ngt allein vom Zielfunktionswert des Individuums und
den Zielfunktionswerten der u¨brigen Individuen des gleichen Selektionspools (entspricht im
folgenden der Population) ab. In der Fitnesszuweisung wird fu¨r jedes Individuum dessen Fort-
pflanzungswahrscheinlichkeit bestimmt. Der Wert ergibt sich wie oben angegeben, ggf. unter
Anwendung einer Fitnessfunktion12. Nach Pohlheim (1998) existieren zwei unterschiedliche Ver-
fahren zur Fitnesszuweisung:
Proportionale Fitnesszuweisung: Jedem Individuum wird ein Fitnesswert zugewiesen, der pro-
portional zu seinem Zielfunktionswert ist. Die Gleichungen 4.1 bis 4.3 nennen die wichtigsten
Skalierungsmo¨glichkeiten linear, logarithmisch und exponentiell.
ϕ(Ii) = aΨ(Ii) + b (4.1)
ϕ(Ii) = b− log (Ψ(Ii)) (4.2)
ϕ(Ii) = [aΨ(Ii) + b]
k (4.3)
Reihenfolgebasierte Fitnesszuweisung:13 Die Individuen der Population werden entsprechend
der Zielfunktionswerte sortiert. Die zugewiesene Fitness ha¨ngt in diesem Fall nur von der Po-
sition des Individuums in der Rangfolge ab und nicht vom Zielfunktionswert. Pohlheim (1998)
nennt fu¨r eine lineare reihenfolgebasierte Fitnesszuweisung die Gleichung 4.4 fu¨r einen Werte-
bereich des Selektionsdruckes ω (Gleichung 4.5) von [1, 2]:
ϕ(Ii) = 2− ω + 2(ω − 1)rg(Ii)− 1
NI − 1 (4.4)
ω =
pA(Ibest(P ))
1
NI
NI∑
i=1
pA(Ii(P ))
(4.5)
12Transformation der Zielfunktionswerte in nicht negative Werte.
13Nach Nissen (1997) auch rangfolgebasierte Fitnesszuweisung genannt.
48
4.4.2 Rekombination
4.4.1.2 Verfahren der Auswahl
Nach der Zuweisung der Fitness fu¨r die Individuen sind nun, durch die unten aufgefu¨hrten
Verfahren, die Individuen auszuwa¨hlen, die die Eltern fu¨r die neue Generation bilden.
Roulette-Wheel-Selektion: Im laut Pohlheim (1998) be-
Bild 4.2: Selektion – Auswahl:
Roulette-Wheel
kanntesten Auswahlverfahren werden die Individuen einer
Population einer Linie zugeordnet. Die Abschnittsla¨nge ei-
nes Individuums entspricht dessen Fitnesswert. Im Bereich
[0, L] wird eine gleichverteilte Zufallszahl ν erzeugt und das
Individuum ausgewa¨hlt, auf dessen Abschnitt die Zufalls-
zahl ν zeigt. Dieser Vorgang ist so oft zu wiederholen, wie
Individuen auszuwa¨hlen sind (z.B. in Bild 4.2 fu¨nf mal).
Stochastic Universal Sampling: Dieses Verfahren a¨hnelt
Bild 4.3: Selektion – Auswahl:
Stochastic Universal
Sampling
der Roulette-Wheel-Selektion. Wie dort werden die Indivi-
duen Abschnitten einer Linie zugeordnet. Der Unterschied
liegt im gleichzeitigen Generieren der notwendigen Zeiger
fu¨r die Anzahl NA der auszuwa¨hlenden Individuen. Der
Abstand zwischen den Zeigern betra¨gt 1/NA. Durch eine
gleichverteilte Zufallszahl ν im Bereich [0, 1/NA] werden die
Zeiger bezogen auf den Nullpunkt der Linie verschoben. Das
Bild 4.3 zeigt eine Auswahl nach dem beschriebenen Verfah-
ren fu¨r fu¨nf Individuen und fu¨r NA = 3.
Truncation Selection: Die Individuen werden entsprechend
Bild 4.4: Selektion – Auswahl:
Truncation
ihrer Fitness sortiert. Alle Individuen, deren Fitness eine be-
stimmte Schwelle T u¨bersteigt, werden ausgewa¨hlt, der Rest
verworfen. Im Gegensatz zu den beiden erstgenannten Ver-
fahren wird nur die Reihenfolgeposition eines Individuums
betrachtet. Nur die besten Individuen werden ausgewa¨hlt.
Bild 4.4 zeigt die Truncation-Selektion wiederum fu¨r fu¨nf
Individuen und T = 35 .
Wettkampf-Selektion: In der Wettkampf-Selektion vonWet-
zel (zitiert nach Nissen (1997, S.70)) oder Turnier-Selektion (Pohlheim, 1998) werden zwischen
mehreren Individuen Wettka¨mpfe durchgefu¨hrt. Durch paarweises Vergleichen der Fitnesswerte
ermittelt man den Sieger und Verlierer des Wettkampfes.
4.4.2 Rekombination
In der Rekombination werden aus den Eltern E die Nachkommen
1
E
2
E
1
D
Bild 4.5: Rekombination
D generiert. Mo¨glich wird dies durch die Kombination der Variablen-
werte der Eltern. Abha¨ngig von der Aufgabenstellung sind verschie-
dene Verfahren einsetzbar.
4.4.2.1 Diskrete Rekombination
In der diskreten Rekombination werden die Variablen-
Bild 4.6: Rekombination: Diskret
werte der Eltern ausgetauscht und so Nachkommen erzeugt.
Pohlheim (1998) nennt diese Form der Rekombination Eck-
Rekombination und bringt so zum Ausdruck, dass Nach-
kommen die Variablenwerte aus den Eckpunkten eines von
den Eltern aufgespannten Hyperwu¨rfels annehmen ko¨nnen.
Bild 4.6 und Gleichung 4.6 zeigen die diskrete Rekombina-
tion fu¨r das Beispiel zweier Eltern E1, E2 und von zwei Va-
riablen a1, a2 (i = 1, . . . , Nvar; j = 1, . . . , ND; αi ∈ {0, 1}).
aDj = αi a
E1
i + (1− αi) aE2i (4.6)
49
4.4 Mechanismen der Evolution in der technischen Optimierung
4.4.2.2 Rekombination reeller Variablen
Fu¨r reell-wertige Variablen existieren die folgenden Rekombinationsverfahren (Pohlheim, 1998):
Intermedia¨re Rekombination: Die Intermedia¨re Rekombi-
Bild 4.7: Rekombination:
Reell - Intermedia¨r
nation kombiniert die Variablen der Eltern nach dem fol-
genden Zusammenhang (es gilt: i = 1, . . . , Nvar und j =
1, . . . , ND):
aDj = αi a
E1
i + (1− αi) aE2i
αi ∈
[
−δ, aEki + δ
]
k = max(aE1i , a
E2
i )
Der Skalierungsfaktor α wird gleichverteilt fu¨r jede Va-
riable ai neu gewa¨hlt. Mit δ wird festgelegt, wie groß der
Bereich fu¨r mo¨gliche Nachkommen ist.14 Das Bild 4.7 zeigt
das gleiche Beispiel von Bild 4.6 mit reellen Variablen.
Linien-Rekombination: Diese Rekombinationsform a¨hnelt
Bild 4.8: Rekombination:
Reell - Linien
der Intermedia¨ren Rekombination insoweit, als das auch hier
in einem von den Eltern aufgespannten Bereich Nachkom-
men erzeugt werden. Jedoch ist der Wert von α fu¨r al-
le Variablenwerte gleich (es gilt: i = 1, . . . , Nvar und j =
1, . . . , ND).
aDj = αa
E1
i + (1− α) aE2i
α ∈
[
−δ, aEki + δ
]
k = max(aE1i , a
E2
i )
4.4.2.3 Rekombination bina¨rer Variablen - Crossover
Das Crossover bildet in den Genetischen Algorithmen den Hauptoperator fu¨r die Suche nach
neueren, besseren Lo¨sungen. Im Prinzip entspricht das Crossover der Rekombination, da auch
hier Nachkommen erzeugt werden. Die Information wird in Form von bina¨ren Strings der
La¨nge L abgelegt, um so die Information auf der Ebene der Genetik, genauer der Chromoso-
men, codieren zu ko¨nnen. Neben dem Uniform-Crossover existieren weitere Standard-Verfahren,
wie die nicht na¨her beschriebenen 1-Punkt-Crossover, N-Punkt-Crossover und Shuffle Crosso-
ver. Es existiert eine Vielzahl weiterer Verfahren, jedoch sind das N-Punkt-Crossover und das
Uniform-Crossover die am ha¨ufigsten verwendeten Rekombinationsverfahren fu¨r bina¨re Varia-
blen (Nissen, 1997; Pohlheim, 1998).
Uniform Crossover: Im Falle des Uniform-Crossovers ist
0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1
1
E
2
E
1 2 ... L
J J N J N N N J J N
1 1 0 1 0 0 0 1 1 0
0 0 1 0 1 1 1 0 0 1
1
D
2
D
Austausch(J/N)
UF-C
Bild 4.9: Rekombination bina¨rer Varia-
blen: Uniform-Crossover
fu¨r jede einzelne Bit-Position festzulegen, ob ein Aus-
tausch zwischen den Eltern stattfinden soll oder nicht.
Dieser Austausch findet mit einer bitbezogenen Wahr-
scheinlichkeit von pbit statt15. Beispielhaft liegen ζz (z =
1, . . . , L) Auspra¨gungen einer im Intervall [0, 1[ liegenden
gleichverteilten Zufallsvariablen vor. Fu¨r ζz ≤ pbit tau-
schen die Eltern ihre Bits an der Stringposition z aus, im
anderen Fall kommt es zu keinem Austausch.
14Fu¨r δ = 0 ist der Bereich so groß wie der von den Eltern aufgespannte Bereich. Da aber im Laufe des
Verfahrens die Werte eher innerhalb des Elternbereichs liegen, wird sich der Variablenbereich schrittweise
verkleinern.
15U¨bliche Werte liegen nach Nissen (1997) zwischen 0, 5 und 0, 8
50
4.4.3 Mutation
4.4.3 Mutation
Die Mutation vera¨ndert zufa¨llig die Nachkommen, al-
1
D
1
D¢
Bild 4.10: Abstrahierter Evolutiona¨rer
Mechanismus: Mutation
lerdings mit niedriger Wahrscheinlichkeit16. Ausgefu¨hrt
wird die Mutation i.d.R. an den Nachkommen nach de-
ren Generierung durch die Rekombination. Die Mutati-
onsschrittweite kann wa¨hrend des Verfahrens konstant
gehalten oder in Abha¨ngigkeit von den bisherigen Mu-
tationen angepasst werden. Der untere Teil von Bild 4.11
und die Gleichung 4.7 nach Pohlheim (1998) beschreiben die Mutation einer Variablen a´Dj aus
dem urspru¨nglichen Nachkommen aDj :
βi ∈ {−1, 1}
ri = 0.1Di
αi =
 Kontinuierlich : αi = 2
−u ku ∈ [0, 1] Gleichverteilt
Diskret : αi = 2−dd = 0, 1, . . . , k Gleichverteilt
a´Dj = a
D
j + αi + βiri (4.7)
Mutation reeller Variablen: Fu¨r reelle Variablen bedeu-
Bild 4.11: Mutation: Reell und Diskret
tet Mutation, dass zufa¨llig erzeugte Werte zu den Varia-
blen addiert werden. Festzulegen ist, mit welcher Wahr-
scheinlichkeit und in welchem Ausmaß (Schrittweite) mu-
tiert werden soll. Verschiedene Vero¨ffentlichungen (z.B.
Ba¨ck (1996)) nennen eine Mutationsrate von 1/NI . Die
Bestimmung der Mutationsschrittweite ist schwierig. Klei-
nere Vera¨nderungen sind bei bereits gut angepassten In-
dividuen von Vorteil, wogegen fu¨r neue Bereiche bzw. zu
Beginn einer Optimierung gro¨ßere Schrittweiten erfolg-
reicher sein ko¨nnen. Gu¨nstig ist demnach eine Anpassung
der Mutationsschrittweite im Laufe des Verfahrens.
Mutation reeller Variablen mit Anpassung der Schrittweite: Richtung und Ausmaß erfolg-
reicher Mutationen ko¨nnen durch Anpassen dieser Werte erlernt werden. Um die Schrittweite
und Richtung speichern zu ko¨nnen, werden verfahrensabha¨ngig an jedes Individuum zusa¨tzli-
che Variablen angeha¨ngt. Ein ho¨herer Wert fu¨r den Mutationsbereich bedingt zu Beginn große
Schrittweiten. Die Nachkommen werden weiter entfernt von den Eltern erzeugt. Die Folge kann
sein, dass sich die Schrittweite nicht anpasst und die Suche nicht vorankommt. Im umgekehrten
Fall kann es sehr lange dauern, bis es zu einer gerichteten Suche kommt.
Mutation bina¨rer Variablen: Die Mutation von Individuen mit bina¨ren Variablen erfolgt durch
das Umschalten der Variablenwerte. Diese Werte ko¨nnen nur die Zusta¨nde 0 oder 1 annehmen,
so ist die Mutationsschrittweite immer 1. Fu¨r jedes Individuum werden die zu vera¨ndernden
Variablen gleichverteilt ausgewa¨hlt und durch das genannte Umschalten mutiert. Da bina¨re
Codierungen fu¨r die Lo¨sungsdarstellung wieder decodiert werden mu¨ssen, ko¨nnen bina¨re Mu-
tationen u¨ber verschiedene Decodierungsfunktionen zu unterschiedlichen Ergebnissen in der
Lo¨sungsdarstellung fu¨hren
16Mutationswahrscheinlichkeit oder Mutationsrate.
51
4.5 Verfahren der Evolutiona¨ren Optimierung
4.4.4 Reinsertation
Die Reinsertation wird von Pohlheim (1998) als eigensta¨n-
1
E
2
E
1+t
P
1
I
2
I
3
I
4
I
5
I
6
I
EinfügenNachkomme
Bild 4.12: Abstrahierter Evoluti-
ona¨rer Mechanismus:
Reinsertation
diger Operator eingefu¨hrt. Sie fu¨gt die Nachkommen und/oder
Eltern wieder in die Population ein. Fu¨r das Wiedereinfu¨gen
bestehen dementsprechend mehrere Mo¨glichkeiten. Es ko¨nnen
nur die Eltern, nur die Nachkommen (Bild 4.12) oder eine be-
stimmte Auswahl von Eltern und Nachkommen in die neue Po-
pulation eingefu¨gt werden. Eine Auswahl muss nur dann getrof-
fen werden, wenn weniger Individuen wieder einzufu¨gen sind als
zur Verfu¨gung stehen.
Einfaches Wiedereinfu¨gen: Es werden exakt so viele λ Nach-
kommen erzeugt, wie sich NI Individuen in der Population be-
finden. Alle Individuen der Population werden durch die Nachkommen ersetzt, d.h. die maximale
Lebensdauer eines Individuums ist auf eine Generation beschra¨nkt. Das kann zur Folge haben,
dass die Gu¨te des besten Individuums abnimmt
Zufa¨lliges Wiedereinfu¨gen: Die Anzahl der in der Population einzufu¨genden Nachkommen ist
kleiner als die Anzahl der in der Population vorhandenen Individuen. Die Individuen, die durch
die Nachkommen ersetzt werden sollen, werden zufa¨llig, gleichverteilt ausgewa¨hlt.
Elitest Wiedereinfu¨gen: Entspricht dem zufa¨lligen Wiedereinfu¨gen mit dem Unterschied, dass
die zu ersetzenden Individuen nicht zufa¨llig sondern abha¨ngig von ihrem Fitnesswert ausgewa¨hlt
werden. Mit dem Elitest-Wiedereinfu¨gen wird der beim einfachen Wiedereinfu¨gen beschriebene
Effekt (mo¨gliche Verschlechterung der besten Individuumsgu¨te) verhindert, da gute Individuen
la¨nger als eine Generation u¨berleben ko¨nnen. Nissen (1997) und andere bezeichnen das Elitest-
Wiedereinfu¨gen als Elite-Selektion, obwohl dieser Vorgang mit der Selektion (Auswahl von
Individuen als Eltern) nichts zu tun hat.
Wiedereinfu¨gen mit Auswahl der Nachkommen: Hier werden nicht, wie bei den drei oben
beschriebenen Verfahren, alle Nachkommen wieder in die Population eingefu¨gt, sondern nur ein
Teil. Pohlheim (1998) nennt als Auswahlkriterium wiederum die Fitness der Nachkommen, aber
auch eine zufa¨llige Auswahl ist denkbar.
4.5 Verfahren der Evolutiona¨ren Optimierung
Die folgenden Abschnitte beschreiben ausfu¨hrlicher die in der Historie genannten Verfahren der
Evolutiona¨ren Programmierung, der Evolutiona¨ren Strategien und der Genetischen Algorith-
men. Nach einer allgemeinen Einfu¨hrung wird jeweils auf einen Standard-Ablauf der genannten
Verfahren eingegangen.
4.5.1 Evolutiona¨re Programmierung
Die a¨lteste EA-Variante, die Evolutiona¨re Programmierung (EP), wurde im Zusammenhang
mit dem Versuch entwickelt, ku¨nstlich intelligente Automaten zu entwerfen. Diese Automaten
sollten innovative Problemlo¨sungen generieren, aber auch Schlussfolgerungen auf das Funk-
tionieren des menschlichen Intellekt zulassen (Nissen, 1997). Von der Ausrichtung her steht
die EP dem Artificial Life17 na¨her als der Optimierungsproblematik. David Fogel, der Sohn
eines der Begru¨nder der EP, fu¨hrt die Arbeit seines Vaters fort und entwickelte maßgeblich
die heutige Form der EP Optimierung vor allem von kontinuierlichen Entscheidungsgro¨ßen.
Die Evolutiona¨re Programmierung a¨hnelt sta¨rker den Evolutiona¨ren Strategien18 als den Ge-
netischen Algorithmen19, da EP und ES den Mutationsoperator betonen und auch beide die
Selbstanpassung der Schrittweite verwenden.
17Siehe Abschnitt 4.6.3.
18Siehe Abschnitt 4.5.2.
19Siehe Abschnitt 4.5.3.
52
4.5.1 Evolutiona¨re Programmierung
Individuen der Evolutiona¨ren Programmierung stehen fu¨r Populationen oder Arten und de-
ren abstrakte Verhaltenseigenschaften. Da in der Natur auf dieser Ebene keine Rekombination
stattfindet, wird dieser Operator – ebenso wenig wie Operatoren der genetischen Ebene – in
der EP abgebildet. Als einziger Suchoperator wird die Mutation angewandt. Sie wird anders
als bei den Genetischen Algorithmen nicht als genotypisches Pha¨nomen begriffen, sondern als
pha¨notypisches. Der Ablauf der EP zeigt U¨bereinstimmungen mit einer ausschließlich mutati-
onsbasierten (µ+λ)-Evolutionsstrategie.
Erste Vero¨ffentlichungen zum Bereich der EP kommen von L. J. Fogel et al. (1966). Wei-
tere Vero¨ffentlichungen sind von D. B. Fogel (1995; 2000a; 2000b). Dissertationen stammen
z.B. ebenfalls von D. B. Fogel (1992) und Kennedy (2000). Anwendungen schließlich werden
u.a. von Ming-Tong et al. (2001) und Kim et al. (2001) aufgezeigt. Die folgende Beschreibung
zeigt den Ablauf einer Standard-EP. Weitere Formen neben der beschrieben Grundform sind
die Meta-EP und die Continous-EP (Bader, 2002). Die nachfolgende Beschreibung eines EP-
Ablaufes orientiert sich, wie auch die Beschreibung des Ablaufes fu¨r die Evolutiona¨ren Strategien
und die Genetischen Algorithmen, an der Darstellung von Nissen (1997). Als Optimierungsauf-
gabe sei die Minimierung bzw. Maximierung einer Funktion F von kontinuierlichen Variablen
angenommen.
F : Rn → R
Die Lo¨sungsrepra¨sentation soll in der Evolutiona¨ren Programmierung auf mo¨glichst natu¨rli-
che Weise aus der Aufgabenstellung folgen, d.h. es gibt keine Vorgaben hinsichtlich der Lo¨sungs-
darstellung. Fu¨r den Fall einer Optimierung mit kontinuierlichen Variablen ist ein Vektor reeller
Zahlen fu¨r die Lo¨sungsrepra¨sentation am besten geeignet. Jedes Vektorelement entspricht hier
der Auspra¨gung einer der n Entscheidungsvariablen. Ein Individuum der EP entspricht dem-
nach einem Vektor der Form ~a = (a1, . . . , an).
1. Initialisierung
Wa¨hrend der Initialisierungsphase wird fu¨r eine so genannte Standard-EP eine Ausgangs-
population P0 von NI Individuen ~ai (i = 1, . . . , NI) stochastisch generiert. Fu¨r die Popu-
lationsgro¨ße µ = NI wird ha¨ufig ein Wert u¨ber 200 gewa¨hlt. Auf der Grundlage einer
Gleichverteilung wird die Auspra¨gung jedes Vektorelements ~aj (j = 1, . . . , n) eines Indi-
viduums Ii stochastisch zwischen einer unteren Grenze glowj und einer oberen Grenze
guppj generiert. Diese Beschra¨nkung ist nur in der Initialisierungsphase von Bedeutung,
im weiteren Verlauf ist der Suchraum im Prinzip unbegrenzt. Die Werte der Grenzen sind
abha¨ngig von der Aufgabenstellung.
glowj ≤ aj ≤ guppj mit [glowj ; guppj ] ⊂ R und glowj < guppj
2. Bewerten der Ausgangslo¨sung
Nach Abschluss der Initialisierungsphase wird jedem Individuum Ii ein Fitnesswert ϕ(~ai)
zugewiesen. Oft wird fu¨r die Bestimmung der Fitness der unvera¨nderte Zielfunktionswert
verwendet, sodass F = ϕ gilt. Der Fitnesswert kann jedoch z.B. durch Beru¨cksichtigen
einer Zufallsgro¨ße νi oder einer Skalierungsfunktion Ω vom Zielfunktionswert abweichen.
Fu¨r den allgemeinsten Fall gilt (i = 1, . . . , µ):
ϕ(~ai) = Ω (F (~ai) , νi)
3. Erzeugen der Nachkommen
Die µ Individuen aus der Bewertung der Ausgangslo¨sung bilden die Menge der Eltern
E fu¨r die Generierung der Nachkommen D. Die folgenden Teilschritte a bis d werden
insgesamt µ-mal durchlaufen.
a) Replikation: Hier wird lediglich eine Kopie I´i des Elter-Individuums Ii erzeugt:
~ai → ~´ai
53
4.5 Verfahren der Evolutiona¨ren Optimierung
b) Mutation: Die erzeugte Kopie I´i wird durch Addieren eines zweiten Terms (Normal-
Verteilte Zufallsgro¨ße20 mit dem Erwartungswert 0) in Gleichung 4.8 mutiert. Aus
dem Elter Ei → ~ai entsteht der Nachkomme Di → ~´ai. Die Mutationsschrittweite
bzw. Standardabweichung dieser Zufallsgro¨ße ha¨ngt vom Fitnesswert ϕ(~ai) des Elter
ab. Je na¨her man dem Optimum kommt, desto kleiner wird die Mutationsschrittwei-
te. Fu¨r einen Nachkommen D´i gilt (i = 1, . . . , µ und j = 1, . . . , n):
a´ij = aij +
√
ϕ (~ai) νj(0, 1) (4.8)
c) Bewerten der Nachkommen: Wie schon dem Elter wird auch dem Nachkommen ein
Fitnesswert zugewiesen:
ϕ(~´ai) = Ω
(
F (~´ai), ν´i
)
d) Erga¨nzen der Population: Nach dem Bewerten des Nachkommen wird die Population
um diesen erga¨nzt. Die Populationsgro¨ße erho¨ht sich auf 2µ.
~aµ+i ← ~ai
4. Stochastische Selektion
Im Zuge der Stochastischen Selektion der EP findet ein Wettkampf zwischen den Eltern
und den Nachkommen statt, die paarweise gegen NO (NO ∈ N, NO ≥ 1) antreten21. Die
Anzahl der Siege NS ergibt sich nach Gleichung 4.9, ϑ steht hier fu¨r eine gleichverteilte
ganzzahlige Zufallsgro¨ße (i, ϑk = 1, . . . , 2µ; ϑk 6= i).
NSi =
NO∑
k=1

1 : ϕ(~ai) =
 ≤ ϕ(~aϑk) Minimierung≥ ϕ(~aϑk) Maximierung
0 : ϕ(~ai) =
 > ϕ(~aϑk) Minimierung
< ϕ(~aϑk) Maximierung
(4.9)
5. Reinsertation
Im Anschluss an die Selektion werden alle Individuen nach der Anzahl ihrer Siege sortiert
und die µ besten dieser Reihenfolge als neue Population ausgewa¨hlt. Entscheidend ist nicht
der Fitnesswert, sondern die Position in der Reihenfolge. Die Fitness spielt insofern eine
Rolle, als dass bei gleicher Anzahl von Siegen der bessere Fitnesswert u¨ber die Aufnahme
in die neue Population entscheidet (i = 1, . . . , 2µ).
Pt ← (~ai) ≤ µ
6. Abbruch
Das Abbruchkriterium fu¨r eine EP kann z.B. u¨ber die maximale Anzahl von Genera-
tionen oder am erreichten Niveau der gefundenen Lo¨sungen festgemacht werden. Auch
ein Stagnieren des Optimierungsprozesses kann den Abbruch eines Durchlaufs bedingen.
Als Ergebnis der Evolutiona¨ren Programmierung gilt i.a. die beste wa¨hrend eines Laufes
gefundene Lo¨sung.
4.5.2 Evolutiona¨re Strategien
Das Konzept der Evolutiona¨ren Strategien (ES) stammt von Rechenberg und Schwefel. Die ES
sind die einzigen Vertreter der Evolutiona¨ren Algorithmen, die von Anfang an als Optimie-
rungsmethode konzipiert worden sind. Rechenberg und Schwefel haben Probleme bearbeitet,
20Normalverteilte Zufallszahlen mit dem Erwartungswert 0 und der Standardabweichung 1 werden als (0, 1)-
oder Standard-Normalverteilte Zufallszahlen bezeichnet (Bronstein und Semendjajew, 1988).
21NO besitzt einen benutzerdefinierten Wert, der u¨blicherweise zwischen 0, 05NO und 0, 1NO liegt.
54
4.5.2 Evolutiona¨re Strategien
die sich analytisch nicht beschreiben ließen. Die erste Anwendung war die stro¨mungsbezoge-
ne Widerstandsminimierung einer Gelenkplatte im Windkanal (Scho¨neburg et al., 1994). Die
Evolutiona¨ren Strategien unterscheiden sich von den Genetischen Algorithmen in der Lo¨sungs-
repra¨sentation, im Selektionsmechanismus und in der Ausgestaltung und Bedeutung der Ope-
ratoren Mutation und Rekombination. Letzterer unterscheidet die ES von der Evolutiona¨ren
Programmierung, in der die Rekombination nicht vorkommt. Wie die EP abstrahieren auch
die ES die natu¨rliche Evolution auf der Ebene der pha¨notypischen Auswirkungen, also auf der
Ebene der Individuen und ihrer Eigenschaften (Rechenberg, 1994). Im Gegensatz dazu stehen
bei den Genetischen Algorithmen die Mechanismen der Chromosomenebene im Vordergrund.
Wie schon die Evolutiona¨re Programmierung beziehen sich die Evolutiona¨ren Strategien auf
das Optimieren einer Funktion F von n kontinuierlichen Entscheidungsvariablen. Im folgenden
sei ohne Beschra¨nkung der Allgemeinheit ein Minimierungsproblem angenommen.
F : Rn → R
In der Evolutiona¨ren Strategie entsprechen die Individuen I einem Vektor ~a. Die Individuen
enthalten die Werte fu¨r alle Entscheidungsvariablen aj (j = 1, . . . , n) aj ∈ R. Zudem entha¨lt
jedes Individuum noch Nσ (1 ≤ Nσ ≤ n) Standardabweichungen σk (k = 1, . . . , Nσ) die fu¨r den
Mutationsoperator von Bedeutung sind und auch als durchschnittliche Mutationsschrittweite
bezeichnet werden. Es handelt sich dabei um Strategieparameter die durch das Verfahren selbst-
adaptiv eingestellt werden. Fu¨r den Fall, dass 1 < Nσ < n gilt, sind die Standardabweichungen
σ1, . . . , σNσ−1 an die Entscheidungsvariablen a1, . . . , aNσ−1) gekoppelt. Fu¨r die restlichen Va-
riablen aNσ , aNσ+1, . . . , an gilt dann die Standardabweichung σNσ (Ba¨ck, 1996). U¨blich ist nach
Nissen (1997) die Wahl von Nσ = 1 oder Nσ = n.
Zum Thema der Evolutiona¨ren Strategien existiert eine große Fu¨lle von Publikationen. Die
Vero¨ffentlichungen von Rechenberg (1973) und Schwefel (1975) sind fru¨he Arbeiten zu den Evo-
lutiona¨ren Strategien. U¨bersichten stammen u.a. von Ba¨ck (1996) und Schwefel (1995). Disser-
tationen kommen aus sehr unterschiedlichen Bereichen, u.a. von Probst (1996) aus dem Bereich
der Wirtschaftswissenschaften, von Rose´ (1998) aus der Theoretischen Physik und fu¨r den Be-
reich der Informatik von Kursawe (1999). Neben der im folgenden beschriebenen Standart-ES
existieren sehr viele weitere Formen und Erweiterungen, fu¨r die auf die Literatur verwiesen sei.
1. Initialisierung
Wa¨hrend der Initialisierung generiert man eine Ausgangspopulation P0 von µ Individuen
~ai(~bi, ~σi)(i = 1, . . . , µ). Ist keine Information u¨ber die Lage des globalen Optimums vor-
handen, sollten die Individuen der Ausgangspopulation mo¨glichst gleichma¨ßig u¨ber den
Suchraum verteilt werden (Schwefel, 1995) . Eine weitere Mo¨glichkeit ist die schon bei
der EP genannte Gleichverteilung innerhalb festgelegter Grenzen glowj und g
upp
j . Fu¨r die
Initialisierung der Entscheidungsvariablen empfiehlt Ba¨ck (1996) , Nσ = n Standardab-
weichungen mit einheitlichem Anfangswert σk = 3 zu wa¨hlen.
2. Bewerten der Ausgangslo¨sung
Nach der Initialisierung wird jedem Individuum ~ai ein Fitnesswert ϕ(~ai) zugewiesen.
Stimmen die Zielfunktion und die Fitnessfunktion u¨berein, gilt:
ϕ(~ai) = F (~bi)
3. Erzeugen der Nachkommen
In einer ES-Generation generiert man aus µ Eltern λ Nachkommen. Wiederholt werden
Eltern ausgewa¨hlt (Ziehen mit Zuru¨cklegen), deren Bestandteile rekombiniert und der
erzeugte Nachkomme mutiert wird. Schwefel (1987) empfiehlt ein Verha¨ltnis µ/λ von ca.
1/7, wobei µ deutlich ho¨her als 1 zu wa¨hlen ist. Standardwerte sind nach Nissen (1997)
bei µ = 15 und λ = 100. Die im folgenden beschriebenen Teilschritte sind entsprechend
der Anzahl der Nachkommen λ-mal zu durchlaufen.
55
4.5 Verfahren der Evolutiona¨ren Optimierung
a) Stochastische Partnerwahl: Fu¨r die hier beschriebene Grundform wird ein Nachkomme
D aus jeweils zwei Eltern E1 und E2 generiert. Alle Individuen Ii (i = 1, . . . , µ)
besitzen die gleiche Selektionswahrscheinlichkkeit psel = 1/µ als Elternpaar ~bE1i ,~b
E2
i
fu¨r den zu erzeugenden Nachkommen ausgewa¨hlt zu werden.
b) Diskrete Rekombination:Das Resultat aus der Rekombination der Elternvektoren wird
als Nachkomme D angesehen. Nach Nissen (1997) sind unterschiedliche Rekombi-
nationsformen vorteilhaft fu¨r die Optimierung der Entscheidungsvariablen und der
Strategieparameter. Die Werte fu¨r die Entscheidungsvariablen des Nachkommen bDj
lassen sich fu¨r den Fall der diskreten Rekombination bestimmen, indem bei jeder
Entscheidungsvariablen stochastisch der Wert eines der beiden Elter ~bE1i oder ~b
E2
i
mit gleicher Wahrscheinlichkeit gewa¨hlt wird.
bDj = b
E1
j oder b
D
j = b
E2
j j = 1, . . . , n P1, P2 ∈ 1, . . . , µ
c) Intermedia¨re Rekombination: Bei der Intermedia¨ren Rekombination bildet man fu¨r die
Mutationsschrittweiten den Mittelwert aus den beiden Werten der Eltern.
σDk =
1
2
(
σE1k + σ
E2
k
)
k = 1, . . . , Nσ
d) Mutation: Nach erfolgter Rekombination wird der erzeugte Nachkomme vera¨ndert.
Die Mutationsschrittweiten werden dafu¨r durch Multiplizieren mit einer logarith-
misch normalverteilten Zufallsgro¨ße mutiert. Nachfolgend vera¨ndert sich die Aus-
pra¨gung jeder Entscheidungsvariablen der Art, dass zu ihrem Wert eine normal-
verteilte Zufallsgro¨ße mit dem Erwartungswert 0 und der Standardabweichung σj
addiert wird.
σ´Dk = σ
D
k e
[τ1ν(0,1)+τ2νk(0,1)]
b´Dj = b
D
j + σ´
D
j νj(0, 1) ∀ j ≥ Nσ : σ´j = σ´Nσ
ν(0, 1) steht fu¨r eine einmalige Realisierung einer standard-normalverteilten Zufalls-
variablen fu¨r den Nachkommen. Im Gegensatz dazu steht νj(0, 1) fu¨r eine standard-
normalverteilte Zufallsgro¨ße, die fu¨r jeden Wert von j neu bestimmt wird. τ1 und
τ2 sind Konstanten, wobei eτ1ν(0,1) als globaler Faktor die A¨nderung aller Standard-
abweichungen einheitlich vera¨ndert, wogegen τ2νk(0, 1) ein individuelles Anpassen
einzelner Schrittweiten mo¨glich macht. Fu¨r τ1 und τ2 liegen gu¨nstige Werte nach
Kursawe (zitiert nach (Nissen, 1997, S. 159)) zwischen 0, 1 und 0, 2. Die Mutations-
vorschrift vereinfacht sich zu den Gleichungen 4.10 und 4.11, wenn nur eine Stan-
dardabweichung Nσ = 1 zum Einsatz kommt:
σ´D = σDeτ0ν(0,1) (4.10)
b´Dj = b
D
j + σ´
Dνj(0, 1) (4.11)
Die ES findet selbstadaptiv gu¨nstige Werte fu¨r die Standardabweichungen. Einerseits
werden bei der ES die gu¨nstigen Werte fu¨r die problembezogenen Entscheidungswerte
gesucht und gleichzeitig gu¨nstige Einstellungen der Strategieparameter bestimmt.
Voraussetzung fu¨r eine erfolgreiche Selbstadaptivita¨t ist ein hinreichend großes µ, da
ein hinreichend großer Pool unterschiedlicher Strategieparameterkombinationen zur
Verfu¨gung stehen muss.
e) Bewerten der Nachkommen: Der generierte Nachkomme ´~aD( ´~bD, ´~σD) wird nach Ab-
schluss der Mutation u¨ber die Fitness bewertet.
ϕ( ´~aD) = F ( ´~bD)
f) Erga¨nzen der Zwischenpopulation: Die Zwischenpopulation PZt wird eingefu¨hrt, da in
der ES die Populationsgro¨ße NI zwischen µ und λ alterniert. Der bewertete Nach-
komme ´~aD wird an dieser Stelle in die Zwischenpopulation PZt eingefu¨gt.
´~aD → PZt
56
4.5.3 Genetische Algorithmen
4. Deterministische Selektion
(µ, λ)-Selektion: In der Selektion werden die µ besten Individuen aus den λ Nachkommen
der Zwischenpopulation PZt nach Gleichung 4.12 fu¨r die neue Population Pt+1 ausgewa¨hlt.
Diese Art der Auswahl bezeichnet man als (µ, λ)- oder als Komma-Selektion. Sie erfordert,
dass λ > µ gilt, da sonst keine Selektion sondern nur eine Zufallssuche stattfinden wu¨rde.
Die Lebensdauer der Individuen ist so auf eine Generation beschra¨nkt. U¨ber das Verha¨ltnis
µ/λ kann man die Ha¨rte der Selektion einstellen: je kleiner das Verha¨ltnis desto ho¨her ist
die Selektionsha¨rte22 (Es gilt: i = 1, . . . , λ; j = 1, . . . , µ und k = 1, . . . , NP − 1).
I´Di (P
Z
t )→ Ij (Pt+1) ∀ rg(ϕ(I´Di (PZt ))) ≤ µ (4.12)
(µ + λ)-Selektion: Im Gegensatz zur (µ, λ)-Selektion werden in der (µ + λ)- oder Plus-
Selektion von Gleichung 4.13 nicht nur die Nachkommen beru¨cksichtigt sondern auch die
Eltern. Fu¨r die neue Population werden wiederum die µ besten Individuen bezu¨glich ihrer
Fitness aus Eltern und Nachkommen ausgewa¨hlt. Fu¨r die Lebensdauer bedeutet das, dass
ein Individuum u¨ber alle Generationen u¨berleben kann, soweit seine Fitness dies zula¨sst
(es gilt: i = 1, . . . , µ+ λ; j = 1, . . . , µ und k = 1, . . . , NP − 1).
I´
P/D
i (P
Z
t )→ Ij (Pt+1) ∀ rg(ϕ(I´P/Di (PZt ))) ≤ µ (4.13)
ES mit (µ, λ)-Selektion heißen (µ, λ)-ES, mit (µ+ λ)-Selektion entsprechend (µ+ λ)-ES.
5. Reinsertation
Die Reinsertation entspricht dem in der Selektion beschriebenen Zufu¨gen der Individuen
aus der Zwischenpopulation in die Population der na¨chsten Generation.
Pt+1 ← ~ai(Pt)
 i = 1, . . . , λ (µ, λ)-ES
i = 1, . . . , µ+ λ (µ+ λ)-ES
6. Abbruch
Auch hier wird das Verfahren bis zum Greifen eines Abbruchkriteriums fortgesetzt. Wie
schon bei der EP lassen sich ebenfalls eine maximale Generationenanzahl NmaxP , oder
erfolgsorientierte Abbruchkriterien23 festsetzen.
Weitere Formen der Evolutiona¨ren Strategien sind neben den (µ, λ)- und (µ + λ)-ES ver-
schiedene Erweiterungen dieser Grundformen, die die ES an spezifische Aufgabenstellungen
anpassen bzw. deren Leistungsvermo¨gen fu¨r praktische Anwendungen verbessern sollen. Als ein
Beispiel von vielen seien die ES mit korrelierten Mutationen (Bachelier, 1998) genannt.
4.5.3 Genetische Algorithmen
Die Genetischen Algorithmen (GA) sind der bekannteste und am weitesten verbreitete Vertre-
ter der Evolutiona¨ren Algorithmen. Die Genetischen Algorithmen modellieren das Evolutions-
geschehen auf der Ebene der Chromosomen, um so die Vorga¨nge aus der Genetik mo¨glichst gut
abbilden zu ko¨nnen. Die Anzahl der vero¨ffentlichten GA-Varianten ist noch gro¨ßer als die der
Evolutiona¨ren Strategien, so dass der unten beschriebene Standard-GA nur als grundlegende
Einfu¨hrung zu verstehen ist. Die in der ju¨ngeren Vergangenheit aufgekommene Genetische Pro-
grammierung (GP) wird als Untermenge der GA verstanden und nicht na¨her behandelt. Die
Individuen ~a der Genetischen Algorithmen sind durch ku¨nstliche Chromosomen modelliert, die
durch bina¨re Vektoren abgebildet sind (Scho¨neburg et al., 1994). Die GA arbeiten mit diesen
22Die hier genannte Selektionsha¨rte hat nichts mit der in Abschnitt 3.4.1 harten und weichen Selektion zu tun,
sondern meint die Wahrscheinlichkeit fu¨r einen Nachkommen, tatsa¨chlich fu¨r die neue Generation ausgewa¨hlt
zu werden.
23z.B. wenn der beste und schlechteste Fitnesswert innerhalb einer Population nah beieinander liegen.
57
4.5 Verfahren der Evolutiona¨ren Optimierung
Chromosomen in Form der in Abschnitt 4.4.2.3 genannten Strings, die hier jeweils aus L Bits
bestehen, so dass gilt: ~a = (a1, . . . , aL) ∈ {0, 1}L. Jeder String gliedert sich zudem in n Segmen-
te n ≤ L. Ein Segment j(j = 1, . . . , n) beinhaltet einen Wert fu¨r die Entscheidungsvariable j in
bina¨rer codierter Form. Die einzelnen Segmente ko¨nnen, wie in Bild 4.13 zu sehen, gleich oder
verschieden lange Bitfolgen enthalten. Die einzelnen Bits der Strings werden als Gene, deren
Auspra¨gungen als Allele bezeichnet.
Im folgenden sei angenommen, dass eine Zielfunktion
Bild 4.13: Genetische Algorithmen:
Aufbau eines Strings
F (~x) von n kontinuierlichen Entscheidungsvariablen ~x =
(x1, . . . , xn) maximiert werden soll. Die bina¨re Codierung
auf einem String endlicher La¨nge bringt die Notwendigkeit
fu¨r jede Variable xj (j = 1, . . . , n) eine untere und obere
Grenze glowj und g
upp
j , wie schon bei der EP und den ES
formuliert, zu bestimmen. Die Funktion la¨sst sich fu¨r die
Annahme nur positiver Funktionswerte wie folgt abbilden:
F :
n∏
j=1
[
glowj , g
upp
j
]→ R+
U¨ber die Anwendung einer segmentweise arbeitenden Decodierungsfunktion Γ von Gleichung
4.14 lassen sich aus den bina¨ren Strings die decodierten Variablenwerte ermitteln.
Γ : {0, 1} →
n∏
j=1
[
glowj , g
upp
j
]
~x = Γ(~a) (4.14)
Fu¨r das Stringelement j sei die La¨nge von Lj Bits angenommen und die Variable xj sei dort
codiert. Dann bezeichnet ajz das Bit der Nummer z des Stringsegments j. Die Decodierungs-
funktion fu¨r das Stringsegment j lautet wie folgt:
Γj
(
aj1 , . . . , ajLj
)
= glowj +
guppj − glowj
2Lj − 1
 Lj∑
z=1
ajLj−z+12z−1
 = xj
1. Initialisierung
In der Initialisierung fu¨r die Genetischen Algorithmen wird zuna¨chst eine Ausgangspopu-
lation P0 von µ Individuen ~a = (ai, . . . , aµ) generiert. Die Werte fu¨r µ liegen i.d.R. zwi-
schen 30 und 500 (Scho¨neburg et al., 1994). Initialisiert werden die Werte der Ausgangs-
population normalerweise stochastisch, d.h. die Werte der Bits werden unabha¨ngig von-
einander bei gleicher Wahrscheinlichkeit entweder auf 1 oder auf 0 gesetzt (Zufallszahl
ν = 1 oder ν = 0).
ajz =
 1 : ν = 10 : ν = 0
2. Bewerten der Ausgangslo¨sung
Fu¨r die Bewertung der Ausgangslo¨sung werden die Individuen zuna¨chst decodiert und
anhand der Fitnessfunktion ϕ bewertet. Fu¨r die GA setzt sich die Fitnessfunktion aus der
Zielfunktion F und der Decodierungsfunktion Γ zusammen (i = 1, . . . , µ):
ϕ(~ai) = F (Γ(~ai))
3. Stochastische Selektion und Replikation
In der Selektion werden µ Individuen stochastisch aus der aktuellen Population Pt gezogen
58
4.5.3 Genetische Algorithmen
und so als Eltern ausgewa¨hlt. Duplikate sind mo¨glich, da ”mit Zuru¨cklegen” gezogen wird.
Die Selektionswahrscheinlichkeit psel eines Individuums ~ai ∈ P ergibt sich zu:
psel =
ϕ (~ai)
µ∑
j=1
σ (~aj)
(4.15)
Die Beziehung von Gleichung 4.15 entspricht der in Abschnitt 4.4.1.1 beschriebenen
fitness-proportionalen Zuweisung. Hier haben alle Individuen die Chance auf die Auswahl
als Elter, weshalb diese Form der Selektion als nicht diskriminierend bezeichnet wird.24
Umgesetzt wird dieses Verfahren durch die in Abschnitt 4.4.1.2 beschriebene Roulette-
Wheel-Auswahl. Nach der Auswahl als Elter wird dieses Individuum in den so genannten
mating pool gelegt. Der Erwartungswert fu¨r die Auswahlha¨ufigkeit eines Individuums als
Elter fu¨r den mating pool errechnet sich aus µpsel(~ai). Der gesamte Selektionsvorgang wird
µ-mal durchlaufen, bevor im Schritt 4 die Nachkommen erzeugt werden (i, j = 1, . . . , µ).
Ii(Pt)→ IPj (PMPt )
4. Erzeugen der Nachkommen
Die Teilschritte fu¨r das Erzeugen von Nachkommen sind µ-mal zu absolvieren.
a) Stochastische Partnerwahl: Mit der gleichen Wahrscheinlichkeit 1/µ werden aus dem
mating pool ohne Zuru¨cklegen zwei Eltern ~aE1 und ~aE2 gezogen. Aus diesen Eltern
entstehen durch die Variationsoperatoren Crossover und Mutation zwei Nachkommen
(j = 1, . . . , µ; q = 1, 2).
IPj (P
MP
t )→ IEq (PMPt )
b) Crossover: Es existieren verschiedene Verfahren, die bereits im Kapitel 4.4.2.3 genannt
wurden. An dieser Stelle sei die Gleichung fu¨r das 1-Punkt-Crossover wiedergegeben:
~aD1 =
(
aE11 , . . . , a
E1
c , . . . , a
E2
L
)
~aD2 =
(
aE12 , . . . , a
E2
c , . . . , a
E1
L
)
c) Mutation: Die Mutation ist in den Genetischen Algorithmen von eher geringer Bedeu-
tung. Ihre Hauptaufgabe ist es zu verhindern, das bei allen Individuen einer Popula-
tion an einzelnen Stringpositionen der gleiche Wert steht. Im Rahmen der Mutation
wird jedes Bit eines Individuums mit einer Wahrscheinlichkeit von pmut25 invertiert.
ζz ist die Auspra¨gung einer im Intervall [0, 1[ gleichverteilten Zufallsvariablen, die
fu¨r jeden Wert von z neu zu bestimmen ist (q = 1, 2; z = 1, . . . , L).
a´Dqz =
 1− a
Dq
z : ζz ≤ pmut
a
Dq
z : ζz > pmut
d) Bewerten der Nachkommen: Beide Nachkommen D1 und D2 werden nach Gleichung
4.16 bewertet (q = 1, 2):
ϕ( ´~aDq ) = F (Γ( ´~aDq )) (4.16)
5. Reinsertation
Nach erfolgter Bewertung der Nachkommen werden diese in die anfangs noch leere neue
Population Pt+1 u¨bernommen. Sind in dieser Population µ Nachkommen enthalten, wird
die letzte Population Pt durch die neue ersetzt.
24Diskriminierende Selektion heißt, dass einige Individuen keine Chance auf Bildung von Nachkommen haben.
25Standardwerte fu¨r pmut liegen nach Nissen (1997) zwischen 0, 001 und 0, 01.
59
4.5 Verfahren der Evolutiona¨ren Optimierung
6. Abbruch
In den meisten Fa¨llen werden nach Nissen (1997) fu¨r die GA die Abbruchkriterien ressour-
cenbezogen formuliert (z.B. maximale Generationsanzahl). Weitere Mo¨glichkeiten sind
auch hier die Qualita¨t der Lo¨sung (keine weitergehenden Verbesserungen) oder die Gleich-
heit von Werten an gleichen Bitpositionen (ineffektives Crossover).
Weitere GA-Verfahren beziehen sich auf Erweiterungen in allen Operatoren der GA, daher
sei hier nur der Steady State GA genannt, bei dem nicht alle, sondern nur wenige Individu-
en, i.d.R. die schlechtesten, ersetzt werden (de Fonseca, 1995). Neben der bina¨ren Codierung
sind weitere Codierungen (z.B. Gray-Codierung (Goldberg, 1999)) mo¨glich sowie nicht-bina¨re
Repra¨sentationen (z.B. Vektoren reeller Zahlen (Aliev et al., 2000)) und Diploidie (ein oder
mehrere Stringpaare). Der Mutation wird in neueren Verfahren eine gro¨ßere Bedeutung zuge-
messen26. Wie bereits erwa¨hnt, existieren zum Bereich der Genetischen Algorithmen eine sehr
große Anzahl von Publikationen. U¨bersichtsartikel kommen u.a. von Koza (1994). Dissertatio-
nen behandeln ebenfalls wie die ES Themen aus den unterschiedlichsten Forschungsbereichen,
u.a. die Optimierung von Turbomaschinenbeschaufelungen (Uelschen, 2000). Fu¨r die Erweite-
rungen sei auf die umfangreiche Literatur zu den GA verwiesen.
4.5.4 Verwandte Gebiete und erweiterte Anwendungen
Zum Vervollsta¨ndigen des Kapitels u¨ber die evolutiona¨re Optimierung seien noch einige den
Evolutiona¨ren Algorithmen verwandte Methoden vorgestellt. Dazu za¨hlen das Simulated Anne-
aling und die Multiobjektive Optimierung. Genannt, aber nicht na¨her beschrieben sei die gute
Parallelisierbarkeit der EA.
4.5.4.1 Simulated Annealing
Das Simulated Annealing (SA) wurde von Kirkpatrick et al. (1983) und Cerny (1985) un-
abha¨ngig voneinander als Optimierungsverfahren fu¨r kombinatorische Aufgabenstellungen ent-
wickelt (Zitiert nach Nissen (1997, S.217)). Das Verfahren ist, genau wie die Evolutiona¨ren
Algorithmen, als naturanalog zu bezeichnen. Jedoch wird nicht wie bei den EA die Evolution
nachgebildet, sondern das Abku¨hlen einer Schmelze zum Festko¨rper. Entscheidend fu¨r die Lei-
stungsfa¨higkeit des SA ist der Abku¨hlungsplan (Annealing Schedule). Hier wird festgelegt, in
welchen Schritten der Kontrollparameter T abzusenken ist und wie viele Iterationen auf den
einzelnen Stufen auszufu¨hren sind. In den SA-Verfahren wird zuna¨chst i.d.R. stochastisch eine
Ausgangslo¨sung generiert. Ausgehend von dieser Lo¨sung wird eine neue Lo¨sung erzeugt, die sich
nur geringfu¨gig von der vorigen Lo¨sung unterscheidet. Die neue und die alte Lo¨sung werden
verglichen und anhand eines Akzeptanzkriteriums entschieden, ob die neue die alte Lo¨sung er-
setzt. Mit zunehmender Dauer werden die Qualita¨tsanforderungen an die Lo¨sung erho¨ht, so dass
mo¨gliche Verschlechterungen seltener werden. Weitere Unterformen des SA sind das Treshold
Accepting (TA), der Sintflut Algorithmus (SI) und der Record-to-Record-Travel (RR).
4.5.4.2 Multiobjektive Optimierung
Optimierungsprobleme, fu¨r die statt eines klar definierten Optimums mehrere Kompromiss-
lo¨sungen existieren, heißen Multiobjektive Optimierungsprobleme (MOP). Diese spezielle An-
forderung hat Mitte der achtziger Jahre zur Bildung des Forschungsgebiets der Multiobjective
Evolutionary Algorithms (MOEA) gefu¨hrt (Zitzler, 1999). Anstelle von einem sind mehrere
Kriterien zu betrachten, die sich u.U. widersprechen ko¨nnen. Die Lo¨sungen derartiger Problem-
stellungen liegen auf einer Grenze im Suchraum, der sog. Pareto-Front oder Pareto-Grenze.
Ziel der multiobjektiven Optimierung ist es, gute Kompromisse zwischen den Lo¨sungen zu
finden, die zudem mo¨glichst nahe an der Pareto-Front liegen sollten (Rummler, 2002). Mey-
er (2002) nennt verschiedene MOEA-Ansa¨tze, u.a. fu¨r die Berechnung der Fitness (z.B. die
26z.B. Creep-Operator oder die Erho¨hung der eher niedrigen Mutationswahrscheinlichkeit.
60
Aggregationsansa¨tze (Broekmeulen, 1995)), das Beru¨cksichtigen von A¨hnlichkeiten bei Lo¨sun-
gen (z.B. die Nischentechnik (Goldberg und Richardson, 1987)), die Selektion mit wechselnden
Zielen (Kursawe, 1991) und Multipopulationskonzepte (Herdy und Fukuda, 1992)).
4.6 Anwendung der EA auf anderen Gebieten
Die nachfolgenden Abschnitte zeigen kurz die Bedeutung der Evolutiona¨ren Algorithmen fu¨r
verwandte Gebiete, wie die Ku¨nstlichen Intelligenz, das Soft Computing und das Artificial Life.
4.6.1 Beziehungen zur Ku¨nstlichen Intelligenz
In der Ku¨nstlichen Intelligenz (KI) werden zum einen die menschliche Intelligenz und das Pro-
blemlo¨sungsverhalten durch computerimplementierte Modelle untersucht, zum anderen versucht
die KI Methoden zu erarbeiten, die es Computern erlauben, Leistungen zu erbringen, die in-
telligentes Verhalten voraussetzen. Aus Sicht der KI sind die EA eine Klasse von intelligenten
Suchmethoden, was sie fu¨r viele Bereiche der KI interessant macht. Durch die EA werden sta¨ndig
neue Lo¨sungen generiert, teilweise unter Beru¨cksichtigung stochastischer Einflu¨sse. Auf diese
Weise generieren die EA sta¨ndig verbesserte Lo¨sungen, weshalb sich die Suche immer sta¨rker auf
Erfolg versprechende Bereiche konzentrieren la¨sst (Exploitation). Die EA sammeln sukzessive
Informationen u¨ber den Suchraum, ohne dass dieses Wissen symbolisch explizit, z.B. in Form
von Regeln, dargestellt ist. Stattdessen ist es implizit in den Individuen der Population gespei-
chert. Man ko¨nnte sagen, die EA realisieren eine Form des unu¨berwachten maschinellen Lernens
(ML), was wiederum eine wichtige Grundlage intelligenten Verhaltens ist (Nissen, 1997).
4.6.2 Beziehungen zum Soft Computing
Der Begriff des Soft Computing stammt von Zadeh (Aliev et al., 2000), dem Begru¨nder der
Fuzzy-Set-Theorie. Dieser Begriff umfasst Fuzzy-Systeme, Neuronale Netze (NN) und EA. Die
grundlegende Idee ist es, Methoden zu erarbeiten, die sich gegenu¨ber den Pha¨nomenen wie
Unsicherheit, Unscha¨rfen und partieller Information tolerant verhalten. Damit steht das Soft
Computing im Gegensatz zu den Methoden des Operational Research und der KI, die beide auf
Exaktheit und Gewissheit beruhen. Praktische Probleme lassen sich mit den exakten Methoden
des Hard Computings teilweise nur schwer bearbeiten, aber u¨ber das Soft Computing erfolgreich
abbilden. Besonders effiziente Lo¨sungen ko¨nnen durch die Kombination der Soft Computing Me-
thoden entstehen (Nissen, 1997). Als Beispiel seien die Fuzzy-Neuro-Systeme im Konsumgu¨ter-
bereich genannt oder die Verknu¨pfung von EA und Neuronalen Netzen27 (Uelschen, 2000) sowie
EA mit Fuzzy-Systemen28 (Bastian, 2000; Cheong und Lai, 2000; Reynolds und Zhu, 2001).
4.6.3 Beziehungen zum Artificial Life
Das Gebiet des Artificial Life (AL) befasst sich mit der Schaffung ku¨nstlicher Systeme, um so die
fundamentalen Prinzipien des Pha¨nomens Leben zu untersuchen. Die Evolutiona¨ren Algorith-
men sind ein wichtiger Bestandteil in der Konstruktion von AL-Systemen. Realisierte Anwen-
dungsmo¨glichkeiten in diesem Themenbereich stammen aus der Biologie, Computer-Spielen, der
Filmindustrie29 und der Kommunikation zwischen ku¨nstlichen Systemen (Mitchell et al., 2000).
27Nissen (1997) nennt als Beispiele die Optimierung der Verbindungsgewichte der Netzarchitektur sowie die
simultane Optimierung von Gewichten und Struktur.
28Mo¨glich ist nach Nissen (1997) z.B. der Einsatz von GA fu¨r die Optimierung von Fuzzy-Reglern sowie der
Struktur und der Parameter von Fuzzy-Systemen.
29In der Filmtrilogie
”
The Lord of the Rings”TM von Peter Jackson wurden die mit der Massive-Software ge-
nerierten Heere als Zusammenschlu¨sse individueller Objekte programmiert. So konnten sich durch Methoden des
Artificial Life die Protagonisten des Kampfgeschehens individuell bewegen und das Ereignis sehr real erscheinen
lassen. Dies ging zu Beginn der Entwicklung soweit, dass sich einige Individuen von der Schlacht entfernten, da
sie keine Gegner fanden und sich entsprechend ihrer Programmierung vom Geschehen weg bewegten (Jackson
und Regelous, 2003). Wenn auch nicht so gewollt, auch eine Form intelligenten Verhaltens.
61
5 Anwendung der ausgewa¨hlten
Modellbildungen
Um die Methode der evolutiona¨ren Optimierung mit dem EOGUI-Algorithmus u¨berpru¨fen zu
ko¨nnen, wurde die MIschungsProzessSimulation (MIPS) entwickelt. Fu¨r diesen einfachen, aber
trotzdem ausreichend vielschichtigen Prozess wurden Modelle der vier ausgewa¨hlten Techniken
entwickelt und mit der ProVis EO-Software in Bedienoberfla¨chen umgesetzt.
5.1 Der Beispielprozess MIPS
Das Bild 5.1 zeigt u¨ber das RI-Fließbild den Aufbau des MIPS-Prozesses. U¨ber das im linken
Teil von Abbildung 5.1 dargestellte Untersystem SUB01 Zufluss Flu¨ssigkeit wird dem Prozess
eine Flu¨ssigkeit zugefu¨hrt. Das im oberen, rechten Teil zu sehende Untersystem SUB02 Zufluss
Pulver fo¨rdert ein Pulver in den Prozess, das zusammen mit der Flu¨ssigkeit im Untersystem
SUB03 Mischungseinheit (Mitte von Abbildung 5.1) zu einer Mischung zusammengefu¨hrt wird.
Mit dem Untersystem SUB04 Entnahme Mischung kann die Mischung dem Prozess entnommen
werden.
Bild 5.1: MIPS: RI-Fließbild mit Untersystemaufteilung
62
5.1.1 Gesamt-Teil-Modell
Gefordert ist, eine bestimmte Qualita¨t der Mischung zu erzielen und eine festgelegte Ab-
laufmenge und -temperatur einzuhalten. Weitere Restriktionen sind das Einhalten vorgegebener
Massenstro¨me, Fu¨llsta¨nde und Temperaturen in den Zula¨ufen.
5.1.1 Gesamt-Teil-Modell
Das Gesamt-Teil-Modell von MIPS zeigt das Bild 5.2. Es entha¨lt vier Ebenen: die Gesamt-
systemebene als ho¨chste Stufe, zwei untergeordnete Systemebenen (Unter- und Teilsystem)
sowie eine Komponentenebene. Die gestrichelten Verbindungen zeigen die Zugeho¨rigkeit einer
Komponente zu mehr als einem Untersystem an. Dies sind Komponenten, die die Untersysteme
miteinander verbinden.
Bild 5.2: MIPS: Gesamt-Teil-Modell
5.1.2 Ziel-Mittel-Modell
Die Darstellung des Ziel-Mittel-Modells fu¨r den MIPS-Prozess beschra¨nkt sich auf die Ebenen
des funktionellen Zwecks, der abstrakten sowie der verallgemeinerten Funktion nach Abschnitt
2.1.4. Die Ebene des funktionellen Zwecks wird fu¨r die MFM-Zielhierarchie, die Ebene der
abstrakten Funktion fu¨r die EID-Mappings und der verallgemeinerten Funktion fu¨r die MFM-
Flussfunktionen u¨bernommen.
5.1.2.1 Funktioneller Zweck
Fu¨r den funktionellen Zweck des MIPS-Prozess wurden 23 Ziele gefunden, die sich auf neun
Hierarchieebenen befinden. Das wichtigste Ziel fu¨r die Produktion ist der Betrieb der Anla-
ge entsprechend den Anforderungen. Der Hauptzweck bzw. die Absicht, fu¨r die der Prozess
existiert, ist, wie erwa¨hnt, die Entnahme von Mischung bei geforderter Qualita¨t, Menge und
Temperatur. Diese Ziele lassen sich weiter detaillieren, bis man die grundlegendsten Anforderun-
gen der ausreichenden Flu¨ssigkeits- und Pulverzufuhr erreicht. Das Bild 5.3 zeigt die Ebene des
funktionellen Zwecks im Ziel-Mittel-Modell fu¨r den MIPS-Prozess. Die Ziele in Bild 5.3 sind so
angeordnet, dass die Beziehungen zwischen den Zielen mo¨glichst gut zu erkennen sind. Weitere
Positionierungsmo¨glichkeiten beziehen sich auf die Art der Ziele (Masse, Energie, Information)
und die Zugeho¨rigkeit zum Gesamt-Teil-Modell, hier auf der Stufe der Systeme.
63
5.1 Der Beispielprozess MIPS
Bild 5.3: MIPS: Ziel-Mittel-Modell – Funktioneller Zweck
5.1.2.2 Abstrakte Funktion
Das Bild 5.4 zeigt die abstrakten Funktionen des MIPS-Prozesses. Abgebildet sind die Massen-
und Energieflu¨sse des Prozesses und wie sie die Fu¨llsta¨nde und Wa¨rmemengen beeinflussen.
Beispielsweise la¨sst der Massenzufluss (m˙FinB101 , bestehend aus m˙
F
zu und m˙
F
vor), den Fu¨llstand
in dem Beha¨lter B101 ansteigen, m˙FoutB101 bestimmt die Abnahme dieses Fu¨llstands. Die gestri-
chelten Linien deuten an, dass die entsprechenden Massenflu¨sse die Energieflu¨sse beeinflussen.
Bild 5.4: MIPS: Ziel-Mittel-Modell – Abstrakte Funktion
64
5.2 Modellbildung fu¨r MIPS
5.1.2.3 Verallgemeinerte Funktion
Die Standard-Funktionen des Prozesses betreffen die Massen- und Energieflu¨sse, das Speichern
sowie den Informationsfluss fu¨r die Steuerungsvorgaben und die Wiedergabe von Prozessgro¨ßen
fu¨r die Flu¨ssigkeit, das Pulver und die Mischung. Das Bild zeigt zusammenfassend die verallge-
meinerten Funktionen. Die einzelnen Funktionen ko¨nnen in Bild 5.5 durch Verfolgen der Verbin-
dungslinien abgelesen werden, z.B. wie in Bild 5.5 durch breitere Linien dargestellt Flu¨ssigkeit
Zulauf Transportieren.
Bild 5.5: MIPS: Ziel-Mittel-Modell – Verallgemeinerte Funktion
5.2 Modellbildung fu¨r MIPS
Die folgenden Abschnitte enthalten die Modellbildung des MIPS-Prozesses als TOP-, Virt3D-,
EID- und MFM-Modell. Beschrieben wird jeweils das Ergebnis der Modellbildung in Form einer
U¨bersicht.
5.2.1 MIPS-Modell der Topologischen Sicht (TOP)
Das Bild 5.6 zeigt das TOP-Modell fu¨r den MIPS-Prozess. Im Vergleich zum RI-Fließbild
werden zwar die gleichen graphischen Symbole verwendet, jedoch zur besseren Erkennbarkeit
durchga¨ngig nur deren Grundformen (z.B. fu¨r die Pumpe anstatt und ). Vereinfacht sind
außerdem die Darstellungen der Regler1 und des Fo¨rderers2. Der Beha¨lterfu¨llstand wird durch
die gefu¨llte Fla¨che im Beha¨ltersymbol visualisiert. Das Ru¨hrwerk A301 und der Motor M301
werden zur besseren U¨bersicht unterhalb des Beha¨lters B301 positioniert.
5.2.2 MIPS-Modell der Virtuellen 3D-Prozessvisualisierung (Virt3D)
Das Virt3D-Modell mit den originalen Symbolen fu¨r die Komponenten nach Wittenberg (2001b)
zeigt das Bild 5.7. Der Prozess befindet sich im Normalzustand, d.h. alle Prozessgro¨ßen befinden
sich in geforderten Bereichen. Die Anordnung der Symbole entspricht der von Bild 5.6.
5.2.3 MIPS-Modell des Ecological Interface Design (EID)
Der topologische Teil des EID-Modells entspricht dem TOP-Modell von Bild 5.6, mit dem Unter-
schied des gro¨ßeren Platzbedarfs fu¨r die EID-Mappings. Die EID-Objekte visualisieren die in
Abschnitt 5.1.2.2 genannten Zusammenha¨nge auf der Ebene der abstrakten Funktion. Die ge-
strichelten Linen zwischen den topologischen Komponenten und den EID-Mappings zeigen an,
welche Komponenten Einfluss auf welche Gro¨ßen nehmen. Fu¨r das Untersystem SUB01 Zulauf
1Reduzierung des Rahmens auf ein Quadrat.
2Durchgezogene Verbindungslinien, daher Verzicht auf die Wiedergabe des Trichters (Bild 5.1 oberhalb B201).
65
5.2 Modellbildung fu¨r MIPS
Flu¨ssigkeit kann ein vollsta¨ndiges EID-Mapping fu¨r den Beha¨lter B101 entwickelt werden. Die
Bilanzen zeigen die Zu- und Abflu¨sse des Beha¨lters fu¨r Masse und Energie, das Verbindungs-
objekt zeigt die wichtige Gro¨ße der Temperatur im Beha¨lter. Gleiche Mappings ko¨nnen fu¨r
das Untersystem SUB02 Zulauf Pulver, SUB03 Generierung Mischung und SUB04 Entnahme
Mischung gegeben werden. Allerdings beschra¨nkt sich das Mapping fu¨r SUB02 auf die Mas-
senbilanz, da hier die Energie nicht weiter von Interesse ist. Fu¨r SUB04 ist der Fu¨llstand der
Massenbilanz virtueller Natur, da in diesem Anlagenteil die Mischung nicht weiter zwischen-
gespeichert wird. Zu den vier linearen Abbildungen kommt ein nichtlinearer Zusammenhang
fu¨r das Verbindungsobjekt der Qualita¨t. Die Mischungsqualita¨t ist abha¨ngig vom Mischungs-
verha¨ltnis r3 zwischen Pulver und Flu¨ssigkeit, vom Energieinhalt im Beha¨lter B301 und vom
Status des Motors M301. Fu¨r die weitere Abbildung des Systemverhaltens sei auf den Abschnitt
2.3.5.2 verwiesen.
5.2.4 MIPS-Modell des Multilevel Flow Modeling (MFM)
Das Bild 5.9 zeigt zusammenfassend das MFM-Modell fu¨r den MIPS-Prozess. Die Zielhierarchie
entspricht in ihrer Struktur dem in Abschnitt 5.1.2.1 gezeigten Bild 5.3 fu¨r den funktionalen
Zweck. Die Flussfunktionen des MFM-Modells entsprechen weitgehend der verallgemeinerten
Funktion von 5.5. Fu¨r einige Ziele, z.B. Vorlaufmenge Flu¨ssigkeit ausreichend, sind die angebun-
denen Flussstrukturen zum besseren Versta¨ndnis mit abgebildet. Die u¨brigen Flussstrukturen
sind aus Platzgru¨nden verkleinert wiedergegeben. Die gestrichelten Linien in Bild 5.9 entspre-
chen den Bedingungsbeziehungen, die Pfeillinien den Erreichungsbeziehungen.
FC
M
M
T
000
V101
P101
P102
FC102
V102
MD101
TC101
W101
FD101
TD101
B101
TC
M
FC103
V103
MD102
TC102
W102
LC103
T000
FD201 TD201
B201
V201
MD201
P401
P402
T
TD102
M
M
FC401
V401
MD401
TC401
W401
LC401
C201
M301
A301
T
000
FD301
TD301
Q
QD301
R
RD301
T
TD401
TC
LC
FC
LC
FC TC
B301
L201
Bild 5.6: MIPS: TOP-Modell
3r =
hPB301
hF
B301
66
MIPS-Modell der Virtuellen 3D-Prozessvisualisierung (Virt3D)
Bild 5.7: MIPS: Virt3D-Modell
67
5.2 Modellbildung fu¨r MIPS
Bild 5.8: MIPS: EID-Modell
68
MIPS-Modell des Multilevel Flow Modeling (MFM)
M
is
c
h
u
n
g
a
u
s
P
ro
z
e
ß
e
n
tn
e
h
m
e
n
B
e
tr
ie
b
d
e
r
A
n
la
g
e
w
ie
g
e
fo
rd
e
rt
E
n
tn
a
h
m
e
-
q
u
a
li
tä
t
a
u
s
re
ic
h
e
n
d
M
is
c
h
u
n
g
g
e
n
e
ri
e
re
n
E
n
tn
a
h
m
e
-
te
m
p
e
ra
tu
r
ri
c
h
ti
g
P
u
lv
e
r-
z
u
fu
h
r
a
u
s
re
ic
h
e
n
d
F
lü
s
s
ig
k
e
it
s
-
z
u
fu
h
r
a
u
s
re
ic
h
e
n
d
S
p
e
ic
h
e
rm
e
n
g
e
P
u
lv
e
r
a
u
s
re
ic
h
e
n
d
S
p
e
ic
h
e
rm
e
n
g
e
F
lü
s
s
ig
k
e
it
a
u
s
re
ic
h
e
n
d
V
o
rl
a
u
fm
e
n
g
e
P
u
lv
e
r
a
u
s
re
ic
h
e
n
d
Z
u
la
u
fm
e
n
g
e
F
lü
s
s
ig
k
e
it
a
u
s
re
ic
h
e
n
d
V
o
rl
a
u
fm
e
n
g
e
F
lü
s
s
ig
k
e
it
a
u
s
re
ic
h
e
n
d
E
n
tn
a
h
m
e
-
m
e
n
g
e
a
u
s
re
ic
h
e
n
d
S
p
e
ic
h
e
rm
e
n
g
e
M
is
c
h
u
n
g
a
u
s
re
ic
h
e
n
d
T
e
m
p
e
ra
tu
r
V
o
rl
a
u
f
ri
c
h
ti
g
T
e
m
p
e
ra
tu
r
F
lü
s
s
ig
k
e
it
ri
c
h
ti
g
T
e
m
p
e
ra
tu
r
Z
u
la
u
f
ri
c
h
ti
g
R
ic
h
ti
g
e
e
m
p
e
ra
tu
r
M
is
c
h
-
t
T
e
m
p
e
ra
tu
r
P
u
lv
e
r
ri
c
h
ti
g
M
is
c
h
u
n
g
s
-
v
e
rh
ä
lt
n
is
ri
c
h
ti
g
A
n
te
il
F
lü
s
s
ig
k
e
it
ri
c
h
ti
g
D
u
rc
h
m
is
c
h
u
n
g
F
lü
s
s
ig
k
e
it
/
P
u
lv
e
r
a
u
s
re
ic
h
e
n
d
A
n
te
il
P
u
lv
e
r
ri
c
h
ti
g
F
lü
s
s
ig
k
e
it
z
u
fü
h
re
n
P
u
lv
e
r
z
u
fü
h
re
n
M
is
c
h
u
n
g
e
n
tn
e
h
m
e
n
M
is
c
h
u
n
g
s
p
e
ic
h
e
rn
AC
V
o
rl
a
u
fm
e
n
g
e
F
lü
s
s
ig
k
e
it
re
g
u
li
e
re
n
V
o
rl
a
u
fm
e
n
g
e
F
lü
s
s
ig
k
e
it
b
e
s
ti
m
m
e
n
V
o
rl
a
u
fm
e
n
g
e
F
lü
s
s
ig
k
e
it
e
rm
it
te
ln
V
o
rl
a
u
fm
e
n
g
e
F
lü
s
s
ig
k
e
it
h
a
lt
e
n
F
lü
s
s
ig
k
e
it
b
e
re
it
s
te
ll
e
n
F
lü
s
s
ig
k
e
it
s
p
e
ic
h
e
rn
V
o
rl
a
u
fm
e
n
g
e
F
lü
s
s
ig
k
e
it
b
e
s
ti
m
m
e
n
P
u
lv
e
r
b
e
re
it
s
te
ll
e
n
P
u
lv
e
r
s
p
e
ic
h
e
rn
P
u
lv
e
r-
z
u
fl
u
ß
b
e
s
ti
m
m
e
n
AC
Z
u
la
u
f-
te
m
p
e
ra
tu
r
re
g
u
li
e
re
n
Z
u
la
u
f-
te
m
p
e
ra
tu
r
b
e
s
ti
m
m
e
n
Z
u
la
u
f-
te
m
p
e
ra
tu
r
e
rm
it
te
ln
T
e
m
p
e
ra
tu
r
d
e
r
F
lü
s
s
ig
k
e
it
im
V
o
rl
a
u
f
h
a
lt
e
n
E
x
te
rn
e
W
ä
rm
e
z
u
fü
h
re
n
W
ä
rm
e
a
u
s
M
a
s
s
e
n
z
u
fu
h
r
z
u
fü
h
re
n
F
lü
s
s
ig
k
e
it
im
Z
u
la
u
f
e
rw
ä
rm
e
n
D
e
r
M
is
c
h
u
n
g
F
lü
s
s
ig
k
e
it
z
u
fü
h
re
n
D
e
r
M
is
c
h
u
n
g
P
u
lv
e
r
z
u
fü
h
re
n
M
is
c
h
u
n
g
s
-
v
e
rh
ä
lt
n
is
e
rz
e
u
g
e
n
AC
AC
E
n
tn
a
h
m
e
-
te
m
p
e
ra
tu
r
h
a
lt
e
n
AC
AC
AC
AC
AC
AC
Bild 5.9: MIPS: MFM-Modell
69
6 Umsetzung der Modellbildungen
in Graphische Bedienoberfla¨chen
Nach DIN 40020 oder DIN EN ISO 14015-1 Teil 1 wird die Schnittstelle, mit der der Mensch
mit einem Computer interagiert, als Benutzer- oder Benutzungsoberfla¨che1 bezeichnet. Benut-
zer sind in dieser Arbeit als Personen definiert, die die Schnittstelle nur gelegentlich nutzen.
Bediener arbeiten intensiver mit der Schnittstelle, weswegen im folgenden der Begriff der Be-
dienoberfla¨che fu¨r die Schnittstelle zwischen Mensch und Maschine verwendet wird.
Unter Anwendung des Softwarepakets ProVis EO erfolgt die Umsetzung der vier vorge-
stellten Modellbildungen Virt3D, TOP, EID und MFM in graphische Bedienoberfla¨chen. Ent-
wickelt wurde die Software objektorientiert unter Microsoft WindowsTM NT4.0 mit dem C++-
BuilderTM von Borland als Entwicklungsumgebung. Mit dieser Software ist es mo¨glich, Pro-
zesse mit den ausgewa¨hlten Modellbildungstechniken abzubilden. Die Sichten auf den Prozess
sind entsprechend dem Betriebssystem fensterorientiert. Die gesamte Software umfasst u¨ber
200000 Zeilen Quellcode, weshalb nur die wichtigsten Funktionen und Eigenschaften sowie
die zur Laufzeit erscheinenden Graphiken und Objekte beschrieben werden. Die Graphiken
wurden mit dem Corel-GraphicSuiteTM-Softwarepaket erstellt, genauer mit den Programmen
CorelDraw (Vektor-orientierte Graphiken) und CorelPhotoPaint (Bitmap-orientiert). Fu¨r die
Virt3D-Graphiken konnte zum Teil auf bestehende Screenshots zuru¨ckgegriffen werden, die
jedoch alle fu¨r die ProVis EO-Software bearbeitet oder neu gestaltet werden mussten. Ent-
sprechend den Regeln von Shneiderman (1992) fu¨r einen geeigneten und einen den Bediener
unterstu¨tzenden Dialogentwurf werden durchgehend die gleichen Darstellungsformen und Ein-
gabemo¨glichkeiten verwendet. Dies gilt besonders fu¨r die Virtuelle 3D-Prozessvisualisierung,
die anstrebt, Komponenten so realita¨tsnah wie mo¨glich abzubilden, jedoch aus dem genann-
ten Grund auf verschiedene Darstellungen, wie sie in der Realita¨t vorkommen, verzichtet und
durchga¨ngig nur eine Visualisierungsvariante verwendet.
Im folgenden wird die Umsetzung der in Abschnitt 2.4 ausgewa¨hlten Modellbildungen be-
schrieben. Erla¨utert werden zuna¨chst die Struktur der Programmierung, die Bezeichnungs-
systematik und die allgemeinen Objekte. Es folgen die topologisch orientierten Sichten der
TOP- und Virt3D- sowie des topologischen Anteils der EID-Bedienoberfla¨che. Die kognitions-
bezogenen Sichten von EID und MFM sowie die Graphikbibliothek schließen diese Beschreibung
ab.
6.1 Struktur der Programmierung
Das Bild 6.1 zeigt die Zusammenha¨nge zwischen den Klassen der Programmierung. Im obe-
ren Teil sind die Klassen fu¨r die Modellbildung zu sehen, im unteren Teil die Klassen fu¨r die
Visualisierung des Prozesses. Abgebildet sind die Vererbung der allgemeinen Klassen, der Zu-
sammenhang zwischen allgemeiner Klasse und deren Deklaration von Variablen und der Verweis
1Nach Hohmann (2002) ist dieser Begriff unangemessen, da er Informationsflu¨sse nur in eine Richtung sug-
geriert. Statt dessen wird der Begriff des Interface vorgeschlagen, der jedoch mehr fu¨r den reinen Datenaus-
tausch im technischen Sinne steht.
70
6.1.1 Bezeichnungssystematik
auf die Formularklassen, in denen die Deklarationen visualisiert werden. Die allgemeinen Klas-
sen umfassen hauptsa¨chlich die Programmierung der Modellbildung. Formularklassen sind die
von der Entwicklungsumgebung zur Verfu¨gung gestellten Fensterobjekte.
Bild 6.1: Struktur der Programmierung: Zusammenha¨nge zwischen den Klassen
Grundlegende Graphikfunktionen sind in der Klasse control graphic abgelegt. Deren Funk-
tionen werden an die allgemeine Klasse general graphic vererbt, von der wiederum alle an-
deren grundlegenden Klassen, mit Ausnahme der Klasse eid mp general, erben. Die Klasse
eid mp general besitzt eigene spezielle Graphikfunktionen und beno¨tigt daher die allgemeinen
Graphikfunktionen nicht. Die Klassen top cp general, top system und die top cp . . .-Klassen
dienen der Abbildung der topologisch orientierten Objekte, die eid mp . . .-Klassen der Abbil-
dung der EID-Mappings und die mfm . . .-Klassen der Abbildung der MFM-Objekte. In den
Deklarationsdateien werden die Modelle des Prozesses gebaut und in den Formularklassen den
Bedienern in Form graphischer Objekte zuga¨nglich gemacht.
6.1.1 Bezeichnungssystematik
In der ProVis EO-Software stehen englischsprachige Bezeichner immer fu¨r Funktionen oder
Eigenschaften der Klassen. Deklarationen in Form von Variablen der Klassen sind zur deutli-
chen Unterscheidung und besseren Lesbarkeit des Programms in deutscher Sprache gehalten.
Im folgenden wird auf die Bezeichnungssystematik der Funktionen eingegangen, die fu¨r alle
entwickelten Klassen gleich ist.
Set. . . Funktion zum Setzen von Parametern.
LinkTo. . . Verbindung zu anderen Objekten aufbauen, um eine Struktur von zu-
sammenha¨ngenden Objekten zu schaffen.
WhatsYour. . . Ru¨ckgabefunktionen zum Ermitteln gekapselter Daten.
HowMany. . . Integer-Ru¨ckgabefunktionen zum Ermitteln der Anzahl.
Check. . . Funktionen zum U¨berpru¨fen von Objekt-Eigenschaften.
Is. . . Bool’sche Ru¨ckgabefunktionen.
71
6.1 Struktur der Programmierung
Draw. . . Graphikfunktionen zum Zeichnen, z.B. der EID-Mappings.
Adapt. . . Funktionen der evolutiona¨ren Optimierung, hauptsa¨chlich zum Anpas-
sen von Graphiken.
Adjust. . . Ebenfalls Funktionen der evolutiona¨ren Optimierung zur Korrektur von
Objektpositionen, z.B. von Kurzanzeigen
6.1.2 Graphikobjekte
Die Klasse general graphic entha¨lt die allgemeinen Graphikfunktionen und -objekte. Alle Ob-
jekte, die als Graphik in den Oberfla¨chen erscheinen, besitzen ein entsprechendes Graphikobjekt
in der Programmierumgebung. Die wichtigsten Objekte nennt die folgende Aufza¨hlung:
TForm ∗form link Referenz auf ein Formularobjekt, das die Graphiken beinhaltet.
TImage ∗graphic link Referenz auf ein Graphikobjekt, in das Bitmaps geladen wer-
den ko¨nnen oder auf das u¨ber die Canvas-Eigenschaft Graphik-
funktionen anwendbar sind.
TLabel ∗label link Referenz auf ein einfaches Textobjekt, u¨ber das die Bezeichner
der Objekte gesetzt werden.
6.1.3 Farbcodierungen
Zur besseren Unterscheidbarkeit werden die mo¨glichen Zusta¨nde von Komponenten bzw. Sys-
temen und die unterschiedlichen Materialstro¨me farblich codiert.
Farbcodierung der Materialstro¨me: Die ver-
TOP-GUI Virt3D-GUI
Material Rohrltg. Beha¨l. Rohrltg. Beha¨l.
Flu¨ssigkeit
Pulver
Mischung
Tabelle 6.1: ProVis EO-Objekte: Farbcodierung der
Materialstro¨me
schiedenen Materialstro¨me werden in der
ProVis EO-Software fu¨r die Virt3D- und
TOP-Oberfla¨che zur besseren Unterscheid-
barkeit ebenfalls farblich codiert. Die in
Tabelle 6.1 gezeigten Codierungen fu¨r die
TOP-Beha¨lter und unteren TOP-Rohr-
leitungen sind mo¨gliche Mutationsergeb-
nisse.
Farbcodierung der Zusta¨nde: Neben den in Abschnitt 2.3.2 Zustand Farbe Symbol
KEIN Hellgrau
NORMAL Weiß
ALARM Gelb
NOTFALL Rot
ZERSTO¨RT Flamme
Tabelle 6.2: ProVis EO-Objekte: Farb-
codierung der Zusta¨nde
genannten Zusta¨nden fu¨r die Prozessgro¨ßen kommt fu¨r
die Programmierung der Zustand Kein Zustand hinzu.
Diesen Zustand besitzen Objekte nur dann, wenn sie ini-
tialisiert werden bzw. noch keine Daten fu¨r diese Objek-
te durch eine Simulation berechnet werden. Der NORMAL-
Zustand besitzt keine bzw. fu¨r Anzeigen eine gru¨ne Ein-
fa¨rbung. So setzt sich die Komponente nicht vom Hinter-
grund bzw. von den anderen Komponenten ab und fu¨gt
sich harmonisch in das Gesamtbild mit ein. Leichte, noch
unkritische Abweichungen vom Sollwert werden durch die
Farbe Gelb markiert (ALARM-Zustand), kritische Abwei-
chungen des NOTFALL-Zustands durch Rot. Kommt zur
roten Fa¨rbung ein Flammensymbol hinzu, ist die Kom-
ponente zersto¨rt.
72
6.2 Allgemeine Objekte
Die allgemeinen Objekte umfassen die Objekte, die fu¨r alle Bedienoberfla¨chen gleich sind. Es
handelt sich im wesentlichen um die im Abschnitt 2.3.2 eingefu¨hrten Prozessgro¨ßen und um die
Elemente fu¨r die Anzeigen und Steuerungen dieser Gro¨ßen von Abschnitt 2.2.2. Die Navigations-
objekte und die allgemeinen Graphikfunktionen werden ebenfalls beschrieben. Weitere allgemei-
ne Objekte sind Textfenster fu¨r die Ausgabe von Zustandsmeldungen oder Graphiken fu¨r den
zeitlichen Verlauf von Prozessgro¨ßen.
Prozessgro¨ßen: Die im Abschnitt 2.3.2 aufgefu¨hrten Gro¨ßen werden durch die Klasse process -
data umgesetzt. Diese Klasse wird nicht weiter vererbt, vielmehr werden Deklarationen inner-
halb der allgemeinen Klassen gebildet, so dass sich beispielsweise fu¨r die topologischen Kom-
ponenten Verbindungen mit den Prozessgro¨ßen aufbauen lassen.
Anzeigeelemente: Die Anzeigeelemente visualisieren die Zustandsgro¨ßen von Abschnitt 2.3.22.
Fu¨r deren Wiedergabe existieren horizontale und vertikale Anzeigen sowie verschiedene Kurz-
anzeigen. Die horizontalen und vertikalen Anzeigen werden durch Anklicken der entsprechenden
Oberfla¨chenobjekte aufgeschaltet bzw. abgeschaltet. Die Kurzanzeigen dagegen sind sta¨ndig auf
der Oberfla¨che pra¨sent.
Horizontale Anzeigen: Diese Anzeigen zeigen Prozessgro¨-
Bild 6.2: Anzeigeelement:
Horizontal und Vertikal
ßen in einer kombinierten Form aus textlicher und gra-
phischer Wiedergabe. Der im linken Objekt von Bild
6.2 ganz oben aufgefu¨hrte Text nennt die wiedergegebe-
ne Prozessgro¨ße und deren Attribute3. Die beiden Text-
blo¨cke enthalten den aktuellen Ist- und Sollwert sowie die
Einheit. Der graphische Teil darunter zeigt ebenfalls den
Istwert (oben) und den Sollwert(unten). Der Istwertbal-
ken wird entsprechend den in Abschnitt 6.1 aufgefu¨hrten
Codierungen eingefa¨rbt. Der Balken oberhalb von Ist-
und Sollwert informiert u¨ber die dem Wertebereich der
dargestellten Gro¨ße zugeordneten Zusta¨nden.
Vertikale Anzeigen: Die vertikalen Anzeigen, in Bild 6.2
rechts, entsprechen in ihrer Struktur den horizontalen Anzeigen. Hauptsa¨chlich wird mit diesen
Anzeigen u¨ber Fu¨llsta¨nde informiert. Die vertikale Ausrichtung deutet das Fu¨llvolumen in einem
Beha¨ltnis an. Der ganz linke Balken steht fu¨r den Sollwert, der schmale Balken rechts gibt
wiederum Auskunft u¨ber die den Wertebereichen zugeordneten Zusta¨nde.
Kurzanzeigen: Es existieren drei unterschiedliche Typen
Bild 6.3: Kurzanzeige: Kombiniert, Ho-
rizontal und Pumpe
von Kurzanzeigen. Der erste Typ, in Bild 6.3 links, um-
fasst die komprimierte Informationswiedergabe u¨ber die
Istwerte von Zustandsgro¨ßen, deren Einheit und, falls
vorhanden, den Status des Reglers, der diese Gro¨ße be-
stimmt. Die Mitte von Bild 6.3 zeigt den zweiten Kurz-
anzeigentyp. Hier wird u¨ber einen Balken der aktuelle
Istwert eines kontinuierlichen Steuerelements von Ab-
schnitt 6.2 (2. Absatz) angezeigt. Der letzte Typ von Bild 6.3 zeigt den Pumpenstatus. Fu¨r
die Virt3D-Oberfla¨che gibt es neben der textlichen Information noch eine graphische Form
(Wittenberg, 2001b). Rot bezeichnet den Status NICHT FO¨RDERND, gru¨n FO¨RDERND.
2process data->process data class = STATE VARIABLE.
3Art, Kurzform der Anzeigenkennung und die genaue Bezeichnung der Prozessgro¨ße.
73
6.2 Allgemeine Objekte
Steuerungselemente: Unter Anwendung der Steuerungselemente kann der Bediener Einfluss auf
die Prozessgro¨ßen des Typs CONTROL nehmen. Grundsa¨tzlich sind zwei Arten zu unterscheiden:
diskrete und kontinuierliche Steuerungselemente.
Diskrete Steuerungselemente: Zu den diskreten Steuerungs-
Bild 6.4: Steuerungselemente:
Diskret – Pumpe
elementen za¨hlen die Elemente, deren Prozessgro¨sse nicht
u¨ber einen Wertebereich mit erlaubten und nicht erlaub-
ten Gebieten verfu¨gt, sondern denen verschiedene Status-
werte zugewiesen werden. Zu den diskreten Steuerungsele-
menten za¨hlen die Pumpe, der Fo¨rderer, Motor, die Klap-
pe und das Ru¨hrwerk, deren Status EINGESCHALTET oder
AUSGESCHALTET lauten kann. Das Bild 6.4 zeigt exemplarisch das Steuerelement fu¨r eine Pum-
pe. Zum Unterstu¨tzen der korrekten Statuserkennung leuchtet die virtuelle Kontrolllampe im
eingeschalteten Zustand gru¨n, sonst ist sie grau.
Ein weiteres diskretes Steuerelement ist der Regler, des-
Bild 6.5: Steuerungselemente:
Diskret – Regler
sen Status die drei in Abschnitt 2.3.3.1 beschriebenen Werte
MANUELL, INTERN und EXTERN annehmen kann. Das Bild 6.5
zeigt die beiden mo¨glichen Statussteuerungen fu¨r die Regler.
Kann der Regler durch einen u¨bergeordneten Regler ange-
steuert werden, kommt die linke Form zur Anwendung, im
anderen Fall die rechte.
Kontinuierliche Steuerungselemente: Alle Prozessgro¨ßen des
Bild 6.6: Steuerungselemente:
Kontinuierlich – Ventil
Typs CONTROL, die u¨ber kontinuierliche Wertebereiche verfu¨-
gen ko¨nnen durch die kontinuierlichen Steuerelemente ver-
a¨ndert werden. Dazu geho¨ren die Ventile und die Wa¨rme-
tauscher. Fu¨r die Ventile wird u¨ber den Schieberegler von
Bild 6.6 deren O¨ffnungsgrad bestimmt, fu¨r die Wa¨rmetau-
scher die Leistung. Wie bei den Anzeigen liegt oberhalb des
Schiebereglers ein Balken mit unterschiedlichen Farbberei-
chen fu¨r die Zuordnung der Zusta¨nde zum eingestellten Wert. Der Textblock oben links infor-
miert u¨ber den aktuellen Stellwert, die Anzeigen rechts u¨ber den zugeho¨rigen Reglerstatus.
Kombinierte Elemente: In den ProVis EO-Bedienober-
Bild 6.7: Kombiniertes Element
fla¨chen werden das horizontale Anzeigenelement, das diskre-
te Regler-Steuerelement und das kontinuierliche Steuerele-
ment von Abschnitt 6.2 zu einem Element kombiniert. Die-
ses Element verbindet zusammenha¨ngende Prozessgro¨ßen in
einem Fenster und ermo¨glicht so eine u¨bersichtliche Steue-
rung. Das Bild 6.7 zeigt ein solches kombiniertes Element
fu¨r eine Temperatur.
Navigationsobjekte: Fu¨r die Navigation werden neben Pull-Down-Menu¨strukturen vier ver-
schieden Schalterarten verwendet. Die ersten drei Typen sind allgemeiner Natur, der vierte
bezieht sich auf den U¨bergang in eine spezielle Oberfla¨che.
Allgemeine Navigationsobjekte:Mit der Schaltfla¨che ganz links
Bild 6.8: Navigation:
Allgemeine Objekte
in Bild 6.8 gelangt man vom aktuellen Fenster zuru¨ck in das
zuvor aufgerufene Fenster. Der Schalter in der Mitte zeigt
an, dass von der aktuellen untergeordneten Sicht zuru¨ck
in die zugeho¨rige U¨bersicht gewechselt werden kann. Die
Schaltfla¨che mit den u¨berkreuzenden Linien4 schließt das
aktuelle Fenster.
4Diese Schaltfla¨che ist dem entsprechenden Microsoft Windows Symbol nachempfunden und unterstu¨tzt so
das Erkennen seiner Funktion.
74
Spezielle Navigationsobjekte: Das Bild 6.9 entha¨lt von
Bild 6.9: Navigation:Spezielle Objekte
links nach rechts die Symbole fu¨r die Virt3D-, TOP-,
EID- und MFM-Oberfla¨che. Durch Auswahl einer die-
ser Schaltfla¨chen gelangt man von der aktuellen Ober-
fla¨che in die Oberfla¨che des ausgewa¨hlten Symbols. Auf-
geschaltet wird die der urspru¨nglichen Ebene entspre-
chende Ebene in der gewa¨hlten Oberfla¨che. Einen Son-
derfall stellt das MFM-Navigationsobjekt dar. Hier wird eine zusa¨tzliche Auswahl der MFM-
Ziele aufgeschaltet die mit der aktuellen topologisch orientierten Sicht verbunden ist. Das Glei-
che gilt umgekehrt fu¨r eine MFM-Flussstruktur, von der aus man u¨ber das Ziel-Mittel-Modell
die realisierenden Komponenten bzw. die entsprechenden Untersysteme erreichen kann.
Kombiniertes Navigationsobjekt: Die Anordnung der Na-
Bild 6.10: Navigation: Kombination
vigationsobjekte in den ProVis EO-Oberfla¨chen zeigt das
Bild 6.10 beispielhaft fu¨r eine TOP-Oberfla¨che. Im lin-
ken Bereich befinden sich die allgemeinen, rechts die spe-
ziellen Navigationsobjekte. Das Aufschalten der MFM-
Zielauswahl erreicht man durch Bewegen des GID5-Zei-
gers u¨ber das MFM-Symbol.
6.3 Topologisch-orientierte Sichten: TOP, Virt3D,
topologischer Teil von EID
Die topologisch orientierten Sichten umfassen die TOP- und die Virt3D-Bedienoberfla¨chen so-
wie den topologischen Teil der EID-Oberfla¨che. Dementsprechend kommen fu¨r diese Bestand-
teile der Bedienoberfla¨chen die top . . .-Klassen der ProVis EO-Software zum Tragen. Fu¨r die
Umsetzung des MIPS-Prozesses von Kapitel 5 wurde im Virt3D-Modell auf die Form- und
Farbcodierung aus Vereinfachungsgru¨nden weitgehend verzichtet, da entsprechende Gro¨ßen,
wie z.B. eine Temperaturverteilung, im Prozess nicht vorkommen. Hinzugenommen wurde das
Mittel der Animation, um in der Realita¨t bewegte Objekte auch so abbilden zu ko¨nnen.
6.3.1 U¨bersichtsobjekte
Bei den U¨bersichtsobjekten handelt es sich um die Systeme, Unter- und Teilsysteme, die nach
Abschnitt 2.3.3.2 die Gesamtsicht auf den Prozess umfassen, d.h. die Komponenten zu gro¨ßeren
Einheiten zusammenfassen. Die Systeme, Teil- und Untersysteme sind in der Klasse top system
umgesetzt. Die U¨bersichtsobjekte sind durch Graphiken wiedergegeben, die entsprechend dem
Zustand in die zugeho¨rigen TImage-Objekte geladen werden.
6.3.2 Komponentenobjekte
Die Komponentenobjekte umfassen die in den Abschnitten 2.3.3.1 und 2.3.4.1 vorgestellten
TOP-Komponenten und Virt3D-Prozesselemente. U¨ber diese Objekte lassen sich die Anzeige-
und Steuerungselemente des Abschnitts 6.2 aufrufen. Unterteilen la¨sst sich die softwaretech-
nische Umsetzung in die allgemeinen Klassen sowie die Anzeige- und die Steuerungsobjekte.
• Allgemeine Klasse: Die allgemeine Klasse top cp general entha¨lt die fu¨r alle Komponen-
ten gu¨ltigen Funktionen und Eigenschaften, d.h. die spezielleren Klassen (top cp pump,
etc.) erben die Eigenschaften und Funktionen dieser Klasse. Die Klasse top cp further
ist eine virtuelle Klasse, mit der alle Komponenten abgebildet werden, die sich nicht
mit den folgenden Klassen abbilden lassen. Die wichtigste Funktion dieser Klasse ist
die GenerateState-Funktion. Mit dieser Funktion werden die Zusta¨nde aller Komponen-
tenobjekte generiert. Deklarationen von top cp further (Virtuelle Klasse) bilden stets
5GID: Graphical Input Device.
75
6.3 Topologisch-orientierte Sichten
das erste Objekt von Komponenten, die u¨ber eine LinkTo-Funktion miteinander verbun-
den sind. Die GenerateState-Funktion fragt zum Simulationstakt alle Istwerte der dem
top cp further-Objekt nachfolgenden Objekte ab und bestimmt abha¨ngig von der Soll-
wertabweichung den Zustand jeder Komponente.
• Anzeigeobjekte:Die wichtigsten Funktionen der Anzeigeobjekt-Klassen top cp display . . .
sind die SetDisplayVisible- und die SetDisplayVer/HorOnTimer-Funktionen. Sie schal-
ten die Anzeigen auf und aktualisieren diese. Ein Sonderfall ist die Klasse top cp buffer.
Sie steht fu¨r den topologischen Beha¨lter.
• Steuerungsobjekte: Wie bereits erwa¨hnt werden durch die Steuerungsobjekte die diskreten
sowie die kontinuierlichen Steuerungselemente aufgeschaltet. Die wichtigsten Funktionen
sind die SetControlVisible- und die SetControlOnTimer-Funktionen, die genauso ar-
beiten wie die Funktionen fu¨r die Anzeigen.
– Diskrete Steuerungsobjekte: top cp pump, top cp conveyer, top cp agitator,
top cp motor, top cp controler
– Kontinuierliche Steuerungsobjekte: top cp valve, top cp heat exchanger
– Verbindungobjekte: top cp pipeline, top cp ramification, top cp connection,
top cp signalline
6.3.3 Graphik-Bibliothek
Die ProVis EO-Graphik-Bibliothek umfasst die Bitmaps, die z.B. von den Komponentenobjek-
ten der TOP- und der Virt3D-Bedienoberfla¨che sowie vom topologischen Teil der EID-Bedien-
oberfla¨che entsprechend ihrem Modell, Typ und Zustand u¨ber die allgemeinen Funktion Check-
State zur Laufzeit geladen werden.
6.3.3.1 TOP-Graphikobjekte
Die Tabelle 6.3 zeigt auszugsweise die Graphikbibliothek fu¨r das Untersystem SUB01 2 Regu-
lierung Wasseranschluss. Es handelt sich um Bitmaps, die entsprechend dem aktuellen Zustand
in das entsprechende TImage-Objekt geladen werden.
Tabelle 6.3: TOP-Objekte: Graphik-Bibliothek – Untersyteme SUB01 2 Regulierung Wasseranschluss
Zustand NORMAL ALARM NOTFALL ZERSTO¨RT
Bitmap
In der Tabelle 6.4 sind die graphischen Symbole fu¨r die TOP-Objekte der Komponen-
ten entsprechend ihrer Auswahleigenschaft zu sehen. Ist die Auswahleigenschaft auf Nicht
selektierbar eingestellt, kann die Komponente nicht ausgewa¨hlt werden, da keine Funk-
tion hinterlegt ist. Ist die Auswahleigenschaft mit Selektierbar angegeben, kann die zur
Komponente geho¨rende Steuerung oder Anzeige aufgerufen werden. Die Auswahleigenschaft
Selektierbar hat zwei Auspra¨gungsstufen: Passiv und Aktiv. Die Auspra¨gung Passiv bedeu-
tet, dass man die Komponente selektieren kann, sie aber noch nicht aufgerufen wurde. Die
Auspra¨gung Aktiv liegt vor, wenn ein Bediener eine Komponente mittels GID selektiert und so
die zugeho¨rige Steuerung oder Anzeige aufgerufen hat. Entsprechend der Auspra¨gung wechselt
76
6.3.3 Graphik-Bibliothek
der Rahmen der Komponentengraphik die Ausrichtung. So soll ein Schalter angedeutet werden,
der eine Art graphischer Ru¨ckkopplung durch das Umschalten des Rahmens gibt und so dessen
Auswahl anzeigt. Fu¨r den topologischen Beha¨lter wird eine horizontale Linie entsprechend dem
aktuellen Fu¨llstand gezogen sowie eine Fla¨che im Inneren des Beha¨lters proportional zum Fu¨ll-
stand farblich abgehoben wiedergegeben. Auf diese Weise erreicht man eine leichte Erkennung
kritischer Zusta¨nde wie die Unter- oder U¨berbefu¨llung des Beha¨lters. Die Verbindungsobjekte
in Tabelle 6.4 unten ko¨nnen vom Bediener nicht ausgewa¨hlt werden.
Tabelle 6.4: TOP-Objekte: Graphik-Bibliothek – Anzeigen, Steuerungen und Verbindungen
TOP-Objekt Symbol (nach Auswahleigenschaft)
Nicht Selektierbar
selektierbar Passiv Aktiv
Anzeigen
Beha¨lter
Zustands- Temperatur
gro¨ßen
Massenfluss
Qualita¨t
Verha¨ltnis
Fu¨llstand
Steuerungen
Pumpe
Diskret Fo¨rderer
Ru¨hrwerk – –
Motor
Klappe
Regler Durchfluss
Temperatur
Fu¨llstand
Kontinuierlich Ventil
Wa¨rmetauscher
Verbindungen Flu¨ssigkeit Pulver Mischung
Rohrleitung
Verzweigung –
Zusammenfu¨hrung –
6.3.3.2 Virt3D-Graphikobjekte
Die Bitmaps der Graphik-Bibliothek fu¨r die Virt3D-Bedienoberfla¨che zeigt die Tabelle 6.5. Im
Gegensatz zu den TOP-Symbolen besitzen die virtuellen Symbole aufgrund ihrer komplizier-
77
6.3 Topologisch-orientierte Sichten
teren Form keine Rahmen, die entsprechend der Auspra¨gung der Auswahleigenschaft wechselt.
Fu¨r einige Prozesselemente wird visualisiert, ob die angebundene Prozessgro¨ße ξ gleich Null oder
gro¨ßer als Null ist. Ist ξ > 0, sind die Symbole, so vorhanden, in der Reihenfolge Flu¨ssigkeit,
Pulver und Mischung wiedergegeben.
Tabelle 6.5: Virt3D-Bedienoberfla¨che: Graphik-Bibliothek – Anzeige- und Steuerobjekte
Virt3D-Objekt Symbol (nach Flusseigenschaft)
ξ = 0 ξ > 0
Anzeigen
Beha¨lter
Temperatur
Massenfluss
Qualita¨t
Verha¨ltnis
Fu¨llstand
Steuerungen
Pumpe
Diskret Fo¨rderer
Ru¨hrwerk
Motor/Klappe
Regler
Kontinuierlich Ventil
Wa¨rmetauscher
Abku¨hlung Erwa¨rmung
Verbindungen Rohrleitung
Verzweigung
Zusammenfu¨hrung
6.3.4 Graphische Bedienoberfla¨chen
Die beiden folgenden Abschnitte zeigen Screenshots der entwickelten Virt3D- und TOP-Oberfla¨chen.
Der topologische Teil der EID-Oberfla¨che wird in Abschnitt 6.4.3 gezeigt.
6.3.4.1 TOP-Bedienoberfla¨che
Das Bild 6.11 zeigt links die U¨bersicht der TOP-Bedienoberfla¨che fu¨r den Beispielprozess MIPS
und rechts die Detailsicht fu¨r das Untersystem SUB01 Zufluss Flu¨ssigkeit. Die untergeordneten
78
6.3.4 Graphische Bedienoberfla¨chen
Sichten6 lassen sich durch Auswahl der entsprechenden Bereiche aufrufen. Kann eine Detailsicht
aufgerufen werden, verfa¨rbt sich der Hintergrund des Bereichs blau.
Bild 6.11: Bedienoberfla¨che: MIPS – TOP-U¨bersicht und Detailsicht SUB01 Zufluss Flu¨ssigkeit
Durch einfaches Klicken auf den Objektbezeichner erha¨lt man in der Statuszeile des Fensters
na¨here Informationen zum markierten Objekt. Das Objekt, zu dem die Information geho¨rt, ist
durch ein gelbes i markiert. Sobald der Bediener mit dem GID ein Objekt ansteuert, wird dessen
Hintergrund wie schon in der U¨bersicht blau eingefa¨rbt.7
6.3.4.2 Virt3D-Bedienoberfla¨che
Im Bild 6.12 sind wiederum die U¨bersicht der Virt3D-Bedienoberfla¨che fu¨r den MIPS-Prozess
und das Untersystem SUB01 Zufluss Flu¨ssigkeit abgebildet. Auch hier lassen sich die unterge-
ordneten Sichten durch Auswahl der eingefa¨rbten Bereiche aufschalten.
Bild 6.12: Bedienoberfla¨che: MIPS – Virt3D-U¨bersicht und Detailsicht SUB01 Zufluss Flu¨ssigkeit
6Insgesamt existieren fu¨r die TOP-, die Virt3D- und die EID-Bedienoberfla¨chen vier Detailsichten fu¨r die
Untersysteme SUB01 bis SUB04.
7Dies gilt fu¨r alle vier ProVis EO-Bedienoberfla¨chen.
79
6.4 Kognitions-orientierte Sichten
6.4 Kognitions-orientierte Sichten: EID und MFM
Die EID- und MFM-Oberfla¨chen bilden die kognitions-orientierten Sichten auf den Prozess.
Die EID-Objekte werden durch die eid mp ...-Klassen, die MFM-Objekte durch die mfm ...-
Klassen abgebildet. Im folgenden werden die wichtigsten EID- und MFM-Klassen, die Graphiken
sowie die Umsetzung des MIPS-Prozesses in eine EID- und MFM-Bedienoberfla¨chen dargestellt.
6.4.1 EID-Objekte
Zu den hier beschriebenen EID-Objekten geho¨ren alle Bestandteile der Mappings. Der topolo-
gische Teil von EID wird u¨ber die TOP-Klassen vom letzten Abschnitt umgesetzt.
6.4.1.1 Allgemein
Allgemein heißt in diesem Zusammenhang, dass diese Klassen sowohl fu¨r das Bilanzobjekt
als auch fu¨r das Verbindungsobjekt vorkommen. Die Funktionen und Eigenschaften liegen in
der ProVis EO-Klasse eid mp general. Dabei handelt es sich um Funktionen fu¨r die Objekt-
beschriftung und fu¨r das Erzeugen von Balkenanzeigen. Wie auch die topologischen Objekte
besitzen die EID-Objekte Deklarationen der Klasse process data und sind so mit den Pro-
zessdaten verbunden.
Beschriftung: Mit der Beschriftung der Mappingobjekte
Min
Ist
Max
Bezeichner Einheit
Bild 6.13: EID-Objekt – Allgemein:
Beschriftung
werden der Typ, die Istwerte und Wertebereiche der ent-
sprechenden Prozessgro¨ßen, deren Einheit sowie die Be-
zeichnung der Objekte in textlicher Form wiedergegeben.
Das Bild 6.13 zeigt die Umsetzung der Beschriftung zur
Laufzeit beispielhaft fu¨r eine Massenbilanz. Die Funktion
fu¨r die Textausgabe wie auch alle anderen Mappingfunk-
tionen lassen sich in statische und dynamische Funktio-
nen klassifizieren. Statisch bedeutet in diesem Zusam-
menhang, dass die Funktionen nur einmal ausgefu¨hrt
werden, da sich die ausgegebenen Werte u¨ber die Zeit
nicht a¨ndern. Dazu za¨hlen der Bezeichner, die Minimal-
sowie die Maximalwerte. Dynamische Funktionen hinge-
gen mu¨ssen zu jedem Simulationstakt ausgefu¨hrt wer-
den, da sich die Ausgabewerte, z.B. die Istwerte, u¨ber
die Zeit a¨ndern. Die Funktion DrawFrame Text erzeugt
die Beschriftung.
Balkenanzeige: Zum Unterstu¨tzen der Istwerterkennung
Istwert
Sollwert
Bild 6.14: EID-Objekt – Allgemein:
Balkenanzeige
werden so genannte Balkenanzeigen eingefu¨hrt. Sie lie-
gen fu¨r die Bilanzen an der oberen und unteren Kante,
fu¨r die Verbindungsobjekte nur an der unteren Kante. In
der Balkenanzeige ist der aktuelle Istwert fu¨r den Zufluss,
den Abfluss bzw. fu¨r die Gro¨ße des Verbindungsobjek-
tes dargestellt. Mit der Funktion DrawCurrent Display
wird die Balkenanzeige generiert.
6.4.1.2 Bilanzobjekte
Mit den Bilanzobjekten werden die beiden a¨ußeren Graphiken des EID-Mappings umgesetzt.
Die ProVis EO-Klasse eid mp balance entha¨lt die Funktionen fu¨r die Berechnung und Ausga-
be der Graphiken. Fu¨r die Bilanzobjekte ko¨nnen Sollwerte in Form von Liniengraphiken und
Verbindungen zu den topologischen Objekten ausgegeben werden.
80
6.4.1 EID-Objekte
Die folgenden Punkte zeigen die Umsetzung der Mappings, Sollwerte und Verbindungslinien.
Massenbilanz: Mit der Funktion DrawFrame. . . werden die sta-
Bild 6.15: EID-Objekt:
Massenbilanz
tischen Elemente, mit der Funktion DrawCurrent. . . die dyna-
mischen Objekte gezeichnet. Zum Verdeutlichen des Prozesszu-
standes ist die zwischen dem Ursprung, der Fu¨llstandslinie und
der Tendenzlinie aufgespannten Fla¨che blau gefu¨llt. So kann
der Bediener Gleichgewichtszusta¨nde schnell erkennen, da die
Fla¨che in diesem Fall einem Rechteck entspricht.
Energiebilanz: Das Objekt fu¨r die Energiebilanz von Bild 6.16
Bild 6.16: EID-Objekt:
Energiebilanz
wird mit den gleichen Funktionen gezeichnet wie die Massenbi-
lanz. Die Eigenschaft type ist hier auf den Wert ENERGY MAP-
PING statt wie oben auf MASS MAPPING gesetzt. Die von der
Energieinhaltslinie und der Tendenzlinie aufgespannte Fla¨che
ist fu¨r die Energiebilanz rot eingefa¨rbt.
Sollwerte: Mit der Funktion DrawCurrent Desired ko¨nnen in-
Bild 6.17: EID-Objekt: Sollwert
nerhalb der Bilanzobjekte die Sollwerte als gestrichelte Linien
angezeigt werden. In der Vertikalen werden der Zufluss- und
der Abfluss-Sollwert miteinander verbunden. Dies fu¨hrt bei ge-
schickter Skalierung zu einer geraden Linie. In der horizontalen
Ausrichtung wird fu¨r die Massenbilanz der Fu¨llstandssollwert,
fu¨r die Energiebilanz der Sollwert des Energieinhalts ausgegeben. Entsprechen die Istwerte den
Sollwerten, u¨berdecken die Istwertlinien die Sollwertlinien. Abweichungen vom Sollwert sind so
schnell erkennbar.
Verbindungslinien: Die Funktion DrawConnections zeichnet
Bild 6.18: EID-Objekt:
Verbindungslinien
Verbindungslinien zwischen den topologischen Komponenten
und den Bilanzen. Auf diese Weise kann man erkennen, welche
Komponenten Einfluss auf den Zu- oder Abfluss der Bilanzob-
jekte nehmen, siehe Bild 6.18. Mit Ausnahme der Verbindungs-
linien sind alle anderen Mapping-Eigenschaften der Beschrif-
tung, Balkenanzeigen und Sollwerte standardma¨ßig aufgeschal-
tet. Die teilweise unu¨bersichtlichen Verbindungslinien werden
nur auf Anforderung wiedergegeben.
6.4.1.3 Verbindungsobjekt
Das Verbindungsobjekt ist in der Klasse eid mp connection umgesetzt. Hier werden lineare
Zusammenha¨nge (Temperatur) und nichtlineare Zusammenha¨nge (Qualita¨t) berechnet.
Linear: Die Funktion DrawCurrent mit der Eigenschaftseinstel-
Bild 6.19: Linear
lung mathematical mapping = LINEAR MAPPING berechnet den
dynamischen Anteil des Verbindungsobjektes. Die Werte fu¨r die
Ho¨hen der Fu¨llstands- und Energieinhaltslinien erha¨lt das Ver-
bindungsobjekt durch die angebundenen Bilanzobjekte (eid -
mp balance *link right, eid mp balance *link left).
Nichtlinear: Der quadratische Zusammenhang wird durch die
Bild 6.20: Nichtlinear
gleiche Funktion DrawCurrent wie fu¨r den linearen Zusam-
menhang, jedoch mit der Eigenschaftseinstellung mathemati-
cal mapping = NON LINEAR MAPPING berechnet (siehe auch
Bild 6.20) ausgegeben. Die anderen Ausgaben verwenden die
gleichen Funktionen wie der lineare Zusammenhang.
81
6.4 Kognitions-orientierte Sichten
6.4.1.4 Gesamtdarstellung
Zur besseren U¨bersicht ist in Bild 6.21 ei-
Bild 6.21: EID-Objekte: Gesamtdarstellung
ne Gesamtdarstellung eines EID-Mappings der
ProVis EO-Software abgebildet. Wiedergege-
ben ist die Standarddarstellung mit Beschrif-
tung, Balkenanzeigen und Sollwertwiedergabe.
6.4.2 MFM-Objekte
Die Klassen fu¨r die MFM-Objekte umfassen die Umsetzung der MFM-Ziele und Zielhierarchien,
der Flussstrukturen sowie der Management- und Flussfunktionen. Eine gemeinsame allgemeine
Klasse la¨sst sich fu¨r diese Objekte nicht sinnvoll formulieren.
6.4.2.1 U¨bersichtsobjekte
Die Zielhierarchien und die Ziele bilden die U¨bersichtsobjekte der MFM-Bedienoberfla¨che. Da-
bei dient die Zielhierarchie als u¨bergeordnetes Objekt fu¨r die Zielobjekte. Die Ziele sind als
Zielbaum innerhalb der Zielhierarchie auf verschiedenen Ebenen u¨ber ein Gitter angeordnet.
Zielhierarchie: Die Klasse mfm goal hierarchy entha¨lt die Funk-
Bild 6.22: MFM-Objekte:
Zielhierarchie
tionen und Eigenschaften fu¨r die Zielhierarchie. Das wichtigste
Graphik-Objekt ist das TImage-Objekt img hierarchy. Auf die-
sem Objekt werden das Gitter fu¨r die Anordnung der Zielgraphiken
generiert und u¨ber die Funktion DrawHierarchy der Ziel-Klasse
die Verbindungslinien der Ziele gezeichnet. Bild 6.22 zeigt im Vor-
griff auf den na¨chsten Punkt eine einfache Zielhierarchie.
Ziel: Die Funktionen und Eigenschaften Ziel-Objekt Symbol (nach Auswahleigenschaft
Nicht Selektierbar
selektierbar Passiv Aktiv
Standard
Rahmenfarbgebung nach Flussstrukturtyp
Masse
Energie
Information
Tabelle 6.6: MFM-Objekte: Graphik-Bibliothek – Ziele
fu¨r die Ziele sind in der ProVis EO-Klasse
mfm goal abgelegt. Die wichtigsten Funk-
tionen sind die GenerateState-Funktion
und die SetGraphic-Funktion. Die erstge-
nannte Funktion setzt den Zustand eines
Zieles abha¨ngig vom Zustand der ange-
bundenen Flussstruktur. Die zweite Funk-
tion la¨dt zur Laufzeit das entsprechende
Bitmap aus Tabelle 6.6, abha¨ngig von Typ
und Zustand. Angebunden werden Fluss-
strukturen durch die AchieveRelationTo-
bzw. durch die AchieveByControlRela-
tionTo-Funktion.
Kann das Ziel mit einer Prozessgro¨ße verbunden werden, ist ei-
Bild 6.23: MFM-Objekte:
Ziel – Graduelle
Erfu¨llung
ne graduelle Angabe fu¨r eine Zielerfu¨llung mo¨glich (beispielsweise
fu¨r das MIPS-Ziel Richtige Entnahmetemperatur. Die Funktionen
DrawAchievementGrade und CalculateAchievementGrade berech-
nen die Istwertabweichung vom Sollwert bzw. bilden sie ab. Das
Bild 6.23 zeigt eine Zielgraphik mit einer graduellen Zielerreichung
von 86%. Die Farbgebung fu¨r die graduelle Graphik ha¨ngt wiede-
rum vom Zustand des Zieles ab.
82
6.4.2 MFM-Objekte
6.4.2.2 Flussstruktur
Die Flussstrukturen sind in der Klasse mfm struc- Typ Farbgebung
Masse
Energie
Information
Tabelle 6.7: MFM-Objekt: Farbcodie-
rung der Flussstrukturen
ture umgesetzt. Der Wert der Eigenschaft state ent-
scheidet u¨ber den Zustand des angebundenen Zieles. Der
Zustand der Flussstruktur selbst wird durch den un-
gu¨nstigsten Zustand der zugeho¨rigen Flussfunktionen
gesetzt. Die Farbeigenschaft des TPanel-Objektes der
Flussstruktur wird von der Art der Flussstruktur, wie
in Tabelle 6.7 angegeben, bestimmt. Auf die Formcodie-
rung fu¨r die Flussfunktionen von Abschnitt 2.3.6.2 wird
zugunsten einer konsistenten Darstellung dieser Objek-
te verzichtet. Auf dem TImage-Objekt der Flussstruktur werden die Verbindungslinien der
Flussfunktionen u¨ber die Funktion DrawConnection der Klasse mfm ff general gezeichnet.
6.4.2.3 Flussfunktion
Als einzige der softwaretechnischen MFM-Umsetzung sind die Flussfunktionen in eine allge-
meine und neun speziellere Klassen unterteilt. U¨ber die Flussfunktionssymbole lassen sich, wie
zuvor u¨ber die Komponenten, die Anzeigen und Steuerungen von Abschnitt 6.1 auf- und ab-
schalten. Je nachdem wie viele Komponenten eine Flussfunktion realisieren, ko¨nnen mehrere
Anzeigen oder Steuerungen aufgerufen werden.
Allgemein: Die allgemeine Klasse mfm ff general entha¨lt als wichtigste Funktion die Check-
State-Funktion. Sie setzt den Funktionszustand entsprechend der angebundenen Prozessgro¨ße.
Eine weitere wichtige Funktion ist z.B. die CallCondition-Funktion, die Flussstrukturen fu¨r
Bedingungsziele aufruft.
Flussfunktionsklassen: Die folgende Aufza¨hlung nennt die Klassen fu¨r die Umsetzung der
Flussfunktionen. Die wichtigsten Funktionen sind hier, wie schon in Abschnitt 6.3.2, die Funk-
tionen fu¨r das Aufschalten der Anzeigen und Steuerungen. Fu¨r die Klassen mfm ff source
und mfm ff observer ist jeweils die Funktion GenerateState zu nennen. Sie generiert die
Zusta¨nde aller u¨ber die LinkTo-Funktion zu einer Flussstruktur verbundenen Flussfunktionen.
Die LinkTo-Funktionen sind außerdem insofern wichtig, als dass sie die in Abschnitt 2.3.6.3
formulierten Syntaxregeln umsetzen. Die Umsetzung liegt in den mfm ff . . .-Klassen.
Tabelle 6.8: MFM-Objekte: Graphik-Bibliothek – Flussfunktionen und Management-Funktion
Flussfunktionsobjekt MAN
Masse, Energie, Information Information
Symbol8 SOR TRP BAR STO BAL SNK OBS DEC ACT
Nicht
selektierbar
Passiv
Aktiv
6.4.2.4 Beziehungen
Die Beziehungen zwischen den Zielen und Flussstrukturen von Abschnitt 2.3.6.5 sind in der
Klasse mfm goal durch die Art der Anbindung der Flussstrukturen realisiert. So verbindet die
Funktion AchieveRelationTo- ein Ziel mit einer Struktur durch eine einfache Erreichungs-
beziehung. Die Funktion AchieveByControlRelationTo verbindet ein Ziel mit einer Massen-
8nach Auswahleigenschaft.
83
6.4 Kognitions-orientierte Sichten
oder Energieflussstruktur und einer Informa- Typ Graphik
Erreichung Allgemein Steuerung
Bedingung
Realisierung
Tabelle 6.9: MFM-Objekte: Graphik-Bibliothek –
Beziehungen
tionsflussstruktur. Die Bedingungsbeziehungen
zwischen Flussfunktionen und Zielen sowie die
Realisierungsbeziehungen zwischen Flussfunk-
tionen und Komponenten sind in der Klasse
mfm ff general durch die Funktionen Condi-
tionIs bzw. RealisedBy umgesetzt. Die Ta-
belle 6.9 zeigt die graphische Ausgabe der ein-
zelnen Beziehungsarten.
6.4.2.5 Gesamtdarstellung
Auch fu¨r die MFM-Objekte sei zur besse-
Bild 6.24: MFM-Objekte: Gesamtdarstellung
ren U¨bersicht eine Gesamtdarstellung wie in
Bild 6.24 wiedergegeben. Wie schon in den to-
pologisch orientierten Sichten ko¨nnen mittels
Anklicken des Bezeichners weitere Informatio-
nen zu den MFM-Objekten abgerufen werden.
6.4.3 Graphische Bedienoberfla¨chen
Die beiden folgenden Abschnitte zeigen Auszu¨ge aus den kognitionsbezogenen Bedienober-
fla¨chen von EID und MFM. Fu¨r EID ist die U¨bersicht und die gleiche Detailsicht wie fu¨r die
Virt3D- und die TOP-Bedienoberfla¨chen, fu¨r MFM sind die U¨bersicht und eine Flussstruktur
zu sehen, die der EID-Detailsicht im Ziel-Mittel-Modell entspricht.
6.4.3.1 EID-Bedienoberfla¨che
Das Bild 6.25 zeigt die EID-U¨bersicht und ebenfalls die Detailsicht auf das Untersystem SUB01
Zufluss Flu¨ssigkeit. Sie entsprechen weitgehend der topologischen Sicht von Bild 6.11, jedoch
erweitert um die EID-Objekte. In der Detailsicht auf das Untersystem ko¨nnen die Beschriftung,
die Balkenanzeigen, die Sollwerte und die Verbindungslinien mit den Funktionstasten F9 bis
F12 zu- bzw. abgeschaltet werden.
6.4.3.2 MFM-Bedienoberfla¨che
Die U¨bersicht in Form der MFM-Zielhierarchie zeigt das Bild 6.26 auf der linken Seite. Zu den
Flussstrukturen, in Bild 6.26 rechts dargestellt, gelangt man durch Anklicken der Ziele. Das
zuletzt ausgewa¨hlte Ziel wird zur Wiedererkennung mit einem blauen Pfeil markiert. Die An-
ordnung der Zielsymbole kann durch die Radiobutton-Anordnung oben links vera¨ndert werden.
Zu sehen ist in Bild 6.26 die Standardanordnung, in der die Zielverbindungen im Hinblick auf die
U¨bersichtlichkeit angeordnet sind. Der nicht wiedergegebene Anordnungstyp Art positioniert
die Zielobjekte nach dem Typ der angebundenen Flussstruktur9. Der Anordnungstyp System
ordnet die Ziele nach ihren Verbindungen im Ziel-Mittel-Modell10. Das Bild 6.26 zeigt links
9Massenflussstrukturen links, Energieflussstrukturen rechts und in der Mitte die Informationsflussstrukturen.
10Ziele, die z.B. u¨ber das Ziel-Mittel-Modell mit dem Untersystem SUB01 verbunden sind, werden in der
Zielhierarchie oben rechts positioniert. Ziele mit Verbindungen zum Untersystem SUB02 oben links, etc.
84
6.4.3 Graphische Bedienoberfla¨chen
die Flussstruktur zum Erreichen des MFM-Zieles Gpro22 Vorlaufmenge Flu¨ssigkeit ausreichend.
Die Anzeige- und Steuerelemente werden durch Anklicken der mit einem Rahmen versehenen
Flussfunktionssymbole aufgeschaltet. Flussfunktionssymbole ohne Rahmen befinden sich aus
syntaktischen Gru¨nden in der Struktur.
Bild 6.25: Bedienoberfla¨che: MIPS – EID-U¨bersicht und Detailsicht SUB01 Zufluss Flu¨ssigkeit
Bild 6.26: Bedienoberfla¨che: MIPS – MFM-U¨bersicht und Detailsicht Ziel Gpro22 Vorlaufmenge Flu¨ssig-
keit ausreichend
85
7 Die Evolutiona¨re
Optimierungs-Methodik EOGUI
Nachdem nun die Voraussetzungen geschaffen sind, wird in diesem Kapitel auf die Evolutiona¨re
Optimierung von Mensch-Maschine-Schnittstellen (HMI) eingegangen. Speziell auf die Optimie-
rung der graphischen Bedienoberfla¨chen als der Bestandteil der HMI, der die Interaktion zwi-
schen Mensch und Maschine ermo¨glicht. Nach Einfu¨hrung neuerer, auch kognitions-bezogenen
Sichten neben der klassischen Darstellung im ersten allgemeingu¨ltige Schritt der Optimierung,
umfasst der jetzt beschriebene zweite Schritt die individuelle Optimierung fu¨r einzelne Bediener.
Die Methode ermo¨glicht es, dem von Geiser (1998) eingefu¨hrten Begriff der ”Bedienerfeind-
lichkeit” entgegenzuwirken. Insbesondere der in diesem Zusammenhang genannten niedrigen
Bedienerakzeptanz, da die generierte Oberfla¨che durch die Bediener selbst gestaltet wird.
Im vorliegenden Optimierungsproblem streiten Individuen von vier Populationen um das
Vorrecht, Nachkommen in eine neue Population entsenden zu du¨rfen. Die Individuen sind die
verschiedenen Objekte der Bedienoberfla¨chen. Die Ursprungspopulationen sind die vier Bedien-
oberfla¨chen Virt3D, TOP, EID und MFM. Die neue Population ist die vom unten beschriebenen
EOGUI-Algorithmus generierte Oberfla¨che. Je besser sich die Individuen der Ursprungspopu-
lationen behaupten ko¨nnen, um so gro¨ßer ist ihre U¨berlebenswahrscheinlichkeit. Entscheidend
fu¨r das Weiterleben bzw. fu¨r die Auswahl eines Individuums als Elter ist dessen Fitness. Je
besser ein Individuum den Pra¨ferenzen eines Bedieners entspricht, desto ho¨her ist seine Fitness.
In diesem Sinne ist die Optimierung als Maximierungsproblem zu formulieren. Bewertungen in
der Optimierung sind durch ein Gu¨tekriterium, die in Kapitel 4 genannten Zielfunktionen, vor-
zunehmen. Fu¨r die Evolutiona¨re Optimierung von Mensch-Maschine-Schnittstellen sind diese
Funktionen weniger Modellbeschreibungen als vielmehr Berechnungsvorschriften zum Auswer-
ten der Kriterien, die sich in zwei Arten klassifizieren lassen: in Kriterien der Objektiv- und der
Subjektiv-Adaption. Wa¨hrend die Objektiv-Adaption alle messbaren Gro¨ßen entha¨lt, werden
mit der Subjektiv-Adaption die Eindru¨cke des Bedieners abgefragt. Vo¨lkel (2003b; 2003c)
Der folgende Abschnitt geht zuna¨chst auf die Struktur von Graphischen Oberfla¨chen ein, um
sie fu¨r die Optimierung bzw. fu¨r die Generierung einer neuen Oberfla¨che abbilden zu ko¨nnen.
Danach folgt eine Einordnung der Methode im Vergleich zu den klassischen Verfahren der
evolutiona¨ren Optimierung. Eine allgemeine Beschreibung der entwickelten EOGUI-Methodik
schließt sich an, mit der ein U¨berblick u¨ber die Methode gegeben wird, bevor im folgenden die
einzelnen eigenen Abstraktionen der evolutiona¨ren Mechanismen explizit erla¨utert werden. Die
Beschreibung der softwaretechnischen Umsetzung schließt dieses Kapitel ab.
7.1 Struktur von Graphischen Bedienoberfla¨chen
Um Graphische Bedienoberfla¨chen als zentralen Teil der Mensch-Maschine-Schnittstelle der
Evolutiona¨ren Optimierung zuga¨nglich zu machen, mu¨ssen zuna¨chst die unterschiedlichen Be-
standteile und Ebenen der Bedienoberfla¨chen in eine allgemeingu¨ltige Struktur gebracht wer-
den. Diese Struktur soll es ermo¨glichen, die verschiedenen Oberfla¨chen zueinander in Bezug
zu setzen. Es geht um die Strukturierung der Individuen selbst und um eine Zuordnung der
Individuen-Strukturen zu Hierarchieebenen.
86
7.1.1 Individuen bezogene Strukturierung und Begriffsdefinitionen
7.1.1 Individuen bezogene Strukturierung und Begriffsdefinitionen
Fu¨r die Individuen bezogene Strukturierung werden die im folgenden erla¨uterten Begriffe der
Individuen, Individuentypen und Individuenklassen eingefu¨hrt.
Individuen: Die Individuen im Sinne der Graphischen Bedienoberfla¨chen entsprechen den Ob-
jekten aus Kapitel 2. Sie stehen biologisch betrachtet fu¨r individuelle Lebewesen mit unter-
schiedlichen Eigenschaften und Fa¨higkeiten. Im Sinne der Evolutiona¨ren Algorithmen von Ka-
pitel 4 entsprechen sie den Variablen der Optimierung. Die Individuen bilden sich aus den
physikalischen oder funktionalen Bedeutungen, die zusammenfassend in einem Symbol darge-
stellt sind. Diese Einheiten entsprechen den Bestandteilen des Ziel-Mittel-Modells (Funktionaler
Zweck bis physikalische Form) von Abschnitt 2.1.4. Fu¨r diese Arbeit handelt es sich bei den
Individuen um die konkreten Elemente der Bedienoberfla¨chen1. Die Eigenschaften der Individu-
en sind die Bezeichnungsgro¨ßen, Abmessungen, Farben, Positionen von Abschnitt 7.2.2.1, der
Zustand wie in Abschnitt 2.3.2 beschrieben, die Verbindung zu einer der ebenfalls in Abschnitt
2.3.2 eingefu¨hrten Prozessgro¨ßen ξ, aber auch Funktionen, z.B. der Aufruf von Steuerungen.
Exemplarisch sind in Bild 7.1 die Wa¨rmetauscherindividuen des MIPS-Prozesses in der zwei-
ten Spalte von links dargestellt. Eine grobe U¨bersicht u¨ber alle Individuen des MIPS-Prozesses
findet sich in Kapitel 5.1 u.a. in den Bildern 5.1 und 5.6 bis 5.9.
Individuentyp: Die Individuentypen bilden die na¨chst u¨bergeordnete Ebene gegenu¨ber den Indi-
viduen bzw. sind die Individuen die Instanziierungen der Individuentypen. Im biologischen Sinne
ko¨nnte man hier von der Zuordnung eines Lebewesens zu einer Art, Unterart oder Rasse spre-
chen. Beispielsweise ko¨nnte ein geflu¨geltes Wesen mit der Fa¨higkeit, Lo¨cher in Ba¨ume zu hacken,
als Specht klassifiziert werden. Fu¨r die technische Evolutiona¨re Optimierung von Kapitel 4 gibt
es kein A¨quivalent. Die Instanziierungen der Individuentypen fu¨hren abha¨ngig vom zugrunde
liegenden Modell zu unterschiedlichen graphischen Auspra¨gungen der Individuen, z.B. als TOP-
oder Virt3D-Symbol. Individuentypen sind z.B. der Wa¨rmetauscher oder die Transportfunkti-
on. Die Eigenschaften des Individuentyps bestehen aus der Populationszugeho¨rigkeit (Virt3D,
TOP, EID oder MFM), der Benennung des Typs (Wa¨rmetauscher, Transportfunktion, etc.),
der Zuteilung zu einer im na¨chsten Abschnitt eingefu¨hrten Ebene und der Zuordnung eines
graphischen Symbols. Fu¨r einen Virt3D-Wa¨rmetauscher beispielsweise werden die physikali-
schen Einheiten (Ebenen der physikalischen Form) der Rohrbu¨ndel , Flanschanschlu¨sse
und des Geha¨uses zusammengesetzt. Fu¨r ein funktionales Objekt sei die Zusammensetzung
der Raute und des Pfeils zum MFM-Symbol des Transports (Verallgemeinerte Funkti-
on) genannt. Das Bild 7.1 zeigt die fu¨r diese Arbeit gefundenen Individuentypen in der dritten
Spalte von links.
Individuenklassen: Die Individuentypen werden in Individuenklassen zusammengefasst, um
einen maximalen u¨bergeordneten Bezug fu¨r die Individuentyp-Instanzen zu erhalten. Dieser Be-
zug dient in dieser Arbeit vor allem als Bezug fu¨r die Bewertung der Individuen. Im Ru¨ckgriff
auf das verwendete Beispiel des Wa¨rmetauschers geho¨rt dieser Typ zur Klasse der Komponen-
ten. Fu¨r den biologischen Zusammenhang entspricht die Individuenklasse dem taxonomischen
Begriff der Gattung. Um auch hier beim gewa¨hlten Beispiel zu bleiben ist das biologische A¨qui-
valent zu den Komponenten fu¨r den Specht die Gattung der Vo¨gel. Fu¨r die Individuenklassen
beschra¨nken sich die Eigenschaften auf die Benennung. In Bild 7.1 sind die Individuenklassen
ganz rechts wiedergegeben.
Bedienoberfla¨che: Eine gesonderte Stellung im Zusammenhang der Individuen bezogenen Struk-
turierung nimmt der Begriff der Bedienoberfla¨che ein. Die Individuen sind in Strukturen zu-
sammen gefasst, die wiederum die Bedienoberfla¨chen bilden. Der Begriff der Bedienoberfla¨che
entspricht hier dem biologischen Begriff der Population von Abschnitt 3.3 als Gruppe von zu-
sammengeho¨renden Individuen. Aus Konsistenzgru¨nden zu den vorangegangenen Kapiteln wird
im folgenden fu¨r die Bedienoberfla¨chen der Begriff der Population verwendet. Die Populationen
sind in Bild 7.1 ganz links dargestellt.
1Beispielsweise der MIPS-Wa¨rmetauscher W102 der TOP-Bedienoberfla¨che fu¨r die Enderwa¨rmung der zu-
laufenden Flu¨ssigkeit.
87
7.1 Struktur von Graphischen Bedienoberfla¨chen
Bild 7.1: Strukturierung: Individuen bezogene Struktur von Graphischen Bedienoberfla¨chen und Popu-
lationszugeho¨rigkeit
7.1.2 Ebenen bezogene Strukturierung
Mit der Ebenen bezogenen Strukturierung wird die Hierarchie innerhalb der Graphischen Be-
dienoberfla¨che fu¨r industrielle Prozesse beschrieben. Man kann von einem Zoom in das zu
bedienende System, ausgehend von einer u¨bergeordneten in eine detailliertere Sicht, sprechen.
Die folgenden Punkte beschreiben die Stufen der Ebenen bezogenen Strukturierung.
U¨bersichtsebene: Auf der ho¨chsten Ebene ist das System in seiner Gesamtheit dargestellt,
d.h. das System ist in Form einer zusammenfassenden U¨bersicht u¨ber die wichtigsten Bestand-
teile dargestellt. Ausgehend von dieser U¨bersicht lassen sich, wie z.B. fu¨r diese Arbeit in Ab-
schnitt 6.3.4 beschrieben, untergeordnete Sichten aufrufen. Fu¨r die topologisch orientierten
Sichten von Abschnitt 6.3 bildet die Gesamtdarstellung der Untersysteme die U¨bersichtsebene,
fu¨r die kognitionsbezogene Sicht der EID-Darstellung kommen die U¨bersichtsmappings hinzu.
In der MFM-Oberfla¨che befindet sich die Zielhierarchie mit den Zielen auf der U¨bersichtsebene.
Zusammengefasst entha¨lt die U¨bersichtsebene die Individuenklassen System (Individuentyp:
Gesamtsystem), Mapping, Zielhierarchie und Ziel.
Zwischenebene: Je nach Komplexita¨t des abgebildeten Systems ko¨nnen ab der zweiten Ebene
ein oder mehrere Zwischenebenen existieren. Ho¨here Zwischenebenen fassen niedrigere Zwischen-
ebenen bzw. die im na¨chsten Punkt beschriebenen Bestandteile der Elementebene zu u¨berge-
ordneten Einheiten zusammen. Die topologisch orientierten Sichten unterteilen auf der Zwi-
schenebene das Gesamtsystem in spezialisierte Bereiche, entsprechend den verschiedenen Funk-
tionalita¨ten und Anforderungen an das System. Fu¨r den MIPS-Prozess zeigt der Abschnitt
5.1.1 im Bild 5.2 auf den beiden mittleren ”Zeilen” dessen Unterteilung in die Zwischenebe-
88
nen Untersystem2 und Teilsystem3 Fu¨r die kognitions-orientierte EID-Sicht kommen wieder-
um die Mappings dazu. Im MFM-Modell liegen an dieser Stelle die Flussstrukturen. Zusam-
mengefasst liegen die Klassen System (Typen: Untersystem und Teilsystem), Mapping und
Flussstruktur auf der Zwischenebene.
Elementebene: Diese Ebene entha¨lt die Individuen der untersten Hierarchiestufe innerhalb der
Graphischen Bedienoberfla¨chen. Fu¨r die topologisch orientierten Sichten sind dies die Kompo-
nenten (Wa¨rmetauscher, etc.) der Tabellen 6.4 und 6.5. Fu¨r die kognitions-orientierten Sichten
handelt es sich fu¨r das EID-Modell um die TOP-Komponenten der Tabelle 6.4 und fu¨r das
MFM-Modell um die Flussfunktionen (Quelle, etc.) und die Management-Funktionen. Der Ab-
schnitt 5.1.1 nennt die Komponenten-Individuen fu¨r den MIPS-Prozess in der vierten Zeile von
Bild 5.2. Einen U¨berblick u¨ber die Flussfunktionen geben die Bilder 5.5 und 5.9.
Interaktionsebene: Die Interaktionsebene ist die unterste Stufe in der Ebenen bezogenen Struk-
turierung von Graphischen Bedienoberfla¨chen fu¨r industrielle Prozesse. Hier werden Informa-
tionen aus dem System in Anzeigen (Abschnitt 6.2) dargestellt. Vorgaben vom Bediener an das
System werden ebenfalls auf dieser Ebene durch die Steuerung (Abschnitt 6.2) u¨bermittelt.
Fu¨r die Evolutiona¨re Opti- Population (Modell)
Top.-orient. Kognitions-orientiert
Ebene V3D, TOP, EIDtpo EIDkgo MFM
U¨bersicht Gesamtsystem Mapping Zielhierarchie
Ziel
Zwischen Unter-, Teilsys. Mapping Flussstruktur
Element Komponente Management
Flussfunktion
Interaktion Anzeigen, Steuerungen
Tabelle 7.1: Strukturierung: Ebenen bezogene Struktur Graphischer
Bedienoberfla¨chen und zugeho¨rige Individuenklassen.
mierung sind nur die ersten
drei Ebenen von Interesse,
da die Bestandteile der In-
teraktionsebene fu¨r alle be-
trachteten Oberfla¨chen von
Kapitel 6 gleich sind. Die
Tabelle 7.1 zeigt zusammen-
fassend die Ebenen und die
zugeho¨rigen Klassen der aus-
gewa¨hlten Modelle. In der
softwaretechnischen Umset-
zung des MIPS-Prozesses
von Abschnitt 5.1 liegen die U¨bersichtsebene und die Zwischenebene der topologischen Aus-
richtung sowie der EID-Sicht in einem Formular. Die graphischen Auspra¨gungen der Teilsy-
steme werden durch Gruppieren zu den Untersystemen zusammengefasst, die wiederum das
Gesamtsystem bilden. Die kognitions-oriertierte Sicht von MFM dagegen trennt U¨bersichts-
und Zwischenebene. Element- und Zwischenebene sind fu¨r MFM in einem Formular dargestellt.
7.2 Einordnung der EOGUI-Methodik und deren Individuen
Zum besseren Versta¨ndnis der entwickelten Methode wird diese zuna¨chst mit den klassischen
Verfahren der Abschnitte 4.3 und 4.5 verglichen und die EOGUI-Individuen erla¨utert.
7.2.1 Vergleich mit klassischen Verfahren der Evolutiona¨ren Optimierung
Mit den klassischen Verfahren sind die in Abschnitt 4.5 genannten Verfahren der Evolutiona¨ren
Programmierung (EP), Evolutiona¨ren Strategien (ES) und der Genetischen Algorithmen (GA)
gemeint. Die Struktur des EOGUI-Algorithmus a¨hnelt am sta¨rksten den ES von Rechenberg,
da auch hier die Evolution auf der Ebene der Individuen abstrahiert wird und nicht wie bei
der EP auf der Ebene der Populationen. Der wesentliche Unterschied zu den GA liegt in der
fehlenden generellen bina¨ren Codierung4 sowie der Existenz eines Mutationsoperators, der bei
den Standard-GA von Abschnitt 4.5.3 fehlt.
2Untersystem: z.B. SUB01 - Zulauf Flu¨ssigkeit.
3Teilsystem: z.B. SUB01 1 - Transport Flu¨ssigkeit.
4Ausnahmen sind die Statuseigenschaften Sichtbarkeit, Animation oder 3D. Ansonsten existieren keine bi-
na¨ren Codierungen.
89
7.2 Einordnung der Optimierungs-Methodik und deren Individuen
Die Hauptunterschiede zu den drei Verfahren von Abschnitt 4.5 liegen in der Formulierung
der Zielfunktionen und der Struktur des Ablaufs. Die Zielfunktionen der Verfahren EP, ES
und GA sind Funktionen, die den Gegenstand der Optimierung beschreiben. Fu¨r diese Funk-
tionen sind mo¨glichst optimale Werte durch ”Ausprobieren” ihrer Parameter zu erreichen. Im
Gegensatz dazu beinhalten die Zielfunktionen der EOGUI-Methodik Berechnungsvorschriften
fu¨r die Bewertungen der objektiven und subjektiven Kriterien. Sie bilden keine Modellgleichun-
gen eines Systems, sondern bestimmen den Grad, wie stark ein Individuum den Pra¨ferenzen
eines Bedieners entspricht. Der strukturelle Unterschied im Ablauf kommt im wesentlichen aus
der unterschiedlichen Anzahl generierter Generationen. Wa¨hrend in den klassischen Verfahren
je nach Rechenzeitaufwand bis zu mehreren Hundert Generationen erzeugt werden, ist diese
Zahl fu¨r die EOGUI-Methode erheblich geringer und die Rechenzeit vergleichsweise niedrig.
Der Hauptaufwand liegt fu¨r die EOGUI-Methode im Erfassen der Bedienerhandlungen und
-Bewertungen, nicht in der Berechnung.
Ein weiterer wesentlicher Unterschied betrifft die Repra¨sentation der Individuen und der
Lo¨sung. Die klassischen Verfahren codieren die Problembeschreibungen und -lo¨sungen nume-
risch in Form reeller oder bina¨rer Zahlen, d.h. die Individuen sind zumeist als Vektoren dar-
gestellt. Die Repra¨sentation der EOGUI-Individuen gestaltet sich vo¨llig anders und ist daher
Gegenstand des na¨chsten Abschnitts.
7.2.2 EOGUI-Individuen
Fu¨r die EOGUI-Methodik sind die Individuen zuna¨chst einmal Objekte im Sinne von Abschnitt
7.1.1, die, wenn auch nur virtuell im Rechner abgebildet, eher natu¨rlichen Lebewesen a¨hneln
als numerischen Darstellungen. Wie die Individuen der GA besitzen EOGUI-Individuen einen
Genotyp und einen Pha¨notyp.
7.2.2.1 Der Genotyp von EOGUI-Individuen
Der Genotyp der EOGUI-Indivi-
Individuenklasse
Eigenschaft κ SYS CMP MAP GHR GOA FST FFK
Modell × –5 ⊗ ⊗ ⊗ ⊗ ⊗
Visualisierung × × × × × × ×
Position × × × × × × ×
Gro¨ße – × × × × × ×
3D – × × – × – ×
Innere Form – × – – – – ×
A¨ußere Form – × – – – – ×
Hintergrdfarbe × – – × – × –
Linienfarbe – – × × – – –
Fu¨llungsfarbe – – × – – – –
Tabelle 7.2: EOGUI-Individuen: Eigenschaften
× : Individuenklasse besitzt Eigenschaft, meh-
rere Auspra¨gungen sind mo¨glich
⊗ : Individuenklasse besitzt Eigenschaft, nur
eine Auspra¨gung ist mo¨glich
– : Individuenklasse besitzt Eigenschaft nicht
duen umfasst die in der objektori-
entierten Programmierung von Ka-
pitel 6 festgelegten Eigenschaften κ,
wie z.B. die Gro¨ße, Position, etc. Die
weiter unten detailliert beschriebe-
nen Eigenschaften bilden die Erb-
anlagen der EOGUI-Individuen. Im
Gegensatz zu den GA sind die Erb-
anlagen nicht in Bit-Strings abge-
legt, sondern als Eigenschaften6 un-
terschiedlichster Art7. Sie umfassen
fu¨r die Individuenklassen von Ab-
schnitt 7.1.1 die in Tabelle 7.2 an-
gegebenen Gro¨ßen. Nicht alle der in
der Programmierung festgelegten Ei-
genschaften za¨hlen zu den vera¨nder-
baren Erbanlagen. Derartig festge-
legte Eigenschaften beschreiben die
Modellierung (z.B. die angebundene
Prozessgro¨ße) oder den Zustand eines Individuums.
5Das Modell fu¨r die Individuenklassen der Komponenten und der Flussfunktionen wird durch die innere und
a¨ußere Form bestimmt. Stimmen innere und a¨ußere Form u¨berein, bilden sich die in den Abschnitten 2.3.3.1,
2.3.4.1 und 2.3.6.2 beschriebenen Symbole.
6Eigenschaften sind hier die Eigenschaften und Funktionen der Klassen aus der ProVis EO-Software.
7z.B. Integer, Float, TImage, etc.
90
7.2.2 EOGUI-Individuen
Innere/A¨ußere Form:
Typ PMP VAL HEA MOT DIS CTR
Population TOP/EID
Außen
Innen –
Population Virt3D
Außen
Innen – – –
Population MFM
Typ SOR SNK OBS TRP BAR STO BAL DEC
Außen
Innen –
Tabelle 7.3: Genotyp – EOGUI-Individuum: Eigenschaft Innere/A¨ußere Form
Die graphische Ab-
bildung der Indi-
viduen der Klas-
sen Komponente
und Flussfunk-
tion besteht aus
einer a¨ußeren und
inneren Form. Die
a¨ußere Form be-
steht fu¨r die Fluss-
funktionen und
die TOP-Kompo-
nentenklasse aus
den Grundformen
, , und .
Fu¨r die Virt3D-In-
dividuen der Kom-
ponentenklasse bil-
det die a¨ußere Form
einen Rahmen. Die innere Form steht fu¨r die erstgenannten Individuen fu¨r die Funktionalita¨t8.
Fu¨r die Virt3D-Individuen steht sie fu¨r die Bestandteile der modellierten Komponenten. Die
Form-Eigenschaft kommt besonders bei der in Abschnitt 7.5.3 beschriebenen Rekombination
von EOGUI-Individuen zum Tragen. Fu¨r die a¨ußeren und inneren Formen sind die folgenden
Eigenschaftswerte mo¨glich:
κFout , κFin = V irt3D,TOP,EID,MFM
3D: Diese Eigen-
Population: TOP, EID – Klasse: Komponente
PMP VAL HEA BUF
Population: MFM – Klasse: Flussfunktion
SOR TRP STO SNK OBS DEC
Tabelle 7.4: Genotyp – EOGUI-Individuum: 3D-Eigenschaft
schaft dient dem
Zweck, eine weite-
re Dimension fu¨r
die Visualisierung
von Information zu
ermo¨glichen, die Be-
dienern das Erken-
nen von Zusta¨nden
erleichtern soll. De-
renWert beschreibt
den Status der ak-
tuellen Einstellung.
Fu¨r den Wert true
ist die Eigenschaft
κ3D von Individuen der Klassen Komponente, Mapping und Flussfunktion aktiviert, fu¨r false
deaktiviert. Genannt werden die 3D-Eigenschaften bereits in Abschnitt 2.3.10, detaillierter be-
schrieben sind sie bei Kolowa (2004). Der Wert der Eigenschaft ha¨ngt von der Optionseinstellung
eines Bedieners ab oder kann sich als Ergebnis einer Mutation ergeben. Die Tabelle 7.4 zeigt
die 3D-Eigenschaften der Klassen Komponente und Flussfunktion. Fu¨r die Beschreibung der
EID-3D-Eigenschaft sei auf das Abschnitt 2.3.10 verwiesen.
κ3D = true, false
8Fu¨r TOP steht z.B. fu¨r die Fliessrichtung einer Pumpe.
91
7.2 Einordnung der Optimierungs-Methodik und deren Individuen
Animation:Wie die 3D-
Typ PMP VAL HEA BUF CNV AGT
Population TOP/EID
w
r h
h
–
A¨ußere F. – × – – – –
Innere F. × – × × × ×
Population Virt3D
h h –
h
A¨ußere F. – – – – × ×
Innere F. × × – × × ×
Population MFM
SOR TRP STO SNK OBS DEC
d w
h h
w
r Extern Intern Manuell
Tabelle 7.5: Genotyp – EOGUI-Individuum: Eigenschaft Animation
Eigenschaft beschreibt
auch die Animations-
Eigenschaft den Status
der Einstellung. Ist de-
ren Wert true, ist die
Animation aktiv, d.h.
das Individuum vera¨n-
dert seine Form u¨ber
die Zeit abha¨ngig von
der angebundenen Pro-
zessgro¨ße ξ. Besitzt die
Eigenschaft den Wert
false, ist die Anima-
tion des Individuums
deaktiviert. Der Wert
kann vom Bediener vor-
gegeben werden oder
Ergebnis einer Muta-
tion sein. Die Tabelle
7.5 zeigt, sofern vorhan-
den, die Darstellungen
fu¨r die Animation der
Komponenten- und Flussfunk-
tionsklasse. Fu¨r die Flussfunktionen Quelle, Transport, Speicher, Senke und Beobachter folgt
die Abmessung der inneren Form dem Wert der angebundenen Prozessgro¨ße ξ.9 Beim Entschei-
der ha¨ngt die Animation vom Reglerstatus τ ab. Je nach Status werden die Kreise der inneren
Form unterschiedlich groß dargestellt.
κanm = true, false
Modell: Die Eigenschaft Modell κmod eines Individuums beschreibt dessen Zugeho¨rigkeit zu
einer der vier mo¨glichen Populationen. Fu¨r die in Tabelle 7.2 fu¨nf letztgenannten Individuen-
klassen ist jeweils nur eine Auspra¨gung der Eigenschaft Modell mo¨glich10.
κmod = V irt3D,TOP,EID,MFM
Visualisierung: Mit der Eigenschaft der Visualisierung κvis ist das Programmierungsobjekt
gemeint, mit dem das Individuum auf der Oberfla¨che sichtbar gemacht wird.11
κvis = TForm,TPanel,TImage
Symbol: Die Symbol-Eigenschaft steht fu¨r die Graphik (Bitmap), die zur Laufzeit in das obige
Visualisierungsobjekt TImage geladen wird. Hier wird auch von der graphischen Auspra¨gung
eines Individuums gesprochen.
κsym = TImage->Picture
Position: Die Eigenschaft der Position κpos bestimmt die relative Lage des Pha¨notyps eines
Individuums in der Bedienoberfla¨che. Es handelt sich um einen Vektor mit den Angaben der
relativen Position zum u¨bergeordneten Programmierobjekt.
κpos = ~p(I) = (px, py)
9Ist beispielsweise ein Massenfluss maximal, fu¨llt der Pfeil des Transportsymbols dieses vollsta¨ndig aus.
10EID fu¨r die Klasse Mapping, MFM fu¨r die u¨brigen vier Klassen.
11Zur na¨heren Beschreibung siehe Kapitel 6.
92
7.2.3 Definition der Begriffe
Farbe: Fu¨r die Farbeigenschaft bestehen mehrere Unterformen. Dazu za¨hlen die Hintergrundfar-
be κcbg fu¨r die Individuenklassen System, Zielhierarchie und Flussstruktur sowie die Far-
ben fu¨r die Fu¨llung κcfl. Hinzu kommen die Farben der Linien κclm in den EID-Mappings, die
Farbeigenschaft κclc fu¨r die Verbindungslinien der MFM-Ziele und der EID-Mappings/Kompo-
nenten sowie alle Bezeichnerfarben. Der Wert der Farbeigenschaft besteht aus einer 4-Byte-
Hexadezimalzahl, wobei das ho¨herwertige Byte die Farbpalette und die drei niederwertigen
Bytes die RGB-Farbintensita¨ten angeben.
Gro¨ße: Die Eigenschaft Gro¨ße κsiz eines EOGUI-Individuums wird mit dem Vektor ~s beschrie-
ben, der die Parameter Breite sW , Ho¨he sH sowie einen Faktor sF fu¨r die Gro¨ßena¨nderung
entha¨lt. Eine weitere Gro¨ßeneigenschaft betrifft den Bezeichner κsizBEZ(I) eines Individuums.
Der Bezeichner ist ein TLabel-Objekt, dessen Inhalt ein Individuum textlich beschreibt. Die
Eigenschaft umfasst den Wert der Fontgro¨ße sFT der zugeho¨rigen Schriftart.
κsiz(I) = ~s(I) = (sW , sH , sF )
κsizBEZ)(I) = sFT (I)
7.2.2.2 Der Pha¨notyp von EOGUI-Individuen
Der Pha¨notyp eines EOGUI-Indivi-
virt3D_cp_heatEx_W101
data
model
x_pos
y_pos
factor_size
graphic_link
=&prd_ctr_W101;
= VIRT3D_MODEL;
= 740;
= 160;
= 1;
= img_W101;
Genotyp Phänotyp
Bild 7.2: Pha¨notyp – EOGUI-Individuum: Beispiel Virt3D-
Wa¨rmetauscher W101
duums ist dessen Visualisierung auf der
Oberfla¨che, d.h. das sichtbare Ergebnis
aus denWerten der genotypischen Eigen-
schaften. So gilt fu¨r die unten beschrie-
benen Mechanismen die Unterscheidung
zwischen Genotyp und Pha¨notyp, da fu¨r
die Optimierung der EOGUI-Individuen
zuna¨chst nur der Genotyp herangezogen
wird und sich der Pha¨notyp erst in der neuen Oberfla¨che zeigt. Zur Verdeutlichung des Un-
terschieds zwischen Genotyp und Pha¨notyp zeigt das Bild 7.2 beide Typen am Beispiel eines
Wa¨rmetauschers.
7.2.3 Definition der Begriffe
Die Aufza¨hlung definiert die teilweise bereits erwa¨hnten Begriffe innerhalb der EOGUI-Methodik.
• Adaption: Prozess, durch den Angepasstheit erworben wird (Cockburn, 1995).
• Aktion: Eine Aktion ist die kleinste nicht weiter auflo¨sbare Einheit innerhalb einer Hand-
lung, wie z.B. das Aufrufen von Steuerungen.
• Einscha¨tzung: Eine Einscha¨tzung ist eine vom Bediener getroffene subjektive Bewertung
durch ein Kriterium hinsichtlich seines subjektiven Empfindens.
• EOGUI-Algorithmus: Die einzelnen Schritte der Optimierung, die die Abstraktionen der
biologischen evolutiona¨ren Mechanismen enthalten.
• EOGUI-Individuen: Objekte der Oberfla¨chen, auch die der Ausgangspopulationen.
• EOGUI-Methodik:Alle Bestandteile der Evolutiona¨ren Optimierung von Mensch-Maschine-
Schnittstellen. Neben dem EOGUI-Algorithmus z.B. auch das Training und die Szenarien.
• EOGUI-Oberfla¨che: Die vom EOGUI-Algorithmus generierte neue Oberfla¨che.
• Handlung: Eine Handlung umfasst mehrere Vorga¨nge, die ein Bediener ausfu¨hrt, um einen
gewu¨nschten oder geforderten Zustand zu erreichen.
• Optionseinstellung: Die Optionseinstellungen sind die vom Bediener getroffenen Festlegun-
gen variabler Einstellmo¨glichkeiten, z.B. Hintergrundfarben, Schriftgro¨ßen, etc.
93
7.3 Der EOGUI-Algorithmus
7.3 Der EOGUI-Algorithmus
Mit dem EOGUI-Algorithmus (Evolutionary Optimization of Graphical User Interfaces) ist ei-
ne Mo¨glichkeit geschaffen, die Methodik der evolutiona¨ren Optimierung auf graphische Bedien-
oberfla¨chen anzuwenden. Im konkreten Fall kann der Bediener aus verschiedenen graphischen
Bedienoberfla¨chen die Objekte auswa¨hlen, die ihn bei der Prozessfu¨hrung am besten unterstu¨tzen
bzw. seinen Pra¨ferenzen am deutlichsten entsprechen. U¨ber den EOGUI-Algorithmus werden
diese Objekte, ggf. vera¨ndert und in einer gemeinsamen Oberfla¨che zusammengefasst. Sie bilden
auf diese Weise die individuell gu¨nstigste Visualisierung der zu fu¨hrenden Anlage.
7.3.1 Der Ansatz
Das Bild 7.3 zeigt den grundlegenden
Bild 7.3: EOGUI-Algorithmus: Ansatz
Ansatz des EOGUI-Algorithmus. Die am
Rand des Bildes liegenden Teile zeigen
den normalen Ablauf bei der Einflussnah-
me des Menschen auf eine Maschine u¨ber
eine Mensch-Maschine-Schnittstelle. Der
Mensch steht fu¨r die in Abschnitt 2.2.1
eingefu¨hrten Klassifizierungen der Bedie-
ner, Anwender und Benutzer. Sie fu¨hren
Handlungen mit der Graphischen Bedien-
oberfla¨che in der HMI aus, bei denen es
sich i.d.R. um Steuerungsvorgaben oder
Informationsabrufe fu¨r die zu fu¨hrende
Maschine handelt. Im industriellen Zu-
sammenhang der Prozessvisualisierung
ist die Maschine das in Abschnitt 2.2.2
beschriebene technische System. Die Ein-
flussnahme durch die Vorgaben bedingen Vera¨nderungen, die von der Maschine in Form von
Daten (Messsignale etc.) an die Mensch-Maschine-Schnittstelle geliefert werden. Diese Daten
werden aufbereitet und u¨ber die Graphische Bedienoberfla¨che dem Menschen als Information
zur Verfu¨gung gestellt. Auf Basis dieser Informationen entscheidet der Mensch u¨ber vorzuneh-
mende Handlungen, und der Ablauf beginnt von Neuem.
Der EOGUI-Algorithmus erfasst die Handlungen auf der Bedienoberfla¨che sowie die Art
der Informationsgewinnung des individuellen Menschen und nutzt sie als Eingang fu¨r die Op-
timierung. Aus diesen Eingangsdaten wird die neue, angepasste graphische Bedienoberfla¨che
generiert.
7.3.2 Struktur des EOGUI-Algorithmus
Die Struktur des EOGUI-Algorithmus zeigt das Bild 7.4. Die Ausgangspopulationen fu¨r die
Evolutiona¨re Optimierung sind fu¨r diese Arbeit die vier in Abschnitt 6 eingefu¨hrten Bedien-
oberfla¨chen Virt3D, TOP, EID und MFM. Nach einem Training mit diesen Oberfla¨chen erfolgt
eine Initialisierung der Individuen-Fitness auf den Wert 0. Fu¨r die Erfassung der Interaktion
sind verschiedene Szenarien und Befragungen zu durchlaufen, deren Ergebnisse in den EOGUI-
Algorithmus eingehen. U¨ber die Mechanismen der Selektion, Rekombination, Mutation und
Reinsertation wird schließlich die neue Oberfla¨che generiert. Die neue Oberfla¨che kann wie-
derum die Ausgangspopulation fu¨r eine neue Optimierung sein. Das Bild 7.4 beschreibt die
Methodik in Form einer U¨bersicht, die Abschnitt 7.4 bis 7.7 geben eine detaillierte Erla¨uterung
der entwickelten Abstraktionen evolutiona¨rer Mechanismen.
94
7.3.2 Struktur des EOGUI-Algorithmus
Bild 7.4: EOGUI-Algorithmus: Struktur
Die nachstehende Aufza¨hlung beschreibt den Ablauf innerhalb der EOGUI-Methodik ent-
sprechend den Erla¨uterungen fu¨r die EP, ES und GA von Abschnitt 4.5.
1. Training
Bevor die Optimierung beginnt, unterzieht sich der Bediener einem Training, in dem er
die den Oberfla¨chen zugrunde liegenden Modellbildungen und den Umgang mit ihnen –
sofern er sie noch nicht kennt – erlernt. Schon wa¨hrend der Trainingsphase bildet der
Bediener erste grobe Pra¨ferenzen, die aber nicht in die Optimierung mit einfließen.
2. Initialisierung
In der Initialisierung wird allen Fitnesswerten ϕ der Individuen I der Wert 0 zugewiesen.
Des Weiteren werden alle Prozessgro¨ßen und alle Individuen der Ausgangspopulation auf
den Start-Zustand gesetzt (es gilt i = 1, . . . , NI(Pn) und n = 1, . . . , NP ).
ϕ(Ii(Pn)) = 0
3. Erzeugen der Nachkommen
Aus den Individuen der Ausgangspopulationen werden durch die folgenden Schritte die
Nachkommen erzeugt.
a) Durchfu¨hrung Aufgabenszenario: Zur Aufnahme der objektiven Handlungen und Op-
tionseinstellungen des Bedieners sowie zum Vertiefen der subjektiven Eindru¨cke sind
verschiedene Aufgabenszenarien zu durchlaufen. Die Szenarien sollen reale Aufga-
bensituationen innerhalb des Prozesses nachstellen12. Der Sinn der Szenarien ist die
Vermeidung der Optimierung im laufenden Betrieb. Wa¨hrend des normalen Betriebes
auftretende Vera¨nderungen der Bedienoberfla¨che ko¨nnen zur Konfusion beim Bedie-
ner fu¨hren und sollten daher nur in eindeutig auf die Optimierung ausgerichteten
Situationen stattfinden.
b) Interaktion: Die Interaktion umfasst in der EOGUI-Methodik alle Vorga¨nge, die auf
den Oberfla¨chen stattfinden und der Steuerung der Anlage bzw. der Gewinnung von
Information dienen. Dementsprechend werden alle objektiven Handlungen des Be-
dieners auf den Oberfla¨chen, seine Optionseinstellungen sowie seine subjektiven Ein-
dru¨cke durch eine Online-Befragung erfasst. Sind alle Szenarien durchlaufen, wird
eine Skalen-orientierte Befragung des Bedieners hinsichtlich verschiedener, in Ab-
schnitt 7.4.1.5 na¨her erla¨uterter Kriterien durchgefu¨hrt, um so die genannten sub-
jektiven Eindru¨cke des Bedieners erfassen zu ko¨nnen.
12z.B. den Ausfall von Anlagenteilen oder das Hochfahren der Anlage.
95
7.3 Der EOGUI-Algorithmus
c) Stochastische Selektion: Aus den Interaktionsdaten werden u¨ber die Zielfunktionen13
die Fitnesswerte aus der Objektiv- und Subjektiv-Adaption bestimmt. Grundsa¨tzlich
entscheiden die Fitnesswerte u¨ber die Visualisierungen der entsprechenden Ebenen14
in der neuen Oberfla¨che. Die Selektion unterteilt sich in die Fitnesszuweisung und in
die Verfahren fu¨r die Auswahl der Eltern.
i. Fitnesszuweisung: Die Zuweisung der Fitness fu¨r ein Individuum der graphi-
schen Bedienoberfla¨chen erfolgt durch das in Abschnitt 4.4.1.1 beschriebene
Verfahren der proportionalen Fitnesszuweisung der folgenden Form (Es gilt:
i = 1, . . . , NI(Pn); n = 1, . . . , NP und NΨ = 2):
ϕ(Ii(Pn)) =
NΨ∑
υ=1
Nυε∑
q=1
Ψυq (Ii(Pn)) (7.1)
Ψυq(υ) (Ii(Pn)) =
1
NDNR
ND∑
d=1
NR∑
r=1
ψυ,d,rq (Ii(Pn)) (7.2)
Nach Gleichung 7.1 ergibt sich die Fitness ϕ eines Individuums Ii der Population
Pn aus den objektiven (υ = 1) und subjektiven (υ = 2) Zielfunktionen Ψobj und
Ψsbj , deren Werte sich wiederum aus den einzelnen Bezu¨gen der Geltungsbe-
reiche und Relationen von Gleichung 7.2 ergeben. Deren genauere Erla¨uterung
folgt in den Abschnitten 7.4.1.1 und 7.4.1.2. Die proportionale Fitnesszuweisung
widerspricht der Forderung von Pohlheim (1998), derartige Fitnesszuweisungen
nicht mehr zu verwenden. Jedoch ist sie fu¨r den vorliegenden Fall am besten
geeignet, da sie direkt die Bedienerpra¨ferenzen in der Fitness abbildet und nicht
u¨ber eine anders geartete Zuordnung verzerrt.
ii. Verfahren der Auswahl: Eine Auswahl ist zwischen den Individuen zu treffen,
die in den verschiedenen Populationen den selben Prozessteil bzw. die u¨ber das
Ziel-Mittel-Modell verbundene Funktion abbilden. Dies umfasst die Auswahl
der Visualisierung fu¨r die verschiedenen Stufen der ebenenbezogenen Strukturie-
rung von Abschnitt 7.1.2, z.B. die Auswahl, ob die U¨bersicht topologisch- oder
kognitions-orientiert dargestellt wird. Fu¨r die Auswahl der Individuen als Eltern
existieren, je nach deren Fitnessdifferenz, zwei Herangehensweisen: fu¨r den Fall
einer sta¨rkeren U¨bereinstimmung der Fitnesswerte werden entsprechend viele
Individuen als Eltern festgelegt. Das Maß der U¨bereinstimmung ist fu¨r diese
Arbeit mit 80% festgelegt. Im zweiten Fall wird bei mehreren Mo¨glichkeiten fu¨r
ein Individuum15 nur eines als Elter ausgewa¨hlt. In diesem Ansatz wird fu¨r die
eigentliche Auswahl das Roulette-Wheel-Verfahren von Abschnitt 4.4.1.2 ver-
wendet, weil so ein stochastisches Element in die Auswahl kommt und auf diese
Weise auch schwa¨chere Individuen zumindest die Chance haben, in die neue
Oberfla¨che zu gelangen. Die ausgewa¨hlten Individuen werden zuna¨chst in die
Zwischenpopulation PZ abgelegt.
Ii(Pn)→ PZ
d) Rekombination: Nach der Auswahl der Individuen als Eltern IE werden aus diesen
die Nachkommen ID generiert. Je nach Anzahl der Eltern lassen sich unterschied-
liche Rekombinationsverfahren ausfu¨hren. In der Rekombination durch Individuen-
Replikation wird ein einzelnes Elter kopiert und so als Nachkomme ein reines Abbild
des Elter erzeugt. Bei mehr als einem Elter kann Rekombination durch Kombination
oder Formorientierte Verschmelzung erfolgen. Im einzelnen erla¨utert werden diese
Verfahren in Kapitel 7.5.
IEi → IDj
13Siehe Kapitel 7.4.1.3.
14Siehe Kapitel 7.1.2. Wird beispielsweise die U¨bersicht von MFM ho¨her bewertet als die der anderen Ober-
fla¨chen, wird die Grundstruktur fu¨r die neue U¨bersicht von der MFM-Oberfla¨che u¨bernommen.
15z.B. ein Virt3D- oder TOP-Symbol fu¨r einen Wa¨rmetauscher.
96
e) Mutation: Die Mutation vera¨ndert die Nachkommen aus der Rekombination hinsicht-
lich der in Abschnitt 7.2.2.1 beschriebenen Eigenschaften. Mit dem Mutationsope-
rator kommt neben der Roulette-Wheel-Selektion ein weiteres, jedoch rein stocha-
stisches Element in die Optimierung. Selektion und Rekombination sind gerichtete
Operatoren, da sie auf den Handlungen und Bewertungen des Bedieners beruhen.
Wie im Vorbild der Natur findet die Mutation mit nur geringer Wahrscheinlichkeit
statt. Fu¨r eine ausfu¨hrlichere Beschreibung siehe Abschnitt 7.6.
IDj → I´Dj
4. Reinsertation
Die Reinsertation fu¨gt die mutierten und nicht mutierten Nachkommen in die neue Po-
pulation ein. Eine na¨here Beschreibung liefert Abschnitt 7.7.
5. Abbruch
Im Gegensatz zu den klassischen Verfahren der EP, ES und GA la¨sst sich eine maximale
Generationenanzahl als Abbruchkriterium aufgrund der niedrigen Anzahl nicht angeben.
Geeigneter ist die Nachfrage beim Bediener, ob er mit dem Ergebnis zufrieden ist oder ob
er einen neuen bzw. weiteren Durchgang starten mo¨chte. Ist der Bediener zufrieden, sind
die besten Individuen fu¨r diesen Durchlauf erreicht und die Optimierung ist beendet.
6. Neustart
”Neu” bedeutet, dass mit den urspru¨nglichen Ausgangspopulationen neu begonnen wird,
ein ”weiterer”, dass die generierte EOGUI-Oberfla¨che die Grundlage fu¨r den na¨chsten
Durchgang bildet. Hat der Bediener im ersten Durchlauf nur eine Oberfla¨che verwendet
und diese auch in der subjektiven Bewertung am ho¨chsten eingescha¨tzt, kann es passieren
das die neue Oberfla¨che nur aus Individuen aus der entsprechenden Ursprungspopulation
stammt. Weitere Voraussetzung fu¨r diese Form ist, dass auch die stochastischen Anteile
der Selektion keine Individuen einer anderen Population in die neue Oberfla¨che einbringen.
In diesem Fall kann der Rekombinationsoperator im folgenden Durchlauf fu¨r die Verfahren
der Individuen-Kombination und der Form-Rekombination keine Wirkung entfalten. Die
weitere Anpassung erfolgt dann nur noch u¨ber die Selektion und die Mutation.
7.4 Selektion
Mit dem Selektionsoperator werden die oben beschriebene Interaktion, die Optionseinstellungen
und die subjektiven Bewertungen in die Optimierung eingebracht. Hier wird entschieden, welche
Individuen fu¨r die Generierung von Nachkommen ausgewa¨hlt werden. Der erste Schritt sind die
Fitnessbestimmung und die Fitnesszuweisung durch die Zielfunktionen von Abschnitt 7.4.1.3.
Der zweite Schritt umfasst die Auswahl der Individuen fu¨r die Nachkommenerzeugung.
7.4.1 Fitnessbestimmung
Um die Fitness der unterschiedlichen Individuen der jeweiligen Populationen vergleichbar zu
machen, werden die unten beschriebenen Geltungsbereiche und Relationen fu¨r die Zielfunk-
tionen eingefu¨hrt. Die Parameter der Zielfunktionen sind die in den Abschnitten 7.4.1.4 und
7.4.1.5 beschriebenen Kriterien der oben eingefu¨hrten Adaptionsarten Objektiv und Subjektiv.
7.4.1.1 Geltungsbereiche
Vor der Hinwendung zu den Zielfunktionen und den Kriterien, muss gekla¨rt werden, wie man
die Ergebnisse der Bewertungskriterien den Individuen als Fitness zuweist. Es lassen sich die
folgenden zwei Geltungsbereiche fu¨r die Bewertungskriterien ableiten:
97
7.4 Selektion
• Lokal: Dieser Teil der Fitnessbestimmung bezieht nur die Population mit ein, zu der das
betrachtete Individuum geho¨rt. Auf diese Weise tritt ein Individuum in Konkurrenz zu
den anderen Individuen der Population. Lokal bedeutet zusammengefasst, dass sich die
Bewertungen eines Individuums auf die Bewertungen aller Individuen einer Population
beziehen.
• Global: Fu¨r den globalen Geltungsbereich werden alle Populationen fu¨r die Bestimmung
der Fitness eines Individuums einbezogen. So wird erreicht, dass ein Individuum in Kon-
kurrenz zu allen anderen Individuen tritt. Zusammengefasst bedeutet global, dass der
Bezug fu¨r die Bewertung eines Individuums aus den Bewertungen aller Individuen aller
Populationen kommt.
U¨ber die Geltungsbereiche wird beru¨cksichtigt, dass die Individuen einer Population so-
wohl untereinander (Lokal) als auch mit den Individuen der anderen Populationen (Global) in
Konkurrenz stehen.
7.4.1.2 Relationsarten
Die Relationsarten beschreiben die Art des Bezuges fu¨r ein Kriterium. Auf diese Weise lassen
sich unterschiedliche Auspra¨gungen von Individuen16 vergleichen. Die ersten drei Relationen
basieren auf der Individuen bezogenen Strukturierung von Abschnitt 7.1.1, die letzte auf der
Ebenen bezogenen Strukturierung von Abschnitt 7.1.2.
• Absolut: Absolut bedeutet, dass keine Relation fu¨r diese Bewertung eines Individuums hin-
zugezogen wird. Durch diese Bezugsart werden die absoluten Werte der interessierenden
Gro¨ßen, wie z.B. die Handlungen mit den Individuen, erfaßt.17
• Individuentyp: Mit dem Bezug auf den Individuentyp wird die Relation einer Individuen-
bewertung auf die Bewertungen aller Individuen des gleichen Typs erreicht. Die Typ-
Normierung zeigt, wie gut die Bewertung eines Individuums eines bestimmten Typs im
Vergleich zu Individuen des gleichen Typs ist.18
• Individuenklasse: Die Relation der Individuenklasse bezieht die Bewertung eines Indivi-
duums auf die Bewertungen aller Individuen der gleichen Klasse. So wird ein Vergleich
zwischen den Individuen einer Klasse mo¨glich.19
• Ebene: U¨ber die Relation der Ebene wird eine Individuen-Bewertung auf die Bewertung
aller Individuen der gleichen Ebene bezogen.20
7.4.1.3 Zielfunktionen
Im folgenden wird die Berechnung der Zielfunktionen aus den Kriterienwerten mit ihren Gel-
tungsbereichen und Relationen im einzelnen beschrieben. Die nachstehenden Gleichungen ent-
sprechen den in der Gleichung 7.2 enthaltenen einzelnen Zielfunktionen. Um die Kriterienwerte
ε der unterschiedlichen Individuen vergleichen zu ko¨nnen, werden sie auf den maximalen Wert
16Beispielsweise die Individuen der Komponenten-Klasse der TOP- und Virt3D-Population mit den Flussfunk-
tionen der MFM-Population.
17z.B. die Auswahlha¨ufigkeit des TOP-Wa¨rmetauschers W101.
18z.B. die Bewertung des TOP-Wa¨rmetauschers bezogen auf die Bewertungen aller anderen Wa¨rmetauscher.
19z.B. die Bewertung des TOP-Wa¨rmetauscher W101 bezogen auf die Bewertungen aller Komponenten.
20Beispielsweise wird die Bewertung des TOP-Wa¨rmetauschers W101 fu¨r den globalen Bereich auf die Bewer-
tung aller Individuen der Elementebene von Abschnitt 7.1.2 bezogen, also auch auf die Bewertungen der
Flussfunktionen, da diese ebenfalls auf der Elementebene liegen.
98
7.4.1 Fitnessbestimmung
der jeweils geltenden Relation r und Geltungsbereich d normiert. Auf diese Weise erhalten al-
le maximalen Werte den Betrag 1 (es gilt: υ = 1, . . . , Nυ, i = 1, . . . , NI(P ); q = 1, . . . , Nυε ;
d = 1, . . . , ND und r = 1, . . . , NR).
εˆυq
(
Id,ri
)
=
ευq
(
Id,ri
)
ευmax
(
Id,rk
)
Die Tabelle 7.6 zeigt anschaulich die im folgenden beschriebenen Zielfunktionen fu¨r die
verschiedenen Relationen und Geltungsbereiche. Dargestellt sind die Gleichungen exemplarisch
fu¨r das Kriterium Auswahlha¨ufigkeit fu¨r den Wa¨rmetauscher W101 der TOP-Oberfla¨che.
Tabelle 7.6: Zielfunktionen: Geltungsbereiche und Relationen – Beispiel W101 TOP-Bedienoberfla¨che
Geltungsbereich
Relation Lokal Global
Absolut Auswahlha¨ufigkeit W101
ψobj,L,A
fass
= εˆobj
fass
(W101TOP ) –
Typ Auswahlha¨ufigkeit W101
Gesamtauswahlha¨ufigkeit aller Wa¨rme-
tauscher der TOP-Oberfla¨che
Auswahlha¨ufigkeit W101
Gesamtauswahlha¨ufigkeit aller Wa¨rme-
tauscher aller Oberfla¨chen
ψobj,L,T
fass
=
εˆ
obj
fass
(W101TOP )
N
IHEA,TOP∑
k=1
εˆ
obj
fass
(IHEA,TOP
k
)
ψobj,G,T
fass
=
εˆ
obj
fass
(W101TOP )
Np∑
j=1
N
IHEA,j∑
k=1
εˆ
obj
fass
(IHEA,j
k
)
Klasse Auswahlha¨ufigkeit W101
Gesamtauswahlha¨ufigkeit aller Kompo-
nenten der TOP-Oberfla¨che
Auswahlha¨ufigkeit W101
Gesamtauswahlha¨ufigkeit aller Kompo-
nenten aller Oberfla¨chen
ψobj,L,K
fass
=
εˆ
obj
fass
(W101TOP )
N
ICMP,TOP∑
k=1
εˆ
obj
fass
(ICMP,TOP
k
)
ψobj,G,K
fass
=
εˆ
obj
fass
(W101TOP )
Np∑
j=1
N
ICMP,j∑
k=1
εˆ
obj
fass
(ICMP,J
k
)
Ebene Auswahlha¨ufigkeit W101
Gesamtauswahlha¨ufigkeit aller Individuen
der Elementebene der TOP-Oberfla¨che
Auswahlha¨ufigkeit W101
Gesamtauswahlha¨ufigkeit aller Individuen
der Elementebene aller Oberfla¨chen
ψobj,L,E
fass
=
εˆ
obj
fass
(W101TOP )
N
IELM,TOP∑
k=1
εˆ
obj
fass
(IELM,TOP
k
)
ψobj,G,E
fass
=
εˆ
obj
fass
(W101TOP )
Np∑
j=1
N
IELM,j∑
k=1
εˆ
obj
fass
(IELM,j
k
)
• Lokal, Absolut: Der lokal, absolute Zielfunktionswert Ψυ,L,A der Adaptionsart υ fu¨r das
Individuum Ii der Population Pn ergibt sich direkt aus der Summe der Kriterienwerte
ευq der Adaptionsart υ des entsprechenden Individuums. Es gilt: υ = 1, . . . , Nυ; i =
1, . . . , NIPn und n = P (Ii).
ψυ,L,A
(
IPni
)
=
Nυε∑
q=1
εˆυq
(
IPni
)
• Lokal, Individuentyp: Der lokale Zielfunktionswert ψυ,L,T (ITt,Pni ) der Adaptionsklasse υ
bezogen auf den Individuentyp Tt ergibt sich aus der Summe der Kriterienwerte der Adap-
tionsklasse υ fu¨r das Individuum Ii des Individuentyps Tt und der Population Pn in Bezug
auf die Summe aller Kriterienwerte aller Individuen des gleichen Individuentyps Tt und der
gleichen Population Pn. Es gilt: υ = 1, . . . , Nυ; i = 1, . . . , NIPn ; n = P (Ii) und t = T (Ii).
ψυ,L,T
(
ITt,Pni
)
=
Nυε∑
q=1
εˆυq
(
ITt,Pni
)
N
ITt Pn∑
k=1
Nυε∑
q=1
εˆυq
(
ITt,Pnk
)
99
7.4 Selektion
• Lokal, Individuenklasse: Der lokale Zielfunktionswert ψυ,L,K(IKc,Pni ) der Adaptionsart υ
bezogen auf die Individuenklasse Kc berechnet sich aus der Summe der Kriterienwerte
der Adaptionsart υ fu¨r das Individuum Ii der Klasse Kc und der Population Pn in Bezug
auf die Summe aller Kriterienwerte ε aller Individuenwerte der gleichen Klasse Kc und der
gleichen Population Pn. Es gilt: υ = 1, . . . , Nυ; i = 1, . . . , NIPn ; n = P (Ii) und c = K(Ii).
ψυ,L,K
(
IKc,Pni
)
=
Nυε∑
q=1
εˆυq
(
IKc,Pni
)
N
IKc Pn∑
k=1
Nυε∑
q=1
εˆυq
(
IKc,Pnk
)
• Lokal, Ebene: Der lokale Zielfunktionswert ψυ,L,E(IEe,Pni ) der Adaptionsart υ bezogen auf
die Ebene Ee ergibt sich aus der Summe der Kriterienwerte der Adaptionsart υ fu¨r das
Individuum Ii und der Population Pn in Bezug auf die Summe der Kriterienwerte aller
Individuen der gleichen Ebene Ee und der gleichen Population Pn. Das Individuum Ii
bestimmt die Ebene des Bezugs21. (υ = 1, . . . , Nυ; i = 1, . . . , NIPn ; n = P (Ii); e = E(Ii)).
ψυ,L,E
(
IEe,Pni
)
=
Nυε∑
q=1
εˆυq
(
IEe,Pni
)
N
IEe Pn∑
k=1
Nυε∑
q=1
εˆυq
(
IEe,Pnk
)
• Global, Absolut: Die Kombination des Geltungsbereichs Global mit der Relation Absolut
macht keinen Sinn bzw. ist unno¨tig, da fu¨r die Relation Absolut kein Bezug hergestellt
wird. Der Wert dieser Kombination entspricht dem lokalen Wert.
• Global, Individuentyp: Der globale Zielfunktionswert ψυ,G,T (ITt,Pni ) der Adaptionsart υ
bezogen auf den Individuentyp T t ergibt sich aus der Summe der Kriterienwerte der
Adaptionsart υ fu¨r das Individuum Ii des Individuentyps Tt und der Population Pn in
Bezug auf die Summe der Kriterienwerte aller Individuen Ik aller Populationen Pj des
gleichen Typs Tt. Es gilt: υ = 1, . . . , Nυ; i = 1, . . . , NIPn ; n = P (Ii) und t = T (Ii).
ψυ,G,T
(
ITt,Pni
)
=
Nυε∑
q=1
εˆυq
(
ITt,Pni
)
Np∑
j=1
N
I
Tt Pj∑
k=1
Nυε∑
q=1
εˆυq
(
I
Tt,Pj
k
)
• Global, Individuenklasse: Der globale Zielfunktionswert ψυ,G,K(IKc,Pni ) der Adaptionsart υ
bezogen auf die Klasse Kc wird bestimmt aus der Summe der Kriterienwerte der Adap-
tionsart υ fu¨r das Individuum Ii der Individuenklasse Kc der Population Pn in Bezug auf
die Summe der Kriterienwerte der Adaptionsart υ aller Individuen Ik aller Populationen
Pj der gleichen Klasse Kc (υ = 1, . . . , Nυ; i = 1, . . . , NIPn ; n = P (Ii) und c = K(Ii)).
ψυ,G,K
(
IKc,Pni
)
=
Nυε∑
q=1
εˆυq
(
IKc,Pni
)
Np∑
j=1
N
I
Kc Pj∑
k=1
Nυε∑
q=1
εˆυq
(
I
Kc,Pj
k
)
21Handelt es sich beispielsweise um einen Wa¨rmetaucher, ist die Ebene fu¨r den Bezug die Elementebene.
100
7.4.1 Fitnessbestimmung
• Global, Ebene: Der globale Zielfunktionswert ψυ,G,E(IEe,Pni ) der Adaptionsart υ bezogen
auf die Ebene Ee ergibt sich aus der Summe der Kriterienwerte der Adaptionsart υ fu¨r das
Individuum Ii der Ebene Ee der Population Pn in Bezug auf die Summe der Kriterienwerte
aller Individuen Ik aller Populationen Pj der gleichen Ebene Ee. Wie auch beim lokalen
Bereich bestimmt die Ebene des Individuums Ii die Ebene fu¨r den Bezug. Es gilt: υ =
1, . . . , Nυ; i = 1, . . . , NIPn ; n = P (Ii) und e = E(Ii).
ψυ,G,E
(
IEe,Pni
)
=
Nυε∑
q=1
εˆυq
(
IEe,Pni
)
Np∑
j=1
N
I
Kc Pj∑
k=1
Nυε∑
q=1
εˆυq
(
I
Ee,Pj
k
)
7.4.1.4 Objektiv-Adaption
Die Handlungen des Bedieners auf den graphischen Bedienoberfla¨chen ko¨nnen in Bezug auf die
Adaption als objektiv bezeichnet werden, weil sie messbar sind. Alle mit dem GID vorgenomme-
nen Aktionen werden geza¨hlt und alle Zeiten, in denen ein Individuum vom Bediener aufgerufen
ist, werden erfasst. Aus den Gro¨ßen der Objektiv-Adaption lassen sich die unten beschriebenen
objektiven Kriterien herleiten. Zuna¨chst seien jedoch die gefundenen Aktionsarten η und ihre
Zuordnungen zu den Individuenklassen beschrieben.
Aktionsarten: Die Aktionsarten klassifizieren die mo¨glichen Vorga¨nge, die ein Bediener auf der
Oberfla¨che auslo¨sen kann. Erfasst werden die unterschiedlichen Auswahlformen und -zeiten.
• CALLING OBJECT (CO): Aufruf von Individuen.
• SELECTION OBJECT (SO): Zeitdauer fu¨r die Aufschaltung eines Individuums.
• CALLING FORM (CF): Aufruf einer Struktur (Formular-Fenster).
• CALLING DISPLAY (CD): Aufruf einer Anzeige.
• CALLING CONTROL (CC): Aufruf einer Steuerung.
• PERFORMING CONTROL ACTION (PCA): Ausfu¨hren von Steuerungsaktionen.22
• CALLING INFO (CI): Abruf von Informationen zu Individuen.
Tabelle 7.7 nennt die Zuordnung der Ak- Individuenklasse
Aktion SYS CMP MAP GHR GOA FST FFK
CO × t – × × – t
SO – t × – – × t
CF × – – × × – –
CD – × – – – – ×
CC – × – – – – ×
PCA – × – – – – ×
CI × × × × × × ×
Tabelle 7.7: Aktionsarten: Zuordnung zu den Indivi-
duenklassen
× : Aufnahme von Auswahlha¨ufigkeiten
und Aufschaltzeiten
t : Aufnahme nur von Aufschaltzeiten
– : Keine Aufnahme
tionstypen zu den Individuenklassen von Ab-
schnitt 7.1.1. Fu¨r die Klassen System, Ziel
und Zielhierarchie werden mit den Auf-
schaltarten CALLING OBJECT und CALLING -
FORM die Auswahlha¨ufigkeit und die Auf-
schaltzeit erfasst. Aufrufe durch Schalter-
Aktionen werden u¨ber CALLING FORM, Akti-
vierungen bereits geo¨ffneter und erneut ge-
wa¨hlter Fenster u¨ber CALLING OBJECT auf-
genommen. Fu¨r die Klassen Flussfunktion
und Komponente ersetzen die Aufrufe der
Steuerungen und Anzeigen den allgemeinen
Aufruf des Typs CALLING OBJECT. Mit dem
Typ SELECTION OBJECT wird die Aufschalt-
zeit der Komponenten aufgezeichnet, also
die Zeit, in der die Steuerung oder die An-
zeige des Individuums aufgeschaltet ist. Mit dem Typ CALLING OBJECT wird die Gesamtzeit
aufgezeichnet, in der ein Individuum fu¨r den Bediener sichtbar ist. Auch wenn keine Aktionen
durchgefu¨hrt werden, kann ein Individuum trotzdem sichtbar sein.
22Beispielsweise das Einstellen eines Ventilo¨ffnungsgrades.
101
7.4 Selektion
Objektive Kriterien: Aus den zuvor beschriebenen Aufrufarten werden aus den Auswahlha¨ufig-
keiten und Aufschaltzeiten die im folgenden beschriebenen objektiven Kriterien abgeleitet.
• Auswahlha¨ufigkeit: Die Auswahlha¨ufigkeiten fass sind die Anzahl der Aktionen vom Typ η,
die ein Bediener mit einem Individuum ausfu¨hrt. Die Auswahl von Individuen, der Aufruf
von angebundenen Steuerungen bzw. Anzeigen sowie die Steuerungsaktionen za¨hlen zu
diesem Kriterium. Die Gro¨ße Nfassη von Gleichung 7.3 steht fu¨r die Anzahl der Aufrufarten
fu¨r die Klasse K des Individuums Ii fu¨r das Kriterium der Auswahlha¨ufigkeit.
εobjfass
(
IPni
)
=
Nfass
η(K(IPn
i
))∑
η=1
fηass
(
IPni
)
(7.3)
• Aufschaltzeit: Die Aufschaltzeit tcal umfasst die Zeiten, in denen ein Individuum auf der
Oberfla¨che zu sehen ist und ggf. Aktionen mit ihm ausgefu¨hrt werden. In Gleichung 7.4
ist Ncal(IPn
i
) die Anzahl der Aufschaltungen eines Individuums I
Pn
i .
εobjtcal
(
IPni
)
=
N
tcal
η(K(IPn
i
))∑
η=1
N
cal(IPn
i
)∑
j=1
[
tηcalendj
(
IPni
)
− tηcalstartj
(
IPni
)]
(7.4)
• Wirksamkeit: Mit dem Begriff der Wirksamkeit sind die Effektivita¨t und die Effizienz der
Interaktion zwischen Mensch und Maschine in einem Kriterium zusammengefu¨hrt. In der
ISO DIN 9241-11 wird die Effektivita¨t als Genauigkeit und Vollsta¨ndigkeit definiert, mit
der ein Bediener eine Aufgabe bewa¨ltigen kann. Die Effizienz ist der notwendige Aufwand
fu¨r das Erreichen von Effektivita¨t. Dem Aufwand entspricht hier die in der Auswahlha¨ufig-
keit genannte Anzahl von Aktionen, z.B. fu¨r das Beheben von Sto¨rungen. Neben der Ak-
tionsanzahl ist die Fehlerkorrekturzeit terc von Bedeutung. Die Fehlerkorrekturzeit ist die
Zeit, die ein Bediener fu¨r das Bewa¨ltigen einer ungewollten Situation oder einer gestell-
ten Aufgabe beno¨tigt. Es handelt sich um ein Schnelligkeitsmaß, mit dem der Zeitbedarf
einer Problemlo¨sung ermittelt wird. Je schneller eine ungewollte Situation behoben ist,
desto schneller ist der gewu¨nschte Normalzustand wieder erreicht. Die Wirksamkeit er-
gibt sich demnach aus dem Quotienten der optimalen Aktionsanzahl foptass zur Anzahl der
tatsa¨chlich durchgefu¨hrten Aktionen plus dem Quotienten aus optimaler Fehlerkorrektur-
zeit topterc zur beno¨tigten Zeit terc. Der Wert der optimalen Handlungsanzahl foptass sowie
der optimalen Fehlerkorrekturzeit topterc betra¨gt 1. Die beste Bewertung (ε
opt
ptc = 1) wird
erreicht, wenn man mit einer Aktion innerhalb einer Zeiteinheit die gestellte Aufgabe zu
lo¨sen vermag. Dies ist jedoch i.d.R. unmo¨glich, d.h. εoptptc wird sich um Werte kleiner 1
bewegen.
εobjptc
(
IPni
)
=
1
2

foptass
Nfass
η(K(IPn
i
))∑
η=1
fηass
(
IPni
) +
topterc
(
IPni
)
terc
(
IPni
)

• Genauigkeit der Prozessfu¨hrung: Wie exakt ein Bediener einer Sollwertvorgabe u¨ber eine
bestimmte zeitliche Dauer folgt, wird mit diesem Kriterium erfasst. Je genauer ein Be-
diener eine Prozessgro¨ße ξ an deren Sollwert fu¨hrt, desto besser ist die Bewertung. Fu¨r
dieses objektive Kriterium gibt es die folgenden zwei Formen:
102
7.4.1 Fitnessbestimmung
– Fortlaufende Erfassung: U¨ber diese Form werden die Abweichungen zwischen Soll-
und Istwerten u¨ber die gesamte Dauer einer Aufgabenstellung tend verfolgt23. Be-
stimmt wird das Kriterium fu¨r die zwei Prozessgro¨ßentypen ω =state (Zustands-
gro¨ßen) und ω =control (Steuerungsgro¨ßen).
εωaccPRC
(
IKc,Pni
)
=
1
tend
tend∑
t=0
1−
∣∣∣ξωtsoll (IKc,Pni )− ξωtist (IKc,Pni )∣∣∣
ξωtsoll
(
IKc,Pni
)
 (7.5)
– Aufgabenlo¨sung: Das Kriterium εωaccTAS entspricht dem der fortlaufenden Erfassung,
jedoch wird nur bis zum Erreichen der Aufgabenlo¨sung aufgezeichnet.
Fu¨r die beiden Kriterien werden neben den Klassen der Komponente und Flussfunktion
auch die u¨bergeordneten Klassen System, Ziel und Flussstruktur erfasst. Deren Werte
ergeben sich aus den untergeordneten Individuen24. Es gilt: q = PRC, TAS und c =
System, Ziel, Flussstruktur.
εωaccq
(
SKci
)
=
1
NI(SKc
i
)
N
I(SKc
i
)∑
j=1
εωaccq
(
Ij
(
SKci
))
7.4.1.5 Subjektiv-Adaption
Mit Hilfe der Subjektiv-Adaption werden neben den objektiv messbaren Handlungen die sub-
jektiven Eindru¨cke des Bedieners u¨ber verschiedene subjektive Kriterien erfasst. Im Gegensatz
zur objektiven Bewertung betrachtet die subjektive Bewertung nicht direkt einzelne Individuen,
sondern deren Typen. Beispielsweise wird nicht das konkrete Individuum TOP W101, sondern
der Typ Wa¨rmetauscher bewertet. Alle Individuen des bewerteten Objekttyps erhalten diesen
Wert.25 Ausgefu¨hrt wird die subjektive Bewertung durch einen Online-Fragebogen, innerhalb
dessen die subjektiven Kriterien durch verschiedene Skalen vom Bediener zu bewerten sind. Die
Bewertung fu¨r ein subjektives Kriterium ergibt sich aus dem Mittelwert der Bewertungen aus
den Fragen zu diesem Kriterium.
εsbjq =
1
NqQ
Nq
Q∑
r=1
εsbjqr
Skalentypen: Bei den verwendeten 7-Punkt Prozent
Maximum Maximum
aufsteigend mittig
Tabelle 7.8: Subjektiv-Adaption: Skalentypen
Skalen handelt es sich hauptsa¨chlich
um Ordinalskalen mit sieben Ein-
teilungen, deren Benennung je nach
Frage variiert. Ein weiterer Skalen-
typ entha¨lt die Mo¨glichkeit der Pro-
zentangabe. Die Tabelle 7.8 und die
folgende Aufza¨hlung nennt die Ska-
lentypen der Subjektiv-Adaption.
• 7-Punkt-Skala-Maximum ansteigend: Dieser Skalentyp bildet den Normalfall der Online-
Bewertung und ist in Tabelle 7.8 links wiedergegeben. Der Wert βj fu¨r das Kriterium
εsbjq steht fu¨r den vom Bediener gewa¨hlten Skalenwert. Das Skalenminimum bezeichnet
βmin und so den schlechtesten Wert, βmax das Maximum, den bestmo¨glichen Wert. Die
Bewertung fu¨r ein Kriterium εsbjq ergibt sich fu¨r diesen Skalentyp nach Gleichung 7.6 zu:
εsbjqp
(
IPni
)
=
βj +
|βmin|+|βmax|
2
|βmin|+ |βmax| =
βj + 3
6
(7.6)
23z.B. u¨ber die gesamte Dauer eines Szenarios aus den Experimenten von Kapitel 8.
24 z.B. fu¨r die Systeme aus den zugeho¨rigen Komponenten.
25Als weiteres Beispiel sei die Bewertung zweier Pumpen genannt. Die objektive Bewertungen der beiden Pum-
pen ko¨nnen aufgrund unterschiedlicher Auswahlha¨ufigkeiten verschieden sein. Fu¨r die subjektive Bewertung
wird nur die Pumpe als solche abgefragt und nicht die einzelnen Instanziierungen auf den Oberfla¨chen.
103
7.4 Selektion
• 7-Punkt-Skala-Maximum mittig: In dieser Skala (Tabelle 7.8 Mitte) liegt das Maximum
mittig bei k = 3. Die Minima links und rechts stehen fu¨r die schlechtesten Skalenwerte.26
εsbjqp
(
IPni
)
=
|βj | − |β
L
min|+|βRmin|
2
|βmax| − |β
L
min|+|βRmin|
2
=
βj
3
(7.7)
• Prozent-Skala: Mit der Prozentskala (Tabelle 7.8 rechts) sollen die Bediener das Ausmaß
ihrer Zustimmung oder Ablehnung angeben. Es existieren nach Gleichung 7.8 zwei Arten
der Bestimmung:
εsbjqp
(
IPni
)
=

βj
βmax
= βj100 : Maximum optimal
βmax−βj
βmax
= 100−βj100 : Minimum optimal
(7.8)
Subjektive Kriterien: Die folgende Aufza¨hlung nennt die subjektiven Kriterien, fu¨r deren Erfas-
sung die in Anhang B.1 aufgefu¨hrten Fragen an den Bediener gestellt werden. Fu¨r die Erfassung
der ersten fu¨nf Kriterien werden 7-Punkt-Skalen, fu¨r die letzten drei Prozent-Skalen verwendet.
• Transparenz: Johannsen (1993) beschreibt die Transparenz als eines von drei Gestaltungs-
kriterien27 fu¨r die Mensch-Maschine-Kommunikation. Sie wird hier als inhaltlicher Zu-
gang zur Kommunikation bezeichnet und ermo¨glicht dem Menschen im weitesten Sinne
den Durchblick durch die Darstellungsschicht in die organisatorischen Zusammenha¨nge.
Die Erkennbarkeit von funktionalen Zusammenha¨ngen zwischen verschiedenen Kompo-
nenten definiert nach Dutke (1994) die Transparenz eines Systems. Haaks (1992) nennt
ein System transparent, wenn ein Bediener dessen Operationen verstehen kann, um so
ungewo¨hnliche Situationen bewa¨ltigen und Modifikationen vornehmen zu ko¨nnen. Erfasst
ein Bediener, ob das System einen eingegebenen Befehl behandelt oder ob es auf weitere
Eingaben wartet, dann ist das Dialogsystem nach Ulich (1988) transparent. Ackermann
(1988) definiert die Transparenz als die Durchschaubarkeit des Systemverhaltens und die
Mo¨glichkeit, sich ein inneres Prozess- und Strukturmodell des Dialogsystems aufzubau-
en. Die nach Ackermann (1988) notwendigen Eigenschaften fu¨r die Transparenz sind ein
klar strukturierter Dialogaufbau und -ablauf, ein klar dokumentiertes Funktionsangebot,
pra¨zise Erkla¨rungen u¨ber den Systemzustand, eindeutige Ru¨ck- und Fehlermeldungen und
eine geeignete Unterstu¨tzung. Die wichtigsten Punkte beim Betrachten der Transparenz
im Zusammenhang mit Bedienoberfla¨chen sind, dass die Bediener zu jedem Zeitpunkt
den Zustand des technischen Systems, den Handlungsbedarf und die Zusammenha¨nge im
System erkennen ko¨nnen.
• Navigation: In Freiburg (1987) wird die Navigation als das Auffinden des Weges durch
Verfolgen logischer oder inhaltlicher Beziehungen zwischen Objekten definiert, um eine
bestimmte Fragestellung zu beantworten. Graphische Bedienoberfla¨chen fu¨r die Visualisie-
rung technischer Prozesse mu¨ssen in Fehlersituationen die Operateure zu den fehlerhaften
Komponenten zu fu¨hren, ohne dass sie die Orientierung im u¨ber die Bedienoberfla¨che dar-
gestellten Prozess verlieren. Durch eine am Bediener orientierte Modellierung und Abbil-
dung des technischen Systems kann eine leistungsfa¨hige Navigation erreicht werden. Dabei
sollte man nicht nur die Zerlegung eines Systems in Unter-, Teilsysteme und Komponen-
ten heranziehen, sondern es ist auch eine handlungs- und zielorientierte Abbildung des
Systems anzustreben. Neben der Fa¨higkeit, sich orientieren zu ko¨nnen, ist auch die Zeit
von Bedeutung, in der die gesto¨rten Systemkomponenten und relevanten Informationen
(Anzeigenwerte, Steuerungseinstellungen, Zusta¨nde) zu finden sind.
26Diese Skala kommt z.B. bei der Bewertung von Individuengro¨ßen zum Einsatz.
27Die anderen beiden Gestaltungskriterien sind die Versta¨ndlichkeit und die Flexibilita¨t.
104
7.4.1 Fitnessbestimmung
• Fehlermanagement: Alle Maßnahmen, die beim Auftreten von Fehlern aus der Situation
heraus durchzufu¨hren sind, bilden nach Charwat (1994) den Sammelbegriff fu¨r das Fehler-
management. In Johannsen (1993) wird das Fehlermanagement als das Lo¨sen von Proble-
men in gegenwa¨rtig vorhandenen Fehlersituationen beschrieben. Hier liegen unerwu¨nschte
Abweichungen von normalen Betriebsbedingungen vor, die vom Bediener durch geeignete
Handlungen wieder korrigiert bzw. kompensiert werden mu¨ssen. Unterteilt ist das Fehler-
management nach Johannsen (1993) in drei Phasen:
– Fehlerentdeckung: Die Fehlerentdeckung ist der Vorgang, bei dem jede Art von un-
erwu¨nschter Abweichung von den normalen Betriebsbedingungen bemerkt wird. Dies
gilt sowohl fu¨r plo¨tzlich auftretende als auch fu¨r langsam anwachsende Vera¨nderun-
gen. Nach Ali (1998) spielt bei der Fehlerentdeckung die zeitliche Dauer zwischen
dem Auftreten einer Prozessverletzung und deren Erkennung durch die Darstellung
auf der Oberfla¨che eine große Rolle. In dieser Arbeit spiegelt sich diese zeitliche Dau-
er in der Fehlerkorrekturzeit wieder. Je spa¨ter ein Fehler erkannt wird, desto spa¨ter
werden auch Aktionen zu seiner Behebung angestoßen.
– Fehlerdiagnose: Mit der Fehlerdiagnose wird der Vorgang beschrieben, bei dem die
Ursachen des Fehlverhaltens aufgedeckt werden und man entsprechend den Ort und
die Art des aufgetretenen Fehlers ermittelt.
– Fehlerkorrektur/kompensation: Der Vorgang der Fehlerkorrektur bringt ein System
zuru¨ck in den Normalzustand. Von Fehlerkompensation spricht man, wenn es erfor-
derlich ist, sich mit einem zufrieden stellenden Zustand vorla¨ufig abzufinden und den
Systembetrieb fortzusetzen.
• Symbolik: Mit dem Kriterium der Symbolik werden die verschiedenen graphischen Aus-
pra¨gungen der Individuen beurteilt. Dieses Kriterium umfaßt die Bewertungen der Ab-
messungen oder Farbgebungen von Individuen, die Wiedererkennbarkeit von Symbolen
bzw. dem Erkennen von Funktionen aus Symbolen.
• Struktur: U¨ber das Strukturkriterium wird erfaßt, ob eine Bedienoberfla¨che einen Vorteil
aufgrund ihrer Struktur gegenu¨ber den anderen Bedienoberfla¨chen besitzt. Der Bewerber
soll fu¨r jede Oberfla¨che in Relation zu den jeweils anderen dies auf der 7-Punkt-Skala
bewerten.
• Beanspruchung: Nach Frieling und Sonntag (1999) kann die Beanspruchung als subjektive
Reaktion des menschlichen Organismus auf eine objektiv einwirkende Belastung aufge-
fasst werden. Charwat (1994) bezeichnet die Beanspruchung als eine subjektive Gro¨ße fu¨r
die individuelle Wirkung einer a¨ußeren Belastung auf den Menschen. Fu¨r den Menschen
spielen hier die Aspekte Eigenschaften, Fa¨higkeiten, Fertigkeiten, Motive und Bedu¨rfnisse
eine entscheidende Rolle. Je niedriger ein Bediener die Beanspruchung einscha¨tzt, desto
besser ist die Bewertung.
• Vertrauen: Das Konstrukt Vertrauen stammt aus der Psychologie und wird hauptsa¨chlich
in Mensch-Mensch-Beziehungen verwendet. Durch Betonung der Wichtigkeit von Ver-
trauen als Vermittler zwischen Mensch und Maschine hat Muir (1987) diesen Begriff auf
die Mensch-Maschine-Kommunikation transformiert. Vertrauen kann man als allgemeine
Einscha¨tzung der subjektiven Wahrscheinlichkeit definieren, mit der ein Individuum das
Erscheinen von zuku¨nftigen Ereignissen angibt. Eine weitere Definition beschreibt Ver-
trauen als Grad an Zuversicht, die eine Person in Bezug auf ein Beziehungsgefu¨ge emp-
findet. Ein wichtiger Aspekt des Vertrauens ist die Erwartung an das Verhalten unserer
Umgebung. Aus den Kenntnissen u¨ber das Verhalten der Umgebung ko¨nnen Vorhersagen
getroffen und zuku¨nftige Zusta¨nde und Ereignisse abgescha¨tzt werden. Bezogen auf Pro-
zessbediener ist die Darstellung der relevanten Prozessinformation sehr wichtig, um so die
genannten Vorhersagen machen zu ko¨nnen. Je ho¨her das Vertrauen ausgepra¨gt ist, desto
sta¨rker entsprechen die Erwartungen den tatsa¨chlichen Gegebenheiten.
105
7.4 Selektion
• Spaß: Mit diesem Kriterium wird der Spaß abgefragt, den ein Bediener beim Fahren der
Anlage mit der jeweiligen Bedienoberfla¨che hatte. Er ist ein wichtiger Erfolgsfaktor. Die
Bedu¨rfnisse und Neigungen des Menschen sollten bei der Gestaltung von Oberfla¨chen
mit einfließen, um so mehr Freude auf Seiten des Bedieners bei der Arbeit erreichen zu
ko¨nnen. Der Spaßfaktor spiegelt zudem die Motivation eines Bedieners beim Umgang mit
dem technischen System wider. Spaß kann als u¨bergeordnetes Kriterium der Bewertung
angesehen werden, mit dem erfasst werden soll, was Bediener beim Umgang mit den Ober-
fla¨chen empfunden haben. Je niedriger die Bewertung ausfa¨llt, um so mehr Widerwillen
bringt ein Bediener der Oberfla¨che entgegen
7.4.2 Auswahl von Individuen
Die Auswahl von Individuen findet bezogen auf die in Abschnitt 7.1.2 beschriebene Ebenen
bezogene Strukturierung statt. Die Individuen sind so auszuwa¨hlen, dass jeder Anlagenteil
mindestens durch eine topologisch oder kognitions-orientierte Darstellung abgebildet ist. Die
Verbindung zwischen der physikalischen Form des Anlagenteils und der Anlagenfunktion schafft
das Ziel-Mittel-Modell von Abschnitt 5.1.2. So ist sichergestellt, dass jeder Anlagenteil oder jede
Anlagenfunktion zumindest einmal in der neuen Oberfla¨che vertreten ist. Im biologischen Sinne
sind diese Bestandteile ”unsterblich”.
7.4.2.1 Auswahl von Individuen fu¨r die Zwischenpopulation
Wie schon im Abschnitt 7.3.2 unter Punkt 3.c.ii erwa¨hnt, existieren zwei Herangehensweisen
fu¨r die Auswahl der Individuen als Eltern:
Niedrige Fitnessunterschiede: Fu¨r die Darstellung eines bestimmten Anlagenteils oder die ent-
sprechende Anlagenfunktion gelangen zuna¨chst die Individuen aus den verschiedenen Popula-
tionen in die Zwischenpopulation, wenn mindestens zwei Individuen existieren, deren Fitness-
unterschiede eine bestimmte Schwelle Θ nicht unterschreiten. Diese Schwelle ergibt sich nach
Gleichung 7.9 aus dem Faktor FΘ und der maximalen Fitness eines Individuums. Diese ma-
ximale Fitness wird innerhalb der Individuen ermittelt, die den gleichen Anlagenteil und die
entsprechenden Anlagenfunktionen abbilden. Diese Form der Vorauswahl entspricht der in Ab-
schnitt 4.4.1.2 beschriebenen Truncation-Selektion und dient auch der Auswahl von Individuen
fu¨r die unten beschriebene Rekombination. Fu¨r die Ermittlung der Schwelle wird zuna¨chst ge-
pru¨ft, welches der Individuen die ho¨chste Fitness besitzt. Durch Multiplikation der ho¨chsten
Fitness ϕmax mit dem Faktor FΘ berechnet sich die Schwelle Θ. Fu¨r diese Arbeit wurde fu¨r den
Faktor FΘ ein Wert von 0, 8 festgelegt. Liegt der niedrigere Fitnesswert bei u¨ber 80% des ho¨her-
en Fitnesswertes werden diese Individuen in die Zwischenpopulation u¨bernommen (Gleichung
7.10).28 Es gilt: n = 1, . . . , NP .
Θ
(
IPni
)
= FΘϕmax
(
IPki
)
(7.9)
k = n : ϕmax
(
IPni
)
Ii (Pt) → Iq(PZ) ∀ i : Θ
(
IPni
)
ϕ
(
IPni
)
≥ ϕmax
(
IPki
)
(7.10)
k = 1, . . . , NP , n 6= k
28Angenommen, der Wa¨rmetauscher W101 der TOP-Population ha¨tte mit dem Wert 1 die ho¨chste Fitness im
Vergleich zu den anderen W101-Individuen: die W101-Komponenten der EID- und der Virt3D-Population sowie
die MFM-Quelle Flu¨ssigkeit vorerwa¨rmen und der MFM-Aktor Temperatur Flu¨ssigkeit bestimmen. Weiter sei
angenommen, dass der entsprechende Wa¨rmetauscher der Virt3D-Population eine Fitness von 0, 9, der EID-
W101 eine Fitness von 0, 4, die genannte MFM-Quelle 0, 85 und der Aktor eine Fitness von 0, 5 besitzt. In dieser
Konstellation gehen der Vertreter des Wa¨rmetauscher W101 aus der TOP- und der Virt3D-Population sowie die
MFM Quelle in die Zwischenpopulation ein. Aufgrund der Schwelle von 0, 8 wu¨rden der EID-Wa¨rmetauscher
und der MFM-Aktor nicht den Sprung in die Zwischenpopulation schaffen.
106
7.4.2 Auswahl von Individuen
Hohe Fitnessunterschiede: Fu¨r alle Individuen, die die U¨bereinstimmung in Bezug auf die oben
definierte Schwelle von Gleichung 7.9 nicht erreichen, erfolgt die Auswahl u¨ber die EOGUI-
Roulette-Wheel-Selektion. Sind unterschiedliche Individuen fu¨r die verschiedenen Ebenen mo¨g-
lich, ist festzulegen, welches Individuum fu¨r die neue Oberfla¨che ausgewa¨hlt wird. Dies gilt
fu¨r die topologisch orientierte Ausrichtung29. Zur Individuenauswahl wird das in Abschnitt
4.4.1.2 bzw. Abschnitt 7.3.2 genannte Verfahren der Roulette-Wheel-Selektion herangezogen.
Mit diesem Verfahren kommt ein stochastischer Anteil in die Selektion, da auch Individuen
aus Populationen mit niedrigerer Fitness – wenn auch mit geringerer Wahrscheinlichkeit – fu¨r
die Zwischenpopulation ausgewa¨hlt werden ko¨nnen. Wie in Abschnitt 4.4.1.2 beschrieben, wird
eine Linie generiert, deren La¨nge der Summe aus den einzelnen Fitnesswerten entspricht, hier
den Individuen der Zwischenebenen topologischer Ausrichtung. Bild 7.5 verdeutlicht den Ablauf
einer Roulette-Wheel-Selektion im EOGUI-Algorithmus.
Zuna¨chst wird mit Φmax nach Gleichung 7.11 die La¨nge
Bild 7.5: Auswahl von Individuen:
Roulette-Wheel-Selektion
im EOGUI-Algorithmus
der Linie bestimmt. Fu¨r die Segmentierung der Linie wird
ein Faktor 100/Φmax gebildet, der eine prozentuale Ein-
teilung ermo¨glicht30. Die Breite der Abschnitte ist propor-
tional zur Fitness der einzelnen Individuen31, betra¨gt aber
mindestens den Wert 1. Auf diese Weise wird auch Individu-
en mit niedriger Fitness (keine Aktionen, schlechte Bewer-
tungen) die minimale Chance eingera¨umt, Nachkommen in
die neue Population zu entsenden. Innerhalb der Roulette-
Wheel-Selektion des EOGUI-Algorithmus existieren zwei
Auswahlverfahren: die Individuen-bezogene und die Indivi-
duentyp-bezogene Auswahl. Beide Verfahren gelten fu¨r die Auswahl von Individuen fu¨r die
Zwischen- und die Elementebene32.
• Individuen-bezogene Auswahl: Diese Form der Auswahl wirkt sich auf die einzelnen Indi-
viduen aus, d.h. Individuen des gleichen Typs Tt ko¨nnen in der neuen Oberfla¨che un-
terschiedliche Visualisierungen besitzen. Die maximale Fitness und die Segmentbereiche
werden nach den folgenden Gleichungen bestimmt (Es gilt: i = 1, . . . , NEeI ):
Φmax
(
IT
t,Pn
i
)
=
Ntpo
P∑
n=1
ϕ
(
IT
t,Pn
i
)
(7.11)
Φstartn =
 0 : n = 1Φendn−1 + 1 : n > 1 (7.12)
Φendn =

Φstartn + 1 : ϕ
(
IT
t,Pn
i
)
= 0
Φstartn +
100
Φmax
ϕ
(
IT
t,Pn
i
)
: ϕ
(
IT
t,Pn
i
)
6= 0
(7.13)
• Individuentyp-bezogene Auswahl: In diesem Auswahlverfahren betrifft die Selektion alle
Individuen eines bestimmten Individuentyps. Eingefu¨hrt wird diese Art speziell fu¨r Indi-
viduen gleichen Typs, deren graphische Darstellung konsistent gehalten werden soll. Der
maximale Segmentwert Φmax wird hier nicht fu¨r einzelne Individuen bestimmt, sondern
entsprechend den Gleichungen 7.14 und 7.15 aus dem Mittelwert der Fitness ϕ¯ bezogen
auf einen Individuentyp Tt. Die Gleichungen 7.16 und 7.17 entsprechen den Gleichungen
29Darstellung der Untersysteme als Virt3D, TOP oder EIDtpo
30Die prozentuale Einteilung erlaubt eine bessere U¨bersicht und Kontrolle der Ergebnisse in der Testphase.
31Die Segmentla¨nge la¨sst sich mit der Fortpflanzungswahrscheinlichkeit von Abschnitt 4.4.1.1 gleichsetzen.
32Siehe Abschnitt 7.4.2.3 und 7.4.2.4.
107
7.4 Selektion
7.12 und 7.13 mit dem Unterschied, dass statt der Fitness des einzelnen Individuums
die mittlere Fitness ϕ¯(TPnt ) des Individuentyps verwendet wird. Es gilt: i = 1, . . . , N
Ee
I ;
n = 1, . . . , NP tpo und t = Rohrleitung, Verzweigung, Zusammenfu¨hrung.
ϕ¯
(
TPnt
)
=
1
NITt Pn
N
ITt Pn∑
i=1
ϕ
(
ITt Pni
)
(7.14)
Φmax (Tt) =
Ntpo
P∑
n=1
ϕ¯
(
TPnt
)
(7.15)
Φstartn =
 0 : n = 1Φendn−1 + 1 : n > 1 (7.16)
Φendn =

Φstartn + 1 : ϕ¯
(
TPnt
)
= 0
Φstartn +
100
Φmax
ϕ¯
(
TPnt
)
: ϕ¯
(
TPnt
)
6= 0
(7.17)
Im Anschluss an die Segmentierung wird fu¨r jedes auszuwa¨hlende Individuum der topolo-
gisch orientierten Zwischenebene eine gleichverteilte Zufallsvariable ζ im Bereich [0, 100] erzeugt.
Die Zufallsvariable bestimmt, welches Individuum in die Zwischenpopulation und spa¨ter in die
neue Population u¨bernommen wird.
Ii (Pt)→ Iq(PZ) ∀ i : Φstart (Ii (Pt)) ≤ ζ ≤ Φend (Ii (Pt))
7.4.2.2 Bestimmung der Grundstruktur – Auswahl von Individuen fu¨r die U¨bersichtsebene
Im na¨chsten Schritt der Individuenauswahl fu¨r die neue Oberfla¨che wird u¨ber deren Grund-
struktur entschieden. Diese Grundstruktur wird von der Fitness der Ausgangsu¨bersichten, klas-
sifiziert nach topologisch- und kognitions-orientierter Ausrichtung, bestimmt. Zu den topolo-
gischen Ausrichtungen za¨hlen die U¨bersichten der Virt3D- und der TOP-Oberfla¨che sowie der
topologische Teil der EID-Oberfla¨che (EIDtpo). Fu¨r die kognitions-orientierte Ausrichtung findet
zuna¨chst nur die U¨bersicht der MFM-Oberfla¨che Beru¨cksichtigung. Die EID-Mappings werden
gesondert behandelt, da sie in beide Ausrichtungen passen (siehe Abschnitt 7.5.2). Zuna¨chst
werden fu¨r die topologisch orientierten Sichten die maximalen Fitnesswerte der U¨bersichtsebene
bestimmt und in einer ”mittleren maximalen” Fitness nach Gleichung 7.18 zusammengefasst
33.
Fu¨r die kognitions-orientierte Ausrichtung der MFM-U¨bersicht besteht keine Auswahlmo¨glich-
keit zwischen unterschiedlichen Auspra¨gungen. Aus diesem Grund wird die maximale Fitness
der MFM-U¨bersichtsebene nur aus den Individuen der Klassen Zielhierarchie und Ziel nach
Gleichung 7.19 berechnet. Fu¨r beide Werte wird u¨ber die Anzahl der beru¨cksichtigten Indivi-
duen gemittelt, um eine Vergleichbarkeit der Werte zu erreichen. Der ho¨here der beiden Werte
aus den Gleichungen 7.18 und 7.19 entscheidet u¨ber die Grundstruktur der neuen Oberfla¨che
(Gleichung 7.20). Diese Form der Auswahl entspricht der im Abschnitt 4.4.1.2 beschriebenen
Truncation Selektion mit der Auswahl nur eines Individuums bzw. dem in Abschnitt 4.4.4
beschriebenen Verfahren des Elitest-Wiedereinfu¨gens, da nur die bessere der beiden Darstellun-
gen u¨bernommen wird. Fu¨r den sehr unwahrscheinlichen Fall der Wertegleichheit entscheidet
der Zufall u¨ber die neue Grundstruktur. Fu¨r Gleichung 7.18 gilt n =Virt3D,TOP,EIDtpo, fu¨r
Gleichung 7.19 ist n = MFM und fu¨r beide gilt e = MAIN
33Beispielsweise wird fu¨r das Untersystem SUB01 2 Regulierung Wasseranschluss gepru¨ft, welche Auspra¨gung
(Population Virt3D, TOP oder EIDtpo) die ho¨chste Fitness besitzt.
108
7.4.2 Auswahl von Individuen
ϕ¯MAINtpo =
1
N tpo
IEe
Ntpo
IEe∑
i=1
ϕmax
(
IEe Pni
)
(7.18)
ϕ¯MAINkgo =
1
Nkgo
IEe
Nkgo
IEe∑
i=1
ϕ
(
IEe Pni
)
(7.19)
EOGUIMAIN =

tpo : ϕ¯MAINtpo > ϕ¯MAINkgo
kgo : ϕ¯MAINtpo < ϕ¯
MAIN
kgo
(7.20)
7.4.2.3 Auswahl von Individuen fu¨r die Zwischenebenen
Fu¨r die topologisch-orientierten Individuen der Zwischenebene gilt nur das oben beschriebene
Verfahren der Individuen-bezogenen Auswahl, da sich hier verschiedene Individuen der Kom-
ponentenklasse zu den Individuen der Unter- bzw. Teilsysteme zusammensetzen.
Wie bereits angedeutet bilden die EID-Mappings einen Sonderfall, da sie in beide Grund-
strukturen passen. Die Mappings erscheinen auf der topologisch orientierten Zwischenebene,
wenn ihre Fitness mindestens so hoch ist wie die Fitness der anderen Individuen dieser Ebene.
Dafu¨r werden die mittleren Fitnesswerte fu¨r die verschiedenen Auspra¨gungen der Individuen
ermittelt und mit den entsprechenden Mappings verglichen (es gilt: e = ZWISCHEN; n = EOGUI;
t = MAPPING und r = 1, . . . , NT tpo).
∆ϕ
(
ITt,Eei
)
= ϕ
(
ITt,Eei
)
− 1
NITt,Ee
N
I
T
tpo
r Ee∑
i=1
ϕ
(
I
T tpor Ee
i
)
κvis
(
ITt,Ee Pni
)
=

true : ∆ϕ
(
ITt,Eei
)
≥ 0
false : ∆ϕ
(
ITt,Eei
)
< 0
Fu¨r die kognitions-orientierte MFM-Sicht mu¨ssen keine gesonderten Auswahlverfahren an-
gewandt werden, da fu¨r diese Individuen keine Auswahlmo¨glichkeit besteht. Die weitere Anpas-
sung vollzieht sich durch die Operatoren Rekombination und Mutation.
7.4.2.4 Auswahl von Individuen fu¨r die Elementebene
Fu¨r die Individuen der Elementebene gelten die gleichen Prinzipien wie fu¨r die Individuen
der Zwischenebene. Neben der Individuen-bezogenen Auswahl ist zusa¨tzlich die Individuentyp-
bezogene Auswahl mo¨glich. Auch hier wird fu¨r die topologisch-orientierte Sicht zwischen ver-
schiedenen Individuen ausgewa¨hlt. Anstelle der Individuen vom Typ Untersystem der Klasse
System sind die Individuentypen der Komponenten betroffen. Fu¨r die Individuen der Kompo-
nentenklassen werden in der gleichen Weise wie oben die Individuen fu¨r die neue Oberfla¨che
ausgewa¨hlt. Fu¨r alle topologisch-orientierten Individuen der Komponentenklasse, die vom Typ
Rohrleitung, Verzweigung oder Zusammenfassung sind, gilt ausschließlich die Individuentyp-
bezogene Auswahl. So wird erreicht, dass die Verbindung zwischen den Individuen konsistent
ist. Fu¨r die Mapping- und MFM-Individuen der Elementebene gilt ebenfalls das Gleiche wie
fu¨r die Zwischenebene. Die Existenz von Mapping-Individuen in der neuen Oberfla¨che ha¨ngt
auch hier von der Abweichung ihrer Fitness zu den anderen Individuen ab. Die Flussfunktio-
nen der MFM-Population mu¨ssen, wie schon auf der Zwischenebene, keinem Auswahlverfahren
unterzogen werden und passen sich durch die Rekombination und die Mutation weiter an.
109
7.5 Rekombination
7.4.3 Wachstum von Individuen
Eine direkte Folge der Fitnesszuweisung in der Selektion ist die A¨nderung der Gro¨ßeneigenschaft
von Individuen. Entsprechend ihrer Fitness werden Individuen einem positiven bzw. negativem
Wachstum unterworfen. Entspricht die Fitness eines Individuums der maximalen Fitness fu¨r alle
Individuen der gleichen Klasse, des gleichen Typs und und der gleichen Ebene, wa¨chst dieses
Individuum am sta¨rksten. Entsprechend wird umgekehrt das Individuum mit der niedrigsten
Fitness am sta¨rksten verkleinert. Ha¨ufiger ausgewa¨hlte und besser bewertete Individuen werden
so auffa¨lliger dargestellt als weniger ha¨ufig ausgewa¨hlte oder schlechter bewertete Individuen.
Das Wachstum errechnet sich aus einem Faktor Fsiz34 multipliziert mit dem Verha¨ltnis zwischen
der Fitness eines Individuums ϕ(IPni ) und der maximalen Fitness aller Individuen der gleichen
Klasse, Ebene und Population. Allerdings ist das Wachstum nach oben auf den Faktor F siz = 2
und nach unten auf 0, 75 begrenzt, um U¨berdeckungen oder nicht mehr erkennbare Individuen
zu vermeiden.
κsiz,w
(
IKc Ee Pni
)
= F siz
ϕ
(
IKc Ee Pni
)
ϕmax
(
IKc Ee Pnk
) κsiz (IKc Ee Pni )
7.5 Rekombination
In der Rekombination werden aus den Individuen der Zwischenpopulation Nachkommen er-
zeugt. Fallen durch die in Abschnitt 7.4.2.1 beschriebene Truncation-Selektion alle Individuen
fu¨r die Darstellung einer Komponente oder Funktion bis auf eines weg, wird das das Verfah-
ren der Rekombination durch Replikation angewandt. Voraussetzung fu¨r die Rekombination
verschiedener Individuen ist die Mo¨glichkeit einer ebenfalls in Abschnitt 7.4.2.1 beschriebenen
Mehrfachauswahl gleicher bzw. u¨ber das Ziel-Mittel-Modell verbundener Individuen. In die-
sem Fall erfolgt die Generierung der Nachkommen nicht durch Replikation, sondern u¨ber die
Rekombination durch Individuen-Kombination oder durch die Rekombination der Form.
7.5.1 Rekombination durch Replikation
Aus einem Individuum, das als einziges Elter IEi fu¨r die Modellierung eines bestimmten An-
lagenteils oder einer Anlagenfunktion in die Zwischenpopulation eingegangen ist, wird durch
einfaches Kopieren (Replikation) ein Nachkomme IDp erzeugt (Gleichung 7.21). Dieser Nach-
komme entspricht in seinen Eigenschaften dem Elter-Individuum und wird ggf. durch den Mu-
tationsoperator von Abschnitt 7.6 weiter vera¨ndert.
IEi (P
z)→ IDp (P z) (7.21)
7.5.2 Rekombination durch Kombination
U¨ber die Rekombination durch Ebenen-Kombination lassen sich Bezu¨ge innerhalb der Zwischen-
ebenen als Ganzes generieren. Liegt die U¨bereinstimmung der Fitnesswerte der Individuen der
Zwischenebenen der topologisch-orientierten Sicht auf der einen und der kognitions-orientierten
Sicht auf der anderen Seite u¨ber 0.8 (80%), la¨sst sich die jeweils andere Sicht u¨ber einen zusa¨tz-
lichen Navigationsschalter ( ) aufrufen.
34Der Faktor Fsiz ist fu¨r diese Arbeit mit 1.25 festgelegt. Fu¨r ein Verha¨ltnis ϕ(I
Pn
i )/ϕmax(I
Pn
k
) = 0.8 bleibt
die Gro¨ße eines Individuums unvera¨ndert.
110
7.5.3 Rekombination der Form
In der Rekombination durch Indivi-
SYS MAP
MAP –
GOA
Flüssigkeit
entnehmen
Temperatur
halten
Flüssigkeit
entnehmen
FST
Flüssigkeit
bereitstellen
Flüssigkeit
zuführen
Flüssigkeit
aufnehmen
Flüssigkeit
bereitstellen
Flüssigkeit
zuführen
Flüssigkeit
aufnehmen
Tabelle 7.9: Rekombination durch Kombination:
U¨bersichts- und Zwischenebene
duen-Kombination werden die Individu-
en wie bei der Replikation vollsta¨ndig
u¨bernommen, jedoch durch Visualisie-
ren der Bezu¨ge zueinander miteinander
verbunden. Diese Rekombinationsform
spielt sich auf der U¨bersichts-, Zwischen-
und der Elementebene ab. Angewandt
wird das Verfahren auf die Klassen Sys-
tem, Mapping, Ziel, Flussstruktur,
Komponente und Flussfunktion. Die
Tabelle 7.9 zeigt die mo¨glichen Rekom-
binationen durch Individuen-Kombina-
tion fu¨r die U¨bersichts- und Zwischen-
ebene.
IE1i , I
E2
j → ID1p , ID2q
Die MFM-Modellbildung separiert in ihrer Darstellung
Flüssigkeit
bereitstellen
Flüssigkeit
zuführen
Flüssigkeit
aufnehmen
Bild 7.6: Rekombination durch Kom-
bination: Elementebene
Massen- und Energieflu¨sse. EID wiederum stellt in seinen
Mappings die Prozesse in Graphen dar, die sich auf Energie-
und Massenbilanzen zuru¨ckfu¨hren lassen. Auf dieser Grund-
lage lassen sich MFM und EID fu¨r die Rekombination ver-
binden. Fu¨r die Flussstrukturen gilt das Gleiche wie fu¨r
Ziele. Flussstrukturen bilden die Massen- und Energieflu¨sse
des Systems ab und ko¨nnen auf diese Weise mit den jeweili-
gen EID-Mappings verbunden werden. Nimmt man noch die
Untersystem-Individuen hinzu, die u¨ber das Ziel-Mittel-Modell mit den MFM-Flussstrukturen
verbunden sind bzw. zur entsprechenden Massen- oder Energiebilanz geho¨ren, ko¨nnen die ge-
nannten Objekte auf dieser Basis rekombiniert werden. Auf der Elementebene lassen sich die
Individuenklassen Komponente und Flussfunktion durch Kombination rekombinieren. Genutzt
wird die Realisierungsbeziehung von MFM aus dem Abschnitt 2.3.6.5, die angibt, wie Funktio-
nen von Komponenten realisiert werden. Durch umgekehrtes Nachfragen la¨sst sich ermitteln,
welche Funktionen eine Komponente realisiert. Das Bild 7.6 zeigt die jeweiligen Rekombinations-
mo¨glichkeiten.
7.5.3 Rekombination der Form
Angewandt wird diese Rekombination auf
( ) ( )jj >
( ) ( )jj <
Bild 7.7: Rekombination der Form: Beispiel
die Abschnitt 7.2.2.1 beschriebenen Individuen-
Eigenschaften der inneren und a¨ußeren Form
des Nachkommens. Die Idee hinter dieser Re-
kombinationsart ist das Verschmelzen von Sym-
bolen verschiedener Abstraktionsgrade in ei-
nem Symbol. Ein Virt3D-Symbol der niedrig-
sten Abstraktionsstufe ko¨nnte dann auch abstraktere Elemente als Hinweis auf seine Funk-
tion enthalten35. U¨ber die markantere a¨ußere Form des Nachkommens entscheidet nach Glei-
chung 7.22 das Elter-Individuum mit der ho¨heren Fitness36. Fu¨r die innere Form des Nach-
kommens kombinieren sich die inneren Formen der Eltern-Individuen. Mo¨glich ist die Form-
Rekombination fu¨r die Individuen der Komponenten- und Flussfunktionsklasse auf der Element-
Ebene. Um das entstehende Symbol fu¨r den Nachkommen nicht zu u¨berfrachten, wird dessen
35Siehe im Anhang Bild B.1, oder fu¨r die Rekombination TOP/MFM Bild B.2.
36Fu¨r den unwahrscheinlichen Fall gleicher Fitnesswerte entscheidet auch hier der Zufall.
111
7.6 Mutation
Bildung auf die Eigenschaften der zwei Eltern mit der ho¨chsten Fitness begrenzt. Das Bild 7.7
zeigt exemplarisch die Anwendung der Form-Rekombination fu¨r einen TOP-Wa¨rmetauscher
und ein MFM-Quellen-Individuum.
IE1i + I
E2
j → IDp (7.22)
Es existieren, a¨hnlich wie bei der Auswahl von Individuen in der Selektion von Abschnitt
7.4.2.1, zwei Anwendungsarten der Form-Rekombination.
Indviduen-orientierte Rekombination der Form:
Pumpe
V
ir
t3
D
Ventil Wärme-tauscher Förderer Motor Regler Anz.
FC TM
T
O
P
R
e
k
o
m
b
in
a
ti
o
n
Vi
rt3
D
TO
P
j
TO
P
Vi
rt3
D
j
>
j
j
>
Beh.
M
FC
T
TM FC
Bild 7.8: Rekombination der Form: TOP- und
Virt3D-Individuen
In diesem Fall vollzieht sich die Rekombination fu¨r
einzelne Individuen mit der entsprechenden Fit-
ness.
Indviduentyp-orientierte Rekombination der Form:
In Abwandlung der Truncation-Selektion von Ab-
schnitt 7.4.2.1 werden nicht einzelne Individuen
fu¨r die Rekombination herangezogen, sondern alle
Individuen eines bestimmten Individuentyps. Be-
trachtet wird auch hier der Fitnessmittelwert u¨ber
die beiden zu verschmelzenden Individuentypen.
Liegt dieser bei einer U¨bereinstimmung von 80%,
werden alle Individuen dieser Typen in Bezug auf die innere und a¨ußere Form rekombiniert. Das
Bild 7.8 zeigt die Mo¨glichkeiten der Form-Rekombination von TOP- und Virt3D-Individuen.
Die weiteren Mo¨glichkeiten zwischen TOP und MFM sowie zwischen Virt3D und MFM zeigen
die Bilder B.1 und B.2 des Anhangs (Abschnitt B.2).
7.6 Mutation
Die Mutation vera¨ndert die Nachkom- Eigen- Individuenklasse
schaft SYS CMP MAP GHR GOA FST FFK
κsizI – × × – × – ×
κsizBEZ – × × – × – ×
κcbg × – – × – × –
κcfl – ×37 × – – – –
κclm – – × – – – –
κclc – – – – × – –
κcid – × × – × – ×
κ3D × × × – – – ×
κanm × × – – – – ×
Tabelle 7.10: Mutation: Vera¨nderungen von Eigen-
schaften
× : Mo¨gliche Mutation
– : Keine Mutation
men, allerdings mit niedriger Wahrschein-
lichkeit. Fu¨r die Individuen werden einige
der in Abschnitt 7.2.2.1 genannten Eigen-
schaften vera¨ndert, jedoch maximal eine pro
Individuum und Optimierungsdurchgang.
Die Tabelle 7.10 nennt die mo¨glichen Mu-
tationen im Rahmen des EOGUI-Algorith-
mus.
IDi
(
PZ
)→ I´Di (PZ)
Gro¨ßena¨nderungen sind fu¨r die Klassen
Komponente, Mapping, Ziel und Fluss-
struktur mo¨glich, jedoch fallen sie gerin-
ger aus als die in Abschnitt 7.4.3 beschrie-
benen Wachstumsgro¨ßen. Die Animations-
eigenschaft wird durch die Mutation auf den
Wert true gesetzt, so dass sich, wie auch
fu¨r die 3D-Einstellung, quasi ”neue” Eigen-
schaften aktiv schalten.
37Die Fu¨llung der Fu¨llstandsdarstellung des Typs Beha¨lter wird mutiert, siehe Abschnitt 6.1.3, Tabelle 6.1.
112
Mit τmut wird die Gro¨ße des Mutations-
Bild 7.9: Mutation: Bereiche und Zuordnung
status eingefu¨hrt. Dieser Status gibt an, in
welchem Ausmaß sich die Mutation auf ein
Individuum auswirkt. Die diskreten Werte
fu¨r τmut ko¨nnen zwischen NO MUTATION -
RATE (keine Mutation) und MAX MUTATION -
RATE (gro¨ßtmo¨gliche Mutation) liegen. Wel-
chen Wert τmut annimmt, entscheidet sich
durch den fu¨r jedes Individuum neu zu ge-
nerierenden Wert der gleichverteilten Zu-
fallsvariablen ζmut[1, 100]. Deren Wert be-
stimmt nach Gleichung 7.23 die konkrete
Auswirkung der Mutation δmut durch Zu-
ordnen zu einem von den Mutationsgren-
zen ιmutmin und ι
mut
max bestimmten Bereich
38.
Fu¨r die kontinuierlichen Eigenschaften der
Gro¨ße und Farbe werden die Werte entspre-
chend demMutationsbereich vera¨ndert. Der
Wert diskreter Eigenschaften (Animation,
3D, etc.) wird umgeschaltet, wenn der Mu-
tationsstatus unter der mittleren Grenze
ιMID MUTATION RATE liegt, siehe auch Bild 7.9.
δmut ∼ 1
τmut
τmut
(
IPni
)
=

MAX MUTATION RATE : ζmin ≤ ζ ≤ ιMAX MUTATION RATE
UPPER MUTATION RATE : ιMAX MUTATION RATE < ζ ≤ ιUPPER MUTATION RATE
MID MUTATION RATE : ιUPPER MUTATION RATE < ζ ≤ ιMID MUTATION RATE
LOWER MUTATION RATE : ιMID MUTATION RATE < ζ ≤ ιLOWER MUTATION RATE
NO MUTATION RATE : ιLOWER MUTATION RATE < ζ ≤ ζmax
(7.23)
7.7 Reinsertation
Da jedes Individuum der Zwischenpopulation genau einen Anlagenteil oder eine Anlagenfunkti-
on modelliert und mehrere Konkurrenten fu¨r die Darstellung existieren ko¨nnen, ist festzulegen,
welches Individuum der Zwischenpopulation PZ in die neue Population P t+1 eingehen darf.
Beim vorliegenden Reinsertationsverfahren handelt es sich gema¨ß Abschnitt 4.4.4 um eine Form
des einfachen Wiedereinfu¨gens, wenn hier auch nicht – wie dort erforderlich – die Anzahl der
zu generierenden Nachkommen a priori festgelegt werden kann. Existiert nur ein Nachkomme
(Rekombination durch Replikation), wird dieser direkt in die neue Population u¨bernommen.
Stehen mehrere Individuen zur Auswahl, werden bei erfolgter Rekombination durch Kombina-
tion die beiden verbundenen Nachkommen bzw. der bei Rekombination der Form generierte
und ggf. mutierte Nachkomme u¨bernommen und die Eltern verworfen. Im Unterschied zum
Verfahren von Abschnitt 4.4.4 ersetzen die Nachkommen fu¨r den ersten Lauf der Optimierung
nicht die Individuen der Ursprungspopulation, sondern bilden eine neue eigene Population. Fu¨r
alle weiteren La¨ufe mit der neuen Population werden Individuen durch die Nachkommen ersetzt
(es gilt: i = 1, . . . , NIPZ ).
I´Di
(
PZ
)→ Ij (Pt+1)
Die einzufu¨genden Nachkommen ko¨nnen auch vollsta¨ndig den Eltern-Individuen entspre-
chen. Dies ist der Fall, wenn ausschließlich Rekombination durch Replikation und keine Muta-
tion stattfindet.
38ιMAX MUTATION RATE = 5, ιUPPER MUTATION RATE = 15, ιMID MUTATION RATE = 30 und ιLOWER MUTATION RATE = 50
113
7.8 Umsetzung des EOGUI-Algorithmus
7.8 Umsetzung des EOGUI-Algorithmus
Die Software-technische Umsetzung des EOGUI-Algorithmus ist in das Software-Paket von
Kapitel 6 integriert. Programmiert sind verschiedene Klassen fu¨r die in den Abschnitten 7.4 bis
7.7 beschriebenen Abstraktionen evolutiona¨rer Mechanismen.
7.8.1 Struktur der Programmierung
Im Bild 7.10 ist in Erweiterung
Bild 7.10: Struktur der Programmierung: Zusammenha¨nge
zwischen den allgemeinen Klassen und den Klas-
sen der Evolutiona¨ren Optimierung
zum Bild 6.1 die Struktur der Pro-
grammierung mit der Evolutiona¨ren
Optimierung zu sehen. Die Klassen
fu¨r die Modellbildung erben die Ei-
genschaften der allgemeinen Klasse
evolutionary optimization. Hier
sind die fu¨r die Umsetzung der Evo-
lutiona¨ren Optimierung no¨tigen Va-
riablen und Grundfunktionen enthal-
ten. Die eigentliche Optimierung er-
folgt durch die Aufrufe der Perform-
EvoMechanism-Funktionen der EO-
GUI-Formularklasse. Die Argumente
dieser Funktionen SELECTION, RE-
COMBINATION, MUTATION und REIN-
SERTATION rufen die entsprechenden
abstrahierten Mechanismen auf. Die
Objektiv-Adaption mit der Bestim-
mung der objektiven Kriterien und
Zielfunktionen findet in der Formu-
larklasse evolutionary optimization objective adaption statt, entsprechend die Subjektiv-
Adaption. Die Klasse . . . subjective questionaire entha¨lt den Online-Fragebogen fu¨r die
subjektive Bewertung durch den Bediener. U¨ber die Funktionen und Funktionsaufrufe der
EOGUI-Formularklasse werden die neuen topologisch-orientierten Individuen initialisiert und
deren Eigenschaften im VTE39-Modell auf die durch Selektion, Rekombination und Mutati-
on angepassten bzw. vera¨nderten Werte gesetzt. Fu¨r die optimierten MFM-Individuen wird
aus Vereinfachungsgru¨nden auf die bereits existierenden Individuen im MFM-Modell zuru¨ck-
gegriffen und deren Visualisierung entsprechend vera¨ndert. Die Formularklassen vte main und
vte sub. . . enthalten die optimierten topologisch-orientierten Individuen, von denen die un-
vera¨nderten Steuerungen und Anzeigen aufgerufen werden ko¨nnen.
7.8.2 Klassen und Funktionen
Im folgenden werden die wichtigsten Klassen und deren Eigenschaften der EOGUI-Umsetzung
kurz angesprochen. Die Umsetzung der Klassen als Formularklassen wurde gewa¨hlt, da so die
Abla¨ufe zu Testzwecken gesteuert und die Ergebnisse (numerische Daten) direkt eingesehen
werden ko¨nnen.
Evolutionary Optimization: Basisklasse der Evolutiona¨ren Optimierung und als einzige nicht
als Formularklasse umgesetzt. Sie entha¨lt alle wichtigen Variablen, wie z.B. die struct-Objekte
assortment[. . .].frequency und .time fu¨r die Auswahlha¨ufigkeit und Aufschaltzeit oder ob-
jective criterion[].value und subjective criterion[].value fu¨r die Werte der objek-
tiven und subjektiven Kriterien von Abschnitt 7.4.1.4 und Abschnitt 7.4.1.5. Die wichtigste
Funktion dieser Klasse ist AssortmentTime(. . .), u¨ber die die Aufschaltzeit bestimmt wird.
39VTE: Virt3D, TOP, EIDtpo.
114
7.8.2 Klassen und Funktionen
Evolutionary Optimization Objective Adaption: Die Formularklasse, mit der der Hauptteil der
Objektiv-Adaption umgesetzt ist. Das Hochza¨hlen der Auswahlha¨ufigkeiten passiert in den
Modellbildungsklassen. An dieser Stelle werden aus den Ha¨ufigkeiten und Zeiten die Werte der
objektiven Kriterien von Abschnitt 7.4.1.4 und daraus die objektiven Zielfunktionen von Ab-
schnitt 7.4.1.3 bestimmt. Die wichtigsten Funktionen sind die CalculateObjectiveCriteria(. . .)
und CalculateObjectiveGoalFunction(. . .)-Funktionen fu¨r die Berechnungen und PerformObjec-
tiveEvaluation() als aufrufende Funktion aller Berechnungen.
Evolutionary Optimization Subjective Adaption: Die Formularklasse der Subjektiv-Adaption
entspricht strukturell ihrem objektiven Gegenstu¨ck, jedoch mit der Ausrichtung auf die subjek-
tiven Kriterien von Abschnitt 7.4.1.5 und Zielfunktionen zur Verarbeitung der Fragebogendaten.
Evolutionary Optimization Subjec-
Bild 7.11: Subjektiv-Adaption: Screenshot Online-Fragebogen
tive Questionaire: Im Bild 7.11 ist
der Online-Fragebogen aus dieser For-
mularklasse zu sehen, mit dem die
subjektiven Kriterien erfasst werden.
Die wichtigsten Funktionen sind Set-
EvaluationGrade(. . .) fu¨r das Auf-
nehmen der aktuellen Bewertung und
PerformSubjectiveEvaluation fu¨r
die Berechnungen. Im oberen Teil des
Fragebogens stehen das u¨bergeord-
nete Kriterium und die Fragestellung.
Unten rechts befinden sich vier TIma-
ge-Objekte, die Graphiken in Bezug
auf die Fragestellung enthalten. Die-
se Graphiken sollen das Verstehen der
Frage unterstu¨tzen. Unten links sind
die Felder positioniert, mit denen der Bediener seine Bewertungen abgeben kann. Die Schalt-
fla¨chen oben rechts dienen der Navigation und dem Absetzen einer Meldung an den Versuchs-
leiter fu¨r den Fall von Unklarheiten in der Fragestellung.
EOGUI: Dies ist das Hauptformular
Bild 7.12: EOGUI-Steuerung: Screenshot Formular
der Evolutiona¨ren Optimierung. Von
hier aus kann der gesamt Ablauf des
Algorithmus gesteuert werden. Die
wichtigsten Funktionen sind die Per-
form. . .-Funktionen fu¨r die verschie-
denen Funktionsaufrufe aus den un-
ten beschriebenen Formularklassen
der Objektiv- und Subjektiv-Adap-
tion. Die eigentliche Anpassung voll-
zieht sich in den Modellbildungsklas-
sen durch die Adapt. . . (. . .)- und Ad-
just. . . (. . .)-Funktionen.
Die weiteren Klassen der Evolu-
tiona¨ren Optimierung – . . . objec-
tive analysis, . . . subjective -
analysis40, . . . goalfunction -
analysis41 und . . . fitnesscape42
– dienen der U¨berpru¨fung und Ana-
lyse der generierten Daten.
40Auswertung der objektiven und subjektiven Kriterien.
41Auswertung der objektiven und subjektiven Zielfunktionen.
42Graphische Darstellung der Individuen-Fitness.
115
8 Bewertung der Evolutiona¨ren
Optimierungs-Methodik EOGUI
Zum U¨berpru¨fen der Funktionalita¨t (Anpassen der Bedienoberfla¨che an die Bedu¨rfnisse und
Pra¨ferenzen der Probanden) und der Wirksamkeit (Verbesserung der Handhabung technischer
Prozesse) der entwickelten EOGUI-Methodik wird diese einer experimentellen Untersuchung
ausgesetzt. Im Experiment haben mehrere Probanden verschiedene Aufgabenszenarien mit den
Graphischen Bedienoberfla¨chen der Ursprungspopulationen (Virt3D, TOP, EID, MFM) und mit
der individuell generierten EOGUI-Oberfla¨che zu durchlaufen. Fu¨r beide Teile werden objektive
und subjektive Maße fu¨r den Vergleich vorher/nachher erhoben. Gegenstand dieses Kapitels
sind die Experimentierumgebung, die Planung, Durchfu¨hrung und Auswertung des Experiments
sowie die Ergebnisse des EOGUI-Algorithmus.
8.1 Experimentierumgebung und Versuchsaufbau
Mit der Experimentierumgebung wird die verwendete Hardware aufgezeigt. Der Versuchsaufbau
beschreibt die Zusammenha¨nge der Erfassung und Auswertung der Experimentdaten.
Experimentierumgebung:Mit der Experimentierumgebung
Bild 8.1: Experimentierumgebung
ist die Voraussetzung fu¨r das durchzufu¨hrende Experiment
geschaffen. Zur Umgebung geho¨ren ein Graphik-Rechner,
der neben den Graphischen Bedienoberfla¨chen auch die Si-
mulation des MIPS-Prozesses rechnet und ein Leitrechner.
Von diesem Rechner aus wird der Ablauf des Experiments
gesteuert und u¨berwacht. Der Graphikrechner und der Leit-
rechner stehen ra¨umlich getrennt, sind aber u¨ber Intranet
miteinander verbunden. Ein 24“-Monitor wurde verwendet,
um die verschiedenen Sichten ausreichend positionieren und gleichzeitig darstellen zu ko¨nnen.
Versuchsaufbau:Der Versuchsleiter lo¨st auf dem Leit-
Bild 8.2: Versuchsaufbau
rechner u¨ber ein Steuerungsprogramm den Experi-
mentablauf aus, alles weitere folgt automatisch. Auf
dem Graphikrechner werden im Laufe der Szenari-
en alle Aktionen der Probanden1 fu¨r beide Expe-
rimentteile (vor/nach der Optimierung) ebenso wie
die subjektiven Bewertungen durch die Software auf-
gezeichnet und daraus Text-Dateien generiert. Die
Rohdaten der Bewertungen werden u¨ber eine MS-
Access-Datenbank aufbereitet und u¨ber das Statistik-
programm SPSS ausgewertet.
1Siehe Abschnitt 7.4.1.4.
116
8.2 Versuchsplanung
In der Versuchsplanung werden die unabha¨ngigen und abha¨ngigen Variablen der Untersuchung
festgelegt, die Bewertungskriterien gebildet, die Hypothesen u¨ber den Ausgang des Experiments
formuliert, die Probanden bestimmt und die statistische Auswertung geplant. Beim Versuchs-
plan handelt es sich um ein gemischtes Modell, da die festen Faktoren der Bedienoberfla¨chen,
der Szenarien und der zufa¨llige Faktor der Probanden existieren. Das Experiment la¨sst sich
fu¨r die Kriterien der Bewertung analog zu der in Abschnitt 7.4.1 eingefu¨hrten Objektiv- und
Subjektiv-Adaption in einen objektiven und einer subjektiven Teil einordnen.
8.2.1 Variablen der Untersuchung
Der Untersuchungsgegenstand wird in Form von unabha¨ngigen Variablen ηidp, die Kriterien der
Bewertung als abha¨ngige Variablen ηdep festgelegt. Die abha¨ngigen Variablen sind die Gro¨ßen,
die durch Variation der unabha¨ngigen Variablen gemessen werden sollen. Damit sich die sub-
jektiven Kriterien der abha¨ngigen Variablen messen lassen ko¨nnen, mu¨ssen sie operationalisiert
werden. Dies erfolgt durch die in Abschnitt 7.4.1.5 beschriebenen Ordinalskalen.
8.2.1.1 Unabha¨ngige Variablen
Die graphischen Bedienoberfla¨chen, die Szenarien, die Probanden sowie deren Vorbildung und
die Ausrichtung der EOGUI-Oberfla¨che sind die unabha¨ngigen Variablen.
Graphische Bedienoberfla¨chen: Die erste unabha¨ngige Vari-
i ηidpguii Oberfla¨che
1 VTEM Virt3D, TOP,
EID, MFM
2 EOGUI EOGUI
Tabelle 8.1: Unabha¨ngige Var.:
Bedienoberfla¨chen
able der graphischen Bedienoberfla¨chen besitzt zwei Auspra¨-
gungen. Die Variable ηidpgui1 steht fu¨r die vier vor Durchfu¨hrung
des EOGUI-Algorithmus zur Verfu¨gung stehenden Bedienober-
fla¨chen der Virt3D-, TOP-, EID- und der MFM-Modellbildung.
Die Variable ηidpgui2 steht fu¨r die vom EOGUI-Algorithmus gene-
rierte Oberfla¨che. Die vier Ursprungspopulationen werden fu¨r
das Experiment nicht weiter aufgelo¨st, weil hier nur Unter-
schiede zwischen vor und nach der Optimierung von Interesse sind. Die im Abschnitt 7.3.2 ge-
nannte Optionseinstellung wird fu¨r das Experiment herausgenommen, um die Probanden nicht
mit zuviel Einstellmo¨glichkeiten zu u¨berfordern und vom eigentlichen Experiment abzulenken.
Szenarien: Die unabha¨ngige Variable ηidpscn steht fu¨r die i ηidpscni
1 SE Sto¨rung W401
2 S0 Anfahren der Anlage
3 S1 Sto¨rung W101 und
Ausfall P101/P102
4 S2 Fehler L201 und Aus-
fall C201
5 S3 Sto¨rung V401, Ausfall
M301, P401/P402
Tabelle 8.2: Unabha¨ngige Variable:
Szenarien
Szenarien. Mit den Szenarien werden zweierlei Absichten
verfolgt. Zum einen sollen u¨ber die Szenarien die notwendi-
gen Daten fu¨r die Objektiv-Adaption erfasst werden, zum
anderen dienen sie im Experiment der Beurteilung der
EOGUI-Methodik. Die Szenarien sind so konzipiert, dass
sie fu¨r die Probanden lo¨sbar sind und einen ausreichenden
Einblick in die Oberfla¨chen fu¨r die Subjektiv-Adaption
und Bewertung ermo¨glichen sowie dem EOGUI-Algorith-
mus genu¨gend objektive Daten bereitstellen. Insbesonde-
re Szenario S0 ist fu¨r diesen Zweck ausgelegt. Nach einem
Einfu¨hrungsszenario SE, das nicht in die Bewertung mit
einfließt, haben die Probanden zuna¨chst die Aufgabe, den
Prozess anzufahren. Es folgen drei weitere Sto¨rungsszenarien, in denen die Probanden die Feh-
ler erkennen und beheben sollen. Sto¨rungen bedeuten, dass Steuerungen aufgrund fehlerhafter
Regler falsche Einstellung besitzen und vom Probanden wieder auf erlaubte Bereiche zu brin-
gen sind. Ausfa¨lle betreffen diskrete Steuerungen, in deren Folge der Status auf AUS geschaltet
wird.2 Fu¨r alle Szenarien besteht eine Zeitbegrenzung: fu¨r das Anfahrszenario eine Stunde, fu¨r
alle anderen sechs Minuten. Ein Szenario gilt als bewa¨ltigt, wenn der Normal-Zustand wie-
der hergestellt ist. Wa¨hrend im Einfu¨hrungsszenario nur eine, einfach zu behebende Sto¨rung
2Im Falle einer Pumpe wu¨rde die Fo¨rderung zum Erliegen kommen.
117
8.2 Versuchsplanung
auftritt, sind die folgenden Szenarien schwieriger zu bewa¨ltigen. Die Sto¨rungen bzw. Ausfa¨lle
erfolgen dort teilweise zeitversetzt und sind sie nicht immer unmittelbar als solche zu erkennen.
• Einfu¨hrungsszenario SE: Im Einfu¨hrungsszenario ist die einzige Aufgabe des Probanden,
den Wa¨rmetauscher W401 so einzustellen, dass die Entnahmetemperatur wieder einen
erlaubten Wert annimmt.
• Anfahrszenario S0: Die Aufgabe des Probanden ist es, den Prozess vom ausgeschalteten
Zustand in den Normalzustand zu fu¨hren. Das Szenario wird beendet sobald der Proband
alle Prozessgro¨ßen in den erlaubten Bereich gefu¨hrt hat. Das Anfahrszenario wird nach
der genannten Zeit von einer Stunde abgebrochen, wenn der Proband bis dahin den gefor-
derten Zustand nicht herbeifu¨hren konnte. Das Szenario gilt dann als nicht bewa¨ltigt. Der
Proband hat nur in diesem Szenario die Mo¨glichkeit, den Prozess wieder in den Startzu-
stand des Szenarios zuru¨ckzusetzen. No¨tig werden kann dies fu¨r den Fall, dass der Prozess
vom Probanden nicht mehr aus einer ungewu¨nschten Situation gefu¨hrt werden kann.
• Sto¨rungsszenario S1: Im Laufe des Szenarios S1 fallen der Regler TC101 sowie die Pumpen
P101 bzw. P1023 aus. Der Reglerausfall zieht eine fehlerhafte Einstellung des Wa¨rmetau-
schers W101 nach sich, der unmittelbar zu einer Notfallmeldung fu¨r den Wa¨rmetauscher
und, bei Nichtbeachtung, nach 15s zu einer ersten Alarmmeldung fu¨r die zu niedrige
Temperatur im Beha¨lter B101 fu¨hrt. Der Pumpenausfall fu¨hrt quasi sofort zu einer Not-
fallmeldung, weil die zugefu¨hrte Flu¨ssigkeitsmenge nicht mehr ausreicht. Der Proband
muss eine der Pumpen wieder einschalten sowie W101 manuell entsprechend einstellen.
• Sto¨rungsszenario S2: Fu¨r das Szenario S2 erfa¨hrt zuna¨chst das Ventil V201 eine Sto¨rung,
wodurch der Massenzufluss in den Beha¨lter B301 zu niedrig ausfa¨llt. Nach 30s schließt
sich durch einen weiteren Fehler die Klappe L201. Dieser Fehler ist nicht so leicht zu
erkennen wie die Sto¨rung des Ventils, da lediglich der B201-Fu¨llstand zu sinken be-
ginnt. Erst wenn der Fu¨llstand in B201 unter die minimale Alarmgrenze fa¨llt, wird in
den topologisch-orientierten Oberfla¨chen eine Alarmmeldung generiert. In den kognitions-
orientierten Oberfla¨chen ist der Fehler fru¨her zu erkennen: fu¨r EID durch die Tendenzan-
zeige des zugeho¨rigen Mappings und in MFM durch die Nichterfu¨llung des Zieles Gpro23 .
Die Aufgaben sind die richtige V201-Einstellung und das erneute O¨ffnen von L201.
• Sto¨rungsszenario S3: Im Szenario S3 fu¨hrt der fru¨he Ausfall des Motors M301 zum Stehen-
bleiben des Ru¨hrwerks A301, was wiederum einen Abfall der Mischungsqualita¨t zur Folge
hat. Der Qualita¨tsabfall macht sich allerdings erst nach und nach bemerkbar und kann, je
spa¨ter die Fehlerursache entdeckt wird, um so schlechter wieder behoben werden. Des wei-
teren schaltet der Regler fa¨lschlicherweise auf den Status MANUELL und verstellt das Ventil
V401 auf einen zu kleinen O¨ffnungsgrad, so dass die entnommene Menge an Gemisch zu
niedrig ist. Zusa¨tzlich fa¨llt die Pumpe P401 bzw. P402 aus, was zum vollsta¨ndigen Erlie-
gen der Entnahme fu¨hrt. Aufgabe des Probanden ist fu¨r dieses Szenario, die Pumpen und
den Motor wieder einzuschalten, den Reglerstatus wieder auf INTERN zu schalten bzw. das
Ventil V401 entsprechend einzustellen.
Probanden: Bei den Probanden handelt es sich um jeweils drei Personen mit technischer (1
- 3) und nicht-technischer Vorbildung (4 - 6). Die Probanden wurden ganz bewusst so aus-
gewa¨hlt, um eine mo¨glichst große Unvoreingenommenheit gegenu¨ber den verwendeten Modell-
bildungstechniken und um eine mo¨glichst große Diversifikation in den generierten Populationen
zu erreichen. Anlagenfahrer sind, neben der erschwerten Verfu¨gbarkeit, mit TOP-Darstellungen
vertraut und zumeist stark auf diese fixiert. Erkenntnisse aus einer Aufgabenanalyse, die in ei-
nem Produktionsbetrieb fu¨r Pflanzenschutzmittel der Bayer AG Dormagen durchgefu¨hrt werden
konnte, haben zu der Einsicht gefu¨hrt, Anlagenfahrer aufgrund ihres ta¨glichen Umgangs mit
topologischen Darstellungen nicht als Probanden hinzu zu ziehen. Ein weiterer Grund, auch
3je nachdem, welche Pumpe eingeschaltet ist.
118
8.2.2 Versuchsplan
nicht-technische Probanden mit ein zu beziehen, war die Tatsache, dass die Anzahl der als Che-
miekanten ausgebildeten Bediener aufgrund wirtschaftlichen Druckes gesenkt und der Bedarf
teilweise durch nicht-technisches Personal (z.B. Ba¨cker) gedeckt wurde (Vo¨lkel, 1999; Vo¨lkel
und Wittenberg, 1999). Ein Ziel der Untersuchung ist herauszufinden, ob die vom EOGUI-
Algorithmus generierte Oberfla¨che tatsa¨chlich den Pra¨ferenzen und Bedu¨rfnissen der Probanden
entspricht. Daher die zwei Typen bei der Auswahl der Probanden.
Probanden-Vorbildung: Probanden mit technischer Vor-
i ηidpbgri
1 TEC Technisch
2 NTEC Nicht-Technisch
Tabelle 8.3: Unabha¨ngige Variable:
Vorbildung der Probanden
bildung bezeichnen Personen mit einer technischen Aus-
bildung. In dieser Untersuchung handelt es sich um
Personen mit abgeschlossenem ingenieurwissenschaft-
lichem Studium. Die nicht-technischen Probanden sind
Personen ohne technischen Hintergrund. Sie kommen
aus dem pa¨dagogischen, sozialwissenschaftlichen und
aus dem administrativen Bereich. Alle Probanden haben ihre Ausbildung abgeschlossen und
verfu¨gen u¨ber Berufserfahrung. Neben der Gesamtbetrachtung wird die unabha¨ngige Variable
ηidpbgri eingefu¨hrt, deren Auspra¨gungen die Tabelle 8.3 zusammenfasst.
Ausrichtung der EOGUI-Oberfla¨che: Die Ausrichtung
i ηidporti
1 TPO Topologisch-orientiert
2 KGO Kognitions-orientiert
Tabelle 8.4: Unabha¨ngige Variable:
EOGUI-Ausrichtung
der EOGUI-Bedienoberfla¨che beschreibt, welche Grund-
form – topologisch- oder kognitions-orientiert – die neue
Oberfla¨che annimmt. Topologisch-orientiert bedeutet an
dieser Stelle die Gesamt-Teil-Darstellung der Virt3D-,
TOP- und EIDtpo-Oberfla¨che mit der U¨bersicht und den
Detailsichten auf die Komponenten des Prozesses. Die
Ziel-Mittel-Sicht des MFM-Modells ist mit der kognitions-orientierten Ausrichtung gemeint.4
8.2.1.2 Abha¨ngige Variablen
Die abha¨ngigen Variablen sind die in Abschnitt 7.4.1.4 beschriebenen Leistungsmaße der Wirk-
samkeit und der Genauigkeit der Prozessfu¨hrung aus der Objektiv-Adaption. Hinzu kommen die
beno¨tigte Handlungsanzahl uns Ausfu¨hrungszeit fu¨r die Szenarienbearbeitung sowie die Ha¨ufig-
keit der erfolgreichen Szenarienbewa¨ltigung. Die subjektive Bewertung ist ebenfalls analog zur
Subjektiv-Adaption von Abschnitt 7.4.1.5 zu sehen. Die Kriterien der Transparenz, Navigation
des Fehlermanagements, der Struktur, Beanspruchung, des Vertrauens und des Spaßes dienen
als allgemeine Kriterien auch hier der Einscha¨tzung der Oberfla¨chen. Weitere Fragen betreffen
die abstrahierten evolutiona¨ren Mechanismen der Selektion, Rekombination und der Mutation.
Die einzelnen Fragen ko¨nnen im Anhang C.1.1 nachgelesen werden.
8.2.2 Versuchsplan
Im Versuchsplan ist die Abfolge der
Prb. Teil 1: vor EOGUI Teil 2: nach EOGUI
VTEM-Oberfla¨chen EOGUI-Oberfla¨che
P01 SE S0 S1 S2 S3 SE S0 S2 S3 S1
P02 SE S0 S1 S3 S2 SE S0 S2 S1 S3
P03 SE S0 S2 S1 S3 SE S0 S3 S2 S1
P04 SE S0 S2 S3 S1 SE S0 S3 S1 S2
P05 SE S0 S3 S1 S2 SE S0 S1 S2 S3
P06 SE S0 S3 S2 S1 SE S0 S1 S3 S2
Tabelle 8.5: Versuchsplan: Experimentabfolge
Experimentteile und der Szenarien fest-
gelegt. Das Experiment besteht aus den
zwei Teilen vor und nach der Evoluti-
ona¨ren Optimierung. Im ersten Teil sind
die Szenarien mit den Ausgangspopula-
tionen Virt3D, TOP, EID und MFM, im
zweiten Teil mit der vom EOGUI-Algo-
rithmus generierten Oberfla¨che zu durch-
laufen. Das erste Szenario ist stets das
Einfu¨hrungsszenario SE, um den Proban-
den auf das Kommende einzustimmen. Im Sinne einer realita¨tsbezogenen Abfolge ist das zweite
Szenario S0 das Hochfahren der Anlage. Die Reihenfolge der verbleibenden Sto¨rungsszenarien
S1 bis S3 wird permutiert, um Reihenfolgeeffekte zu vermeiden.
4Die Ausrichtung der EOGUI-Oberfla¨che ist im strengen Sinne keine unabha¨ngige Variable, da deren Aus-
pra¨gung fu¨r die Bestimmung der abha¨ngigen Variablenwerte nicht kontrolliert variiert wird, sondern sich aus
dem Algorithmus ergibt. Trotzdem wird sie als unabha¨ngige Variable betrachtet, weil fu¨r deren Auspra¨gungen
die abha¨ngigen Variablen ermittelt werden. 119
8.2 Versuchsplanung
8.2.3 Nebenaufgabe
Zum Erho¨hen der Belastung im Experiment werden dem Probanden parallel zu den Szena-
rien einfache Additions- und Subtraktionsaufgaben gestellt. Der Proband ist angehalten, so
viele Aufgaben wie mo¨glich wa¨hrend des Ablaufs zu lo¨sen. Der Sinn der Nebenaufgabe ist im
Experiment eine gegenu¨ber der realen Situation angena¨herte Belastung zu schaffen.
8.2.4 Bewertungskriterien
Die objektiven und subjektiven Bewertungskriterien aus den abha¨ngigen Variablen beschreibt
der folgende Abschnitt. Die objektiven Bewertungen werden aus den gleichen Daten wie die
Objektiv-Adaption gewonnen. Die Erfassung der subjektiven Bewertungen erfolgt ebenfalls
analog zur Subjektiv-Adaption durch Skalen.
8.2.4.1 Objektive Bewertungskriterien
Die Kriterien der objektiven Bewertungen des Experiments εobjiEXP sind verschiedene Leistungs-
maße. Im einzelnen sind dies die innerhalb der Szenarien ausgefu¨hrten Aktionen, die Genauigkeit
der Prozessfu¨hrung, die Wirksamkeit, die Fehlerkorrekturzeit und die Ha¨ufigkeit der erfolgrei-
chen Szenarienbewa¨ltigung. Die Bewertung ηdepobji ergibt sich nach Gleichung 8.1 aus der Sum-
mierung aller Kriterienwerte ε u¨ber die Anzahl der gewerteten Szenarien Nscn = 4 und u¨ber die
Anzahl der ProbandenNprb = 6 sowie einer entsprechenden Mittelung. Es gilt: i = 1, . . . , Nεobj
EXP
und j = 1, . . . , Nηidp
gui
.
ηdepobji
(
ηidpguij
)
= µobji =
1
NprbNscn
Nprb∑
p=1
Nscn∑
q=1
εobjiEXPp,q (8.1)
Anzahl der Aktionen: Das Kriterium fu¨r die Anzahl der Aktionen εobjfass,EXP entspricht den in
Abschnitt 7.4.1.4 beschriebenen Aktionen des Probanden auf den Oberfla¨chen. Geza¨hlt werden
alle Aktionen bis zur erfolgreichen Bewa¨ltigung eines Szenarios. Alle hinterher vorgenommenen
Aktionen werden nicht beru¨cksichtigt. Die Bestimmung des Kriteriums entspricht der Gleichung
7.3 des genannten Kapitels.
Genauigkeit der Prozessfu¨hrung: Auch dieses Kriterium εω,objaccPRC,EXP entspricht der in Ab-
schnitt 7.4.1.4 beschriebenen Gro¨ße, hier der Form fu¨r die Aufgabenlo¨sung. Wie fu¨r das Kri-
terium der Aktionsanzahl werden die Abweichungen zwischen Soll- und Istwerten von Prozess-
gro¨ßen nur bis zur Erfu¨llung der Aufgabe erfasst. Die Bestimmung des Kriteriums entspricht
im Prinzip der Gleichung 7.5, jedoch angepasst fu¨r das Experiment.
Wirksamkeit: Fu¨r die Erla¨uterung des Wirksamkeitskriteriums εobjptcEXP sei auf Abschnitt 7.4.1.4
verwiesen. Im Unterschied zu dort betrachtet man hier alle Individuen aller Populationen.
εobjptcEXP =
1
2

foptass
NP∑
n=1
NI(Pn)∑
i=1
Nfass
η(K(IPn
i
))∑
η=1
fass
(
ηidpguij
) +
topterc
terc
(
ηidpguij
)
 (8.2)
Fehlerkorrekturzeit: Die Fehlerkorrekturzeit ist die Zeit, die ein Proband beno¨tigt, um die im
Rahmen der Szenarien gestellten Aufgaben zu lo¨sen. Es handelt sich um ein Schnelligkeitsmaß,
mit dem der Zeitbedarf der Problemlo¨sung fu¨r alle Oberfla¨chen ermittelt werden soll. Opera-
tionalisiert wird dieses Maß durch Bezug der absoluten Fehlerkorrekturzeit auf die maximal zur
Verfu¨gung stehende Zeit tercmax wa¨hrend eines Szenarios.
εobjtercEXP
= 1− terc
tercmax
120
8.2.4 Bewertungskriterien
Ha¨ufigkeit der Szenarienbewa¨ltigung: Das Kriterium der erfolgreich bewa¨ltigten Szenarien
εobjscsEXP gibt an, wie viele der gestellten Aufgaben von den Probanden gelo¨st werden konn-
ten. Das Maß ist unabha¨ngig von der beno¨tigten Zeit und von der Anzahl der erforderlichen
Handlungen.
εobjscsEXP =
 0 : Szenario nicht bewa¨ltigt1 : Szenario bewa¨ltigt
8.2.4.2 Subjektive Kriterien
Die subjektive Bewertung wird aus den Antworten der Probanden aus einer weiteren Online-
Befragung abgeleitet. Wie in Abschnitt 8.2.1.2 bereits angesprochen, unterteilt sich die subjek-
tive Bewertung in einen allgemeinen und einen auf die Evolutiona¨re Optimierung bezogenen
Teil. Erfasst werden die subjektiven Kriterien wiederum u¨ber Skalen.
Skalentyp: Bei den im Experiment verwendeten Skalen handelt
Bild 8.3: Experiment: Skalen
es sich um die gleichen Skalen wie in der Subjektiv-Adaption aus
dem Abschnitt 7.4.1.5. Wie in der Subjektiv-Adaption berechnet
sich die Bewertung eines subjektiven Kriteriums q nach Gleichung
aus dem Mittelwert der Bewertungen aus den Fragen zum entspre-
chenden Kriterium.
ηdepsbji
(
ηidpguij
)
= µsbji =
1
NqQEXP
Nq
QEXP∑
r=1
εsbjj,qrEXP
(8.3)
Allgemeine Kriterien: Zu den allgemeinen Kriterien za¨hlen die bereits im Abschnitt 7.4.1.5
beschriebenen Kriterien der Transparenz, Navigation, des Fehlermanagements, der Struktur,
Beanspruchung, des Vertrauens und der Spaß. Fu¨r eine na¨here Erla¨uterung sei auf das genannte
Kapitel verwiesen. Lediglich fu¨r die drei letzt genannten Kriterien besteht ein Unterschied zu
den Beschreibungen von Abschnitt 7.4.1.5. Fu¨r diese Kriterien gilt, wie fu¨r die anderen Kriterien
des subjektiven Teils des Experiments: je na¨her die Bewertung am Wert 0 liegt, desto besser
ist die Bewertung fu¨r die Ausgangspopulationen (Gleichung 8.4) und umso schlechter ist die
EOGUI-Population (Gleichung 8.5) bewertet. Befindet sich die Bewertung na¨her am Wert 1,
wird die neu generierte Oberfla¨che ho¨her eingescha¨tzt. Die einzelnen Fragen sind im Anhang in
Abschnitt C.1.1 nachzulesen.
εsbjgui1,qrEXP
= 1− βj
6
(8.4)
εsbjgui2,qrEXP
=
βj
6
(8.5)
Kriterien der Evolutiona¨ren Optimierung: Mit diesen Kriterien wird die subjektive Bewertung
der entwickelten Abstraktionen der Selektion, Rekombination und Mutation erfasst. Die Re-
insertation wird nicht weiter bewertet, da sie keine direkte Auswirkung auf das Aussehen der
Oberfla¨che hat. Je ho¨her die Bewertung am Wert 1 liegt, desto besser ist die Einscha¨tzung des
Kriteriums. Die Fragen finden sich im Anhang unter Abschnitt C.1.2.
• Selektion: Fu¨r die Selektion wird ganz allgemein nach der Beurteilung des Probanden
fu¨r den Ansatz befragt, Selektionsmechanismen fu¨r das individuelle Anpassen von Be-
dienoberfla¨che anzuwenden. Weiterhin wird gefragt, ob das Wachstum von Individuen in
Abha¨ngigkeit von der Fitness einen Vorteil erbracht hat oder nicht.
• Rekombination: Auch hier wird zuna¨chst gefragt, ob die Rekombination als Mechanismus
zum Generieren neuer Individuen grundsa¨tzlich befu¨rwortet oder abgelehnt wird. Zusa¨tz-
lich werden Bewertungen der beiden Rekombinationsarten, Kombination und Form, ab-
gefragt.
121
8.2 Versuchsplanung
• Mutation: Neben der grundsa¨tzlichen Beurteilung des Vera¨nderns von Individuen durch
Mutation zielen die Fragen zu diesem Mechanismus auf die konkreten Auswirkungen auf
die Individueneigenschaften von Abschnitt 7.2.2.1 ab. Dazu geho¨ren Fragen zu A¨nderun-
gen von Gro¨ßeneigenschaften5, Farbeigenschaften6, zur Aktivierung der Animationseigen-
schaft sowie zur Ha¨ufigkeit von Mutationen.
8.2.5 Fragestellungen und Bildung der Hypothesen
Die Frage, die es zu beantworten gilt, lautet, ob sich durch den Einsatz der Evolutiona¨ren
Optimierung tatsa¨chlich eine Anpassung an den individuellen Bediener und in dessen Folge eine
Verbesserung in der Fu¨hrung technischer Prozesse ergibt. Dementsprechend wird die Hypothese
formuliert, dass die durch die EOGUI-Methodik generierten Graphischen Bedienoberfla¨chen den
Pra¨ferenzen und Bedu¨rfnisse eines individuellen Bedieners entsprechen und so eine Verbesserung
fu¨r die Prozessfu¨hrung darstellen.
Objektiver Teil: Aufgrund der individuellen Anpassung wird davon ausgegangen, dass sich die
Anzahl der notwendigen Handlungen und die beno¨tigte Fehlerkorrekturzeit verringern. Fu¨r die
abgeleitete Gro¨ße der Wirksamkeit wird wie fu¨r die Szenarienbewa¨ltigung eine Verbesserung
angenommen. In der angepassten Oberfla¨che sind die Individuen zusammengefasst, die den
Pra¨ferenzen des Probanden am besten entsprechen. Er muss diese Objekte nicht erst durch
Aufschalten ggf. unterschiedlicher Oberfla¨chen aufrufen, sondern findet sie in einer Darstellung.
Subjektiver Teil: Fu¨r beide Teile wird ebenfalls aufgrund der erfolgreichen individuellen An-
passung eine Verbesserung in den Bewertungen angenommen.
• Allgemein: Im einzelnen wird fu¨r den allgemeinen Teil angenommen, dass mit der EOGUI-
Oberfla¨che eine Verbesserung fu¨r alle subjektive Kriterien erreicht wird. Aufgrund der
individuellen Anpassung wird die neue Oberfla¨che als transparenter vermutet als die Aus-
gangsoberfla¨chen. Gleiches gilt fu¨r die Navigation (bessere Orientierung), das Fehlermana-
gement (bessere Fehlererkennung, -diagnose und -korrektur), die Struktur (Vorteile durch
die EOGUI- Individuen) sowie fu¨r die Kriterien der Beanspruchung (niedriger), das Ver-
trauen und den Spaß (beide ho¨her).
• Evolutiona¨re Optimierung: Fu¨r die Bewertungskriterien des Experimentteils fu¨r die Evolu-
tiona¨re Optimierung wird fu¨r die Selektion und Rekombination eine positive Bewertung
erwartet. Bei der Bewertung der Mutation wird eine neutrale Bewertung vermutet, da
dieser Mechanismus rein auf dem Zufall basiert und so im Gegensatz zu Selektion und
Rekombination keine gerichtete Vera¨nderung bringt. Die von der Mutation bedingten
Vera¨nderungen ko¨nnen sowohl Verbesserungen, aber auch Verschlechterungen nach sich
ziehen.
Vorbildung der Probanden: Fu¨r beide Gruppen – technisch und nicht-technische – wird ange-
nommen, dass sich die Werte der objektiven und subjektiven Kriterien wie oben beschrieben
zu Gunsten der neuen Oberfla¨che ausfallen. In Bezug auf die Vorbildung der Probanden wird
erwartet, dass die Probanden mit technischer Vorbildung bei den objektiven Kriterien bessere
Werte erreichen als die nicht-technischen. Die Vermutung beruht auf der Annahme, dass die
technischen Probanden aufgrund ihres ta¨glichen Umgangs mit technischen Systemen einen bes-
seren Zugang zur Aufgabenstellung besitzen und besser lo¨sen ko¨nnen. Da diese letzte Annahme
jedoch fu¨r das Ziel nicht relevant ist, wird sie nicht na¨her untersucht. Fu¨r den subjektiven Teil
ha¨ngen die Annahmen stark von der Ausrichtung der neuen Oberfla¨che und weniger von der
Vorbildung der Probanden, weshalb hier keine weiteren Vermutungen formuliert werden.
5Individuen, Liniensta¨rken und Bezeichner.
6Hintergrund, EID-Mapping, Linien und Bezeichner.
122
8.2.6 Statistische Hypothesen
Ausrichtung der generierten Oberfla¨che: Fu¨r die Ergebnisse der EOGUI-Methode wird fu¨r
die Probanden mit technischer Vorbildung erwartet, dass sich die generierten Oberfla¨chen eher
in die topologisch-orientierte Ausrichtung bewegen. Diese Sichtweisen sind eher an der Tech-
nik orientiert und entsprechen den Denkweisen technisch gepra¨gter Probanden sta¨rker als die
kognitions-orientierten Sichten. Eine Chance wird auch dem EID-Mapping eingera¨umt, in die
neue Oberfla¨che u¨bernommen zu werden. Im Fall der Probanden mit nicht-technischer Vorbil-
dung lautet die Vermutung, dass diese eher die MFM-Sichtweise bevorzugen. Der Grund liegt
in der der menschlichen Informationsverarbeitung angepassten Informationsdarstellung. Im Ge-
gensatz zu den anderen Sichten ist Wissen u¨ber den Prozess durch die abstraktere Wiedergabe
von Prozesszielen und -funktionen explizit verfu¨gbar, und so das Erkennen von Systemzusta¨nden
erleichtert und der Schlussfolgerungsaufwand reduziert. Fu¨r die Werte der objektiven und sub-
jektiven Kriterien wird wie im Fall der Probandenvorbildung eine Verbesserung fu¨r beide Aus-
richtungen in gleicher Weise wie oben beschrieben erwartet. Sollten sich die Vermutungen fu¨r
die Ausrichtung der EOGUI-Oberfla¨chen bewahrheiten, werden sich keine Unterschied zwischen
den Kriterienwerten der beiden Gruppen Vorbildung und Ausrichtung ergeben, da dann beide
identisch sind.
8.2.6 Statistische Hypothesen
Um die oben gebildeten Hypothesen u¨berpru¨fen zu ko¨nnen, sind statistische Verfahren vonno¨ten.
Fu¨r die statistische Auswertung werden mathematische Hypothesen aufgestellt, mit den die for-
mulierten Hypothesen zu u¨berpru¨fen sind. Als statistische Hypothesen sind im folgenden die
Nullhypothese H0 und die Alternativhypothese HA formuliert. Fu¨r die Nullhypothese werden
keinerlei Unterschiede in den Mittelwerten µ der betrachteten Maße in Abha¨ngigkeit der Fak-
toren der Bedienoberfla¨chen festgestellt.
H0 : µidpηgui1 = µ
idp
ηgui2
Fu¨r die Alternativhypothese HA bestehen dagegen Unterschiede in den Mittelwerten der
erhobenen Maße abha¨ngig von den Faktoren der Bedienoberfla¨chen.
HA : µidpηgui1 6= µ
idp
ηgui2
Fu¨r die unabha¨ngige Variable der Bedienoberfla¨chen ηidpguii wird angenommen, dass sich die
erhobenen Maße der Bewertungskriterien signifikant unterscheiden. Ist der Unterschied signifi-
kant, kommt es zur Ablehnung der Nullhypothese H0 und so zur Annahme der Alternativhypo-
these HA. Fu¨r den zufa¨lligen Einfluss der Probanden wird angenommen, dass sich dieser nicht
signifikant auf die erfassten Maße auswirkt. Ein nicht signifikanter Unterschied zwischen den
Probanden fu¨hrt zu einer Annahme der Nullhypothese. Unter Verwendung einer mehrfaktori-
ellen Varianzanalyse erfolgt die Entscheidung, ob die verschiedenen Hypothesen angenommen
oder zuru¨ckgewiesen werden. Das Signifikanzniveau der Untersuchung wird mit α = 0, 05 (5%)
festgelegt.
123
8.3 Durchfu¨hrung des Experiments
8.3 Durchfu¨hrung des Experiments
Das Experiment wurde pro Proband an
Bild 8.4: Experiment: Ablauf
einem Tag durchgefu¨hrt. Dies war no¨tig,
weil die Probanden nur zeitlich begrenzt
zur Verfu¨gung standen und die Aufteilung
des Experiments auf mehrere Tage zudem
nur schwer machbar und nicht sinnvoll ist.
Da die Generierung der neuen Oberfla¨che
aus den erfassten Daten in einem Durch-
gang erfolgen muss, wa¨re einzig eine Unter-
brechung zwischen Einfu¨hrung und Daten-
erfassung mo¨glich. Hier ist es jedoch nicht
sinnvoll, zu viel Zeit zwischen Erla¨uterung
und Durchfu¨hrung vergehen zu lassen.
Die Untersuchung besteht, wie in Bild
8.4 zu sehen, aus den sechs Phasen Start,
Einfu¨hrung, Datenerfassung 1, Generierung,
Datenerfassung 2 und Diskussion. Jeder Pro-
band durchla¨uft einzeln alle sechs Phasen.
Der Start umfasst allgemeine Informatio-
nen, die Einfu¨hrung erla¨utert die Bestand-
teile des Experiments. Im Verlauf der er-
sten Datenerfassung werden Daten fu¨r die
Objektiv- und Subjektiv-Adaption sowie fu¨r
die Objektivbewertung der Ausgangspopu-
lationen aufgenommen. Die Generierung
beinhaltet das Erzeugen der neuen Ober-
fla¨che. Mit der zweiten Datenerfassung wer-
den Daten fu¨r die objektive und subjektive
Bewertung der EOGUI-Oberfla¨che fu¨r das
Experiment erfasst. Der Proband wird u¨ber
den Beginn jeder Experimentphase durch
eine entsprechende Meldung informiert. Ei-
ne Diskussion u¨ber den Ablauf und die Er-
gebnisse beenden das Experiment.
1. Start
Der Start umfasst die U¨bergabe von allgemeinen Informationen an den Probanden.
a) Ziele/Inhalt: Zu Beginn des Experiments erha¨lt der Proband einen Text in Papier-
form, der ihn u¨ber Inhalt, Ablauf und Ziele der Untersuchung informiert. Der Pro-
band wird gebeten, den Text durchzulesen. Das Papier verbleibt zur sta¨ndigen Ver-
fu¨gung des Probanden am Experimentierplatz.
b) Zusammenfassung: Vor der Einfu¨hrung wiederholt der Versuchsleiter in verku¨rzter
Form die Ziele und den Inhalt des Experiments sowie dessen Hintergrund.
2. Einfu¨hrung
Die Einfu¨hrung umfasst die Erkla¨rungen des verwendeten Prozesses, der Modellbildun-
gen und der allgemeinen Oberfla¨chenobjekte, eine Lernkontrolle, Erla¨uterungen zu den
Oberfla¨chen der Virt3D-, TOP-, EID- und MFM-Modellbildung sowie einen Testlauf. Zur
Vereinfachung werden in der Einfu¨hrung die Begriffe Bedienoberfla¨che und Objekt anstel-
le von Population und Individuum verwendet. Alle Bereiche der Einfu¨hrung werden dem
Probanden mu¨ndlich erla¨utert.7
7Die Bilder C.1 bis C.3 im Anhang zeigt die Graphiken fu¨r die verschiedenen Teile der Einfu¨hrung.
124
a) Erkla¨rung Prozess: Die Einfu¨hrung beginnt mit der Erla¨uterung des MIPS-Prozesses
von Abschnitt 5.1. Erkla¨rt werden die Ziele des Prozesses, seine Funktionen und
die Bestandteile anhand einer topologischen Abbildung entsprechend Bild 5.1. Aus-
gehend von einer U¨bersicht werden die Untersysteme SUB01 bis SUB04 erkla¨rt.
b) Erkla¨rung Modellbildung: Nach Abschluss der Erla¨uterungen zum verwendeten Pro-
zess werden die Modellbildungen erkla¨rt, die den Bedienoberfla¨chen zugrunde liegen.
Die Reihenfolge der Erla¨uterungen folgt dem Abstraktionsgrad, d.h. es beginnt mit
Virt3D, dann TOP, EID und abschließend MFM. Zu Beginn sind fu¨r jede Modellbil-
dung die Objekte in Form einer U¨bersicht dargestellt, um ein erstes Verstehen fu¨r den
jeweiligen Ansatz der Modellbildung bzw. der grundlegenden Idee zu vermitteln. Es
folgt ein Screenshot der MIPS-U¨bersicht, anhand dessen die Umsetzung in die jewei-
ligen Oberfla¨che und die mo¨glichen Zusta¨nde sowie deren Farbcodierungen erla¨utert
werden. Wiederum ausgehend von einer zusammenfassenden U¨bersicht werden die
Funktionen und die Symbole der einzelnen Objekte erkla¨rt. Weiterhin wird erla¨utert,
wie untergeordnete Sichten, Steuerungen und Anzeigen sowie Informationen zu den
Objekten aufrufbar sind. Mit einer Wiederholung der U¨bersichtsdarstellung und dem
Erla¨utern der Navigation ist der erste Abschnitt fu¨r die Modellbildungseinfu¨hrung
abgeschlossen. Im zweiten Abschnitt wird ein Demoprozess mit der jeweils aktuel-
len Modellbildung als Bedienoberfla¨che abgebildet. Zuna¨chst wird der Demo-Prozess
automatisch hochgefahren. Nach Ende des automatischen Ablaufs ist der Proband
aufgefordert, den Demo-Prozess manuell anzufahren.
c) Lernkontrolle: Die Lernkontrolle soll dazu dienen, dass sich der Proband nochmals
intensiv mit den Objekten der Bedienoberfla¨chen auseinander setzt. Der Proband
ist aufgefordert, die Objektsymbole den jeweiligen Bedeutungen und der Funktion,
fu¨r die das Symbol steht, zuzuordnen. Es geht erst weiter, wenn alle Bedeutun-
gen und Funktionen richtig zugewiesen sind. Wa¨hrend der Lernkontrolle verla¨sst
der Versuchsleiter den Raum, um den Probanden nicht einem Beobachtungsdruck
auszusetzen. U¨ber einen Schalter hat der Proband jederzeit die Mo¨glichkeit, den
Versuchsleiter zu rufen. Dies gilt auch fu¨r die anderen Konstellationen, in denen der
Proband allein im Raum verbleibt. Die Ergebnisse der Lernkontrolle werden nicht
weiter ausgewertet, da sie nur der Vertiefung des Erlernten dienen.
d) Erkla¨rung Bedienoberfla¨chen: Sind alle Fragen der Lernkontrolle beantwortet, kehrt
der Versuchsleiter zuru¨ck. Es folgt der erste Kontakt mit den Bedienoberfla¨chen,
wieder in der Reihenfolge des Abstraktionsgrades. Zur Vorbereitung auf den Szena-
rienablauf wird dem Probanden der Umgang mit den Bedienoberfla¨chen erla¨utert,
z.B. das Aufrufen der untergeordneten Sichten, die Navigation, etc.
e) Testlauf: Zum Abschluss der Einfu¨hrung hat der Proband in einem 30-minu¨tigen
Testlauf die Mo¨glichkeit, sich mit der Oberfla¨che vertraut zu machen. Stellen sich
keine Fragen mehr und besteht kein weiterer Bedarf u¨ber die 30 Minuten Testlauf
hinaus, ist die Einfu¨hrung beendet und die eigentliche Untersuchung beginnt.
3. Datenerfassung 1
Im Zuge der Datenerfassung 1 werden die Eingangsdaten fu¨r die Objektiv- und Subjektiv-
Adaption aufgenommen sowie gleichzeitig die Daten fu¨r den objektiven Teil des Experi-
ments von Kapitel 8.2.4.1 (ηidpgui1). Der Proband ist wa¨hrend der Datenerfassung 1 allein,
kann aber, wie erwa¨hnt, die Versuchsleiter durch Schalteraufruf anfordern.
a) Szenarienablauf 1: Der Szenarienablauf beginnt stets mit dem Einfu¨hrungsszenario
SE von Abschnitt 8.2.1.1. Es folgt das Szenario S0 fu¨r das Anfahren der Anlage
und die drei Sto¨rungsszenarien S1 bis S3 in fu¨r jeden Probanden unterschiedlicher
Reihenfolge (Tabelle 8.2). Der Proband hat die Mo¨glichkeit, die gestellten Aufgaben
mit den Bedienoberfla¨chen seiner Wahl (Virt3D, TOP, EID, MFM) zu lo¨sen.
b) Befragung 1 – Subjektiv-Adaption: In der ersten Befragung werden die Daten fu¨r die
Subjektiv-Adaption der EOGUI-Methodik erhoben (Siehe Abschnitt 7.4.1.5).
125
8.4 Auswertung des Experiments
4. Generierung
Ist die Datenerfassung der Objektiv- und Subjektiv-Adaption abgeschlossen, erfolgt auto-
matisch die Generierung der neuen Oberfla¨che. Weder der Proband noch der Versuchsleiter
haben hier Einfluss auf den Ablauf. Zu diesem Teil der Versuchsdurchfu¨hrung za¨hlt die
Erla¨uterung der neuen Oberfla¨che und ein weiterer Testlauf. Wa¨hrend der Generierung
ist der Versuchsleiter durchga¨ngig anwesend.
a) Ausfu¨hrung EOGUI-Algorithmus: Der EOGUI-Algorithmus generiert aus den Daten
der Adaption die neue, dem Probanden angepasste Bedienoberfla¨che. Ein Status-
fenster im Hauptformular informiert u¨ber den Fortgang des Algorithmus. Dieser
Vorgang dauert nur einige Sekunden.
b) Erkla¨rung neuer Individuen: Die rekombinierten und ggf. mutierten Objekte werden
ebenso erla¨utert wie die Struktur der EOGUI-Oberfla¨che.
c) Testlauf: Wie schon in der Einfu¨hrung hat der Proband u¨ber einen Mindestzeitraum
von 30 Minuten die Gelegenheit, sich mit der neuen Oberfla¨che vertraut zu machen.
Der automatische Ablauf gibt diese 30 Minuten vor, kann aber auf Verlangen auch
erweitert werden.
5. Datenerfassung 2
In der Datenerfassung 2 werden Daten fu¨r die objektive Bewertung der EOGUI-Oberfla¨che
(Kapitel 8.2.4.1, ηidpgui2) erfasst. Zudem wird die Grundlage fu¨r die abschließende subjek-
tive Bewertung geschaffen. Wie in der Datenerfassung 1 ist der Versuchsleiter nur auf
Anforderung zugegen.
a) Szenarienablauf 2: Der Ablauf ist fu¨r die ersten zwei Szenarien der gleiche wie im
ersten Szenarienablauf. Die Reihenfolge der drei u¨brigen Szenarien unterscheidet sich
vom ersten Szenarienablauf, um Reihenfolgeeffekte zu vermeiden. Der Proband hat
die gestellten Aufgaben mit der EOGUI-Oberfla¨che zu lo¨sen. Die aufgenommenen
objektiven Daten dienen der Beurteilung der neuen Oberfla¨che im Vergleich zu den
Ausgangsoberfla¨chen.8
b) Befragung 2 – Subjektiv-Bewertung: Mit der zweiten Befragung wird der subjektive
Vergleich der Oberfla¨chen vor und nach der Optimierung erfasst.9
6. Diskussion
In der abschließenden Diskussion werden die Eindru¨cke des Probanden weniger formal
als in den oben beschriebenen Punkten nachgefragt. Dies bezieht sich z.B. darauf, ob die
neue Oberfla¨che den Pra¨ferenzen des Probanden entspricht, was als besonders gut oder
schlecht aufgefallen ist und wo Sta¨rken oder Schwa¨chen der neuen Oberfla¨chen gesehen
wurden.
8.4 Auswertung des Experiments
Fu¨r die Auswertung der Experimente, dessen Durchfu¨hrung zwischen 5 und 7 1
2
Stunden dauerte,
werden zuna¨chst die aufbereiteten Rohdaten der Objektiv- und Subjektiv-Bewertung angege-
ben und im abschließenden Abschnitt diskutiert. Die Resultate der Experimente sind neben
den generierten neuen Oberfla¨chen die Mittelwerte u¨ber die Kriterien der Untersuchung sowie
die Ergebnisse der Varianzanalysen. Sie werden entsprechend der Aufteilung des Experiments
in einem objektiven und subjektiven Abschnitt aufgefu¨hrt. Als Beispiele fu¨r die Ergebnisse der
EOGUI-Methodik werden Screenshots der generierten Oberfla¨chen wiedergegeben und analy-
siert. Die Auswertung der gewonnenen Rohdaten erfolgt durch eine MS-Access-Datenbank, in
der die Daten fu¨r das Statistikprogramm SPSS zur weiteren Verarbeitung aufbereitet werden.
8Siehe auch Kapitel 8.2.4.1.
9Siehe auch Abschnitt 8.2.4.2.
126
8.4.1 Ergebnisse der objektiven Bewertung
Die Ergebnisse werden sowohl in Tabellenform als auch in graphischer Form (Boxplots) dar-
gestellt. Die Tabellen nennen die Mittelwerte bezogen auf die Kriterien der Bewertung. Die
Boxplots zeigen den Median, die Quartile, Ausreißer10 (◦) und Extremwerte11 (∗). Die letzte
Zeile der Auswertungstabellen enthalten den in Gleichung 8.6 angegebenen Verha¨ltnis rµ, der
die Verbesserung oder Verschlechterung von Kriterienwerten beschreibt. Mit Ausnahme des ob-
jektiven Kriteriums fu¨r die Aktionsanzahl bedeutet ein Wert von rµ > 1 eine Verbesserung des
Kriteriums gegenu¨ber den Ausgangsoberfla¨chen (es gilt: j = bgr, ort).
rηjµi =
µ
ηj
igui1
µ
ηj
igui2
(8.6)
8.4.1 Ergebnisse der objektiven Bewertung
Die Wiedergabe der objektiven Ergebnisse teilt sich in die U¨berpru¨fung der Hypothesen und
die Darstellung der Resultate fu¨r die objektiven Kriterien.
8.4.1.1 U¨berpru¨fung der Hypothesen
Im Falle des objektiven Teils konnte fu¨r keines der Kriterien statistisch signifikante Unterschiede
nachgewiesen werden. Teilweise liegen die Werte zwar nur knapp u¨ber dem Signifikanzniveau,
aber keines darunter. Die Einflu¨sse der Probanden auf die erfassten Maße sind erwartungsgema¨ß
nicht signifikant.
8.4.1.2 Auswertung der objektiven Kriterien – Gesamt
Die folgenden Abschnitte ent-
µobjfass µ
ω,obj
accPRC µ
obj
ptc µ
obj
terc µ
obj
scs
control state
ηidpgui1 135, 83 72, 92 74, 79 0, 0042 0, 17 0, 29
ηidpgui2 120, 00 79, 96 82, 00 0, 0169 0, 37 0, 50
rµi 0, 88 1, 10 1, 10 4, 02 2, 18 1, 72
Tabelle 8.6: Experiment: Mittelwerte der objektiven Kriterien
halten die Mittelwerte und in
Bild 8.5 die Boxplots fu¨r die oben
genannten objektiven Kriterien.
Die Tabelle 8.6 zeigt zusammen-
fassend die Mittelwerte fu¨r die
Kriterien der objektiven Bewer-
tung.
Anzahl der Aktionen: Die Tabelle 8.6 nennt in der ersten Mittelwert-Spalte das Ergebnis fu¨r
das Kriterium der Aktionsanzahl εobjfass . Im Mittel liegt der Wert fu¨r die Ausgangsoberfla¨chen um
den Faktor 1, 13 ho¨her als fu¨r die EOGUI-Oberfla¨che. Mit der EOGUI-Oberfla¨che waren weniger
Aktionen fu¨r das Bewa¨ltigen der Szenarien no¨tig als mit den Ausgangsoberfla¨chen. In absoluten
Zahlen lautet das Ergebnis fu¨r ηidpgui1 = 3260 und fu¨r η
idp
gui1
= 2880. Das Bild 8.5 zeigt oben links
den zugeho¨rigen Boxplot. Die Ausreißer und Extremwerte kommen vom Anfahrszenario, fu¨r
das, aufgrund der Aufgabenart, am meisten Handlungen ausgefu¨hrt werden.
Genauigkeit der Prozessfu¨hrung: Die zweite Spalte von Tabelle 8.6 zeigt die Genauigkeit der
Prozessfu¨hrung fu¨r die Steuerungen, die dritte Spalte fu¨r die Zustandsgro¨ßen. Beide Werte
liegen jeweils fu¨r die EOGUI-Oberfla¨che gu¨nstiger, fu¨r beide Gro¨ßen um den Faktor 1, 1. Das
8.5 zeigt oben in der Mitte jeweils im linken Block das Ergebnis fu¨r die Steuerungsgro¨ßen, im
rechten fu¨r die Zustandsgro¨ßen. Die Ausreißer sind auch hier durch das Anfahrszenario bedingt,
da alle und nicht nur einzelne Prozessgro¨ßen in den erlaubten Bereich zu fu¨hren sind.
Wirksamkeit: Die vierte Spalte von Tabelle 8.6 entha¨lt das Ergebnis fu¨r das Kriterium der
Wirksamkeit εobjptc . Insgesamt ergibt sich eine um den Faktor 4 bessere Wirksamkeit fu¨r die
EOGUI-Oberfla¨che. Im Boxplot von Bild 8.5 rechts oben zeigt sich, dass jeweils zwei Ausreißer
und Extremwerte fu¨r die Ausgangsoberfla¨chen aufgetreten sind. Wiederum stammen diese vom
10Ausreißer besitzen Werte, die um den Faktor 1, 5 bis 3 Kantenla¨ngen vom oberen bzw. unteren Kantenrand
entfernt liegen.
11Extremwerte sind Werte, die mehr als drei Kantenla¨ngen vom oberen bzw. unteren Rand entfernt sind.
127
8.4 Auswertung des Experiments
Bild 8.5: Experiment: Auswertung objektiver Teil – Boxplots
Anfahrszenario, weil, je mehr Handlungen ausgefu¨hrt und Zeit beno¨tigt wird, desto schlechter
wird nach Gleichung 8.2 die Wirksamkeit.
Fehlerkorrekturzeit: Fu¨r die Fehlerkorrekturzeit erreicht nach der fu¨nften Spalte von Tabelle 8.6
wiederum die EOGUI-Oberfla¨che den besten Wert. Er liegt um 2, 2-mal ho¨her als der Wert fu¨r
die Ausgangsoberfla¨chen. Das Bild 8.5 zeigt links unten den Boxplot fu¨r die Fehlerkorrekturzeit.
Ha¨ufigkeit der Szenarienbewa¨ltigung: Das Ergebnis fu¨r die Ha¨ufigkeit der erfolgreichen Sze-
narienbewa¨ltigung zeigt die Tabelle 8.6 in der letzten Spalte. Die meisten Szenarien wurden mit
der EOGUI-Oberfla¨che erfolgreich beendet. In absoluten Zahlen wurden mit den Ausgangso-
berfla¨chen 7, mit der EOGUI-Oberfla¨che 12 Szenarien bewa¨ltigt, was einem Faktor von 1, 7
entspricht. Das Bild 8.5 zeigt unten in der Mitte den Boxplot der Szenarienbewa¨ltigung. Ge-
nauer ist Balkendarstellung links daneben. Sie verdeutlicht die Verbesserung des Kriteriums fu¨r
die EOGUI-Oberfla¨che gegenu¨ber den Ausgangsoberfla¨chen.
8.4.1.3 Auswertung der objektiven Kriterien – Vorbildung und Ausrichtung
Im folgenden sind die Ergebnisse der objektiven Kriterien aufgelo¨st nach der Vorbildung der
Probanden und nach der Ausrichtung der EOGUI-Oberfla¨che wiedergegeben.
Vorbildung Probanden:
ηbgr µ
obj
fass
µω,objaccPRC µ
obj
ptc µ
obj
terc µ
obj
scs
control state
ηidpgui1 TEC 100, 42 77, 42 84, 08 0, 0045 0, 24 0, 42
NTEC 171, 25 68, 42 65, 50 0, 0040 0, 10 0, 17
ηidpgui2 TEC 77, 75 89, 83 95, 50 0, 0268 0, 55 0, 75
NTEC 162, 25 70, 08 68, 50 0, 0071 0, 20 0, 25
rµi TEC 0, 77 1, 16 1, 13 5, 96 2, 29 1, 79
NTEC 0, 94 1, 02 1, 04 1, 18 2, 00 1, 47
Tabelle 8.7: Experiment: Mittelwerte der objektiven Kriterien
Vorbildung Proband
Die Auswertung der ob-
jektiven Kriterien bzgl.
der Vorbildung der Pro-
banden zeigt die Tabel-
le 8.7. In allen Fa¨llen er-
geben sich Verbesserun-
gen fu¨r beide Gruppen.
Die gro¨ßte A¨nderung
ergibt sich fu¨r die Wirk-
samkeit der Handlungen
im Fall der technischen
Probanden, fu¨r die sich durchgehend die ho¨heren Verbesserungen im Vergleich zu den nicht-
technischen Probanden ergeben.
128
8.4.2 Ergebnisse der Subjektiven Bewertung
Ausrichtung EOGUI-Ober-
fla¨che: Die Auflo¨sung der
ηort µ
obj
fass
µω,objaccPRC µ
obj
ptc µ
obj
terc µ
obj
scs
control state
ηidpgui1 TPO 107, 25 76, 25 78, 94 0, 0042 0, 21 0, 38
KGO 193, 00 66, 25 66, 50 0, 0044 0, 09 0, 13
ηidpgui2 TPO 73, 38 85, 44 88, 75 0, 0237 0, 51 0, 69
KGO 209, 25 69, 00 68, 25 0, 0034 0, 10 0, 13
rµi TPO 0, 70 1, 12 1, 13 5, 64 2, 43 1, 82
KGO 1, 08 1, 04 1, 02 0, 77 1, 11 1, 00
Tabelle 8.8: Experiment: Mittelwerte der objektiven Kriterien
Ausrichtung EOGUI-Oberfla¨che
objektiven Kriterien fu¨r
die Ausrichtung der neu-
en Oberfla¨che zeigt Tabel-
le 8.8. Fu¨r die Probanden
1 – 3 und 6 hat die EO-
GUI-Methodik eine topo-
logisch-orientierte, fu¨r die
Probanden 4, 5 eine kog-
nitions-orientierte Ober-
fla¨che generiert.12 Die
Vera¨nderungen fu¨r die to-
pologisch-orientierten EOGUI-Oberfla¨chen sind durchgehend ho¨her als fu¨r die kognitions-orien-
tierten. Im Falle des Anzahlkriteriums ist auch hier der ho¨chste Anstieg zu verzeichnen.
8.4.2 Ergebnisse der Subjektiven Bewertung
Die Ergebnisse der subjektiven Bewertung werden ebenso wie die der objektiven Bewertung
in die Hypothesenu¨berpru¨fung und die Ergebnisdarstellung unterteilt. Statistisch u¨berpru¨ft
werden die Hypothesen des allgemeinen Teils von Abschnitt 8.2.4.2, da diese die Fragestellung
der Untersuchung direkt betreffen. Die Erla¨uterungen nennen, soweit mo¨glich, die Zuordnungen
der Werte zu den jeweils geltenden textlichen Skalenzuteilungen13. Der Teil fu¨r die Evolutiona¨re
Optimierung betrifft nicht direkt die Fragestellungen des Experiments und wird nicht statistisch
u¨berpru¨ft.
8.4.2.1 U¨berpru¨fung der Hypothesen – Subjektiver Teil
Fu¨r die subjektiven Kriterien gilt das gleiche wie fu¨r die objektiven Kriterien. Es wurden keine
statistisch signifikante Unterschiede fu¨r die subjektiven Kriterien gefunden.
8.4.2.2 Auswertung der allgemeinen subjektiven Kriterien – Gesamt
Die Gesamtsauswertung
µsbjtra µ
sbj
nav µ
sbj
ema µ
sbj
str µ
sbj
sta µ
sbj
cnf µ
sbj
fun
ηidpgui1 0, 41 0, 47 0, 46 0, 44 0, 42 0, 47 0, 53
ηidpgui2 0, 59 0, 53 0, 54 0, 56 0, 58 0, 53 0, 47
rµi 1, 44 1, 13 1, 17 1, 27 1, 38 1, 13 0, 89
Tabelle 8.9: Experiment: Mittelwerte der subjektiven Kriterien
Allgemeiner Teil
der allgemeinen subjektiven
Kriterien (Tabelle 8.9) zeigt
eine Verbesserung fu¨r alle Be-
wertungen mit Ausnahme der
Mutation. Das Bild 8.6 zeigt
die zugeho¨rigen Boxplots.
Transparenz: Die Tabelle 8.9 zeigt in der ersten Kriterienspalte das bessere Ergebnis fu¨r die
EOGUI-Oberfla¨che, d.h. das Systemverhalten wird fu¨r die EOGUI-Oberfla¨che als durchschau-
barer angesehen. Den Boxplot fu¨r die Transparenz zeigt das Bild 8.6 oben links.
Navigation: Die zweite Spalte von Tabelle 8.9 zeigt das bessere Navigations-Ergebnis fu¨r die
EOGUI-Oberfla¨che. Die Orientierung innerhalb der Oberfla¨che ist demnach mit der EOGUI-
Oberfla¨che besser mo¨glich. Den Boxplot der Navigation zeigt das Bild 8.6 oben, in der zweiten
Spalte. Die Ausreißer bzw. Extremwerte kommen von den Probanden 3 und 6. Proband 3 hat die
Navigation fu¨r die Ausgangsoberfla¨chen wesentlich ho¨her als die u¨brigen Probanden bewertet,
fu¨r Proband 6 ist es genau umgekehrt.
12Siehe auch Abschnitt 8.4.3.1.
13z.B.: −3 : U¨berhaupt nicht, 2 : Sehr gut etc.
129
8.4 Auswertung des Experiments
Bild 8.6: Experiment: Auswertung subjektiver Teil – Allgemein – Boxplots
Fehlermanagement: Die Bewertung der Fehlermanagementphasen nennt die Tabelle 8.10. Die
besten Ergebnisse fu¨r die Fehlererkennung, Fehlerdiagnose und die Fehlerkorrektur erreicht je-
weils die EOGUI-Oberfla¨che. Die Boxplots fu¨r das zu-
µsbjerg µ
sbj
edg µ
sbj
ecr
ηidpgui1 0, 40 0, 47 0, 48
ηidpgui2 0, 60 0, 53 0, 52
rµi 1, 50 1, 13 1, 08
Tabelle 8.10: Mittelwerte:
Fehlermanagement
sammenfassende Kriterium des Fehlermanagements
zeigt das Bild 8.6 in der zweiten Reihe, ganz links. Der
Ausreißer kommt vom Probanden 3, der die EOGUI-
Oberfla¨che fu¨r das Fehlermanagement sehr hoch be-
wertet. In der gleichen Reihe folgt die Darstellung der
Fehlermanagementphasen in der Reihenfolge Fehler-
erkennung, -diagnose und -korrektur. Der Ausreißer
fu¨r die Fehlerkorrektur stammt vom Probanden 3.
Struktur: Die vierte Spalte von Tabelle 8.9 nennt das Ergebnis fu¨r das Strukturkriterium. Die
EOGUI-Oberfla¨che hat hier einen Vorteil gegenu¨ber den urspru¨nglichen Oberfla¨chen erreicht.
Die graphische Auswertung des Strukturkriteriums zeigt Bild 8.6 oben rechts.
Beanspruchung: Spalte fu¨nf von Tabelle 8.9 entha¨lt die Werte fu¨r die Beanspruchung. Auch
an dieser Stelle bekommt die EOGUI-Oberfla¨che die ho¨here Einscha¨tzung. Der Boxplot fu¨r die
Beanspruchung ist in Bild 8.6 unten links zu sehen.
Vertrauen: Nach den Werten der sechsten Spalte von Tabelle 8.9 werden die Erwartungen
der Probanden eher von der EOGUI-Oberfla¨che erfu¨llt, als von den Ausgangsoberfla¨chen. Den
Boxplot fu¨r das Vertrauen zeigt das Bild 8.6 unten in der Mitte.
130
8.4.2 Ergebnisse der Subjektiven Bewertung
Spaß: Als einziges allgemeines Kriterium erreichen die urspru¨nglichen Bedienoberfla¨chen fu¨r
das Spaß-Kriterium die bessere Bewertung. Das Bild 8.6 zeigt unten rechts den Boxplot fu¨r
dieses Kriterium.
8.4.2.3 Auswertung der Subjektiven Kriterien – Vorbildung und Ausrichtung
Die Auswertung der allgemeinen subjektiven Kriterien fu¨r die Vorbildung der Probanden und
die Ausrichtung der EOGUI-Oberfla¨chen wird fu¨r die Gesamt-Betrachtung und das Fehler-
management wiedergegeben.
Gesamt – Vorbildung Probanden
Die Gesamtauswer-
ηbgr µ
sbj
tra µ
sbj
nav µ
sbj
ema µ
sbj
str µ
sbj
sta µ
sbj
cnf µ
sbj
fun
ηidpgui1 TEC 0, 41 0, 39 0, 33 0, 28 0, 50 0, 28 0, 28
NTEC 0, 42 0, 54 0, 59 0, 61 0, 33 0, 67 0, 78
ηidpgui2 TEC 0, 59 0, 61 0, 67 0, 72 0, 50 0, 72 0, 72
NTEC 0, 58 0, 46 0, 41 0, 39 0, 67 0, 33 0, 22
rµi TEC 1, 43 1, 56 2, 03 2, 57 1, 00 2, 57 2, 57
NTEC 1, 38 0, 85 0, 69 0, 64 2, 03 0, 49 0, 28
Tabelle 8.11: Experiment: Mittelwerte der subjektiven Kriterien
Allgemeiner Teil: Vorbildung Proband
tung der subjektiven
Kriterien in Bezug
auf die Probanden-
vorbildung zeigt die
Tabelle 8.11. Wa¨h-
rend sich fu¨r die Pro-
banden technischer
Vorbildung fu¨r alle
subjektiven Kriterien
eine Verbesserung,
mit Ausnahme der Beanspruchung (Gleichstand), ergibt, u¨berwiegen bei den nicht-technischen
Probanden die Verschlechterungen. Lediglich fu¨r die Transparenz und die Beanspruchung sind
Verbesserungen gegenu¨ber den urspru¨nglichen Oberfla¨chen zu verzeichnen.
Gesamt – Ausrichtung EOGUI-Oberfla¨che
Tabelle 8.12 zeigt die
ηbgr µ
sbj
tra µ
sbj
nav µ
sbj
ema µ
sbj
str µ
sbj
sta µ
sbj
cnf µ
sbj
fun
ηidpgui1 TPO 0, 41 0, 48 0, 43 0, 44 0, 46 0, 42 0, 42
KGO 0, 42 0, 44 0, 51 0, 46 0, 33 0, 58 0, 75
ηidpgui2 TPO 0, 59 0, 52 0, 57 0, 56 0, 54 0, 58 0, 58
KGO 0, 58 0, 56 0, 49 0, 54 0, 67 0, 42 0, 25
rµi TPO 1, 44 1, 08 1, 33 1, 27 1, 17 1, 38 1, 38
KGO 1, 38 1, 27 0, 96 1, 17 2, 03 0, 72 0, 33
Tabelle 8.12: Experiment: Mittelwerte der subjektiven Kriterien
Allgemeiner Teil: Ausrichtung EOGUI-Oberfla¨che
Gesamtbewertung der
subjektiven Kriterien
in Relation zu der Aus-
richtung der EOGUI-
Oberfla¨che. Im Fall
der topologisch-orien-
tierten Oberfla¨chen er-
geben sich fu¨r alle Kri-
terien ho¨here Werte
im Vergleich zu den ur-
spru¨nglichen Oberfla¨chen. Dies gilt auch fu¨r die kognitions-orientierten Oberfla¨chen mit Aus-
nahme des Fehlermanagements, des Vertrauens und des Spaßes.
Fehlermanagement – Vorbildung Probanden: Die
ηidpbgr µ
sbj
erg µ
sbj
edg µ
sbj
ecr
ηidpgui1 TEC 0, 28 0, 33 0, 35
NTEC 0, 53 0, 61 0, 61
ηidpgui2 TEC 0, 72 0, 67 0, 65
NTEC 0, 47 0, 39 0, 39
rµi TEC 2, 57 2, 03 1, 88
NTEC 0, 89 0, 64 0, 64
Tabelle 8.13: Mittelwerte: Fehlermanage-
ment – Vorbildung
Tabelle 8.13 nennt die Auswertungsdaten fu¨r die un-
tergeordneten subjektive Kriterien des Fehlermana-
gements in Bezug auf die Vorbildung des Probanden.
Die Bewertung der Fehlererkennung, -diagnose und
-korrektur erreicht fu¨r die technischen Probanden fu¨r
die EOGUI-Oberfla¨che durchgehend Verbesserungen.
Fu¨r die nicht-technischen Probanden verha¨lt es sich
umgekehrt.
131
8.4 Auswertung des Experiments
Fehlermanagement – Ausrichtung EOGUI-Oberfla¨che
Die Auswertungen der untergeordneten Krite-
ηidpbgr µ
sbj
erg µ
sbj
edg µ
sbj
ecr
ηidpgui1 TPO 0, 33 0, 47 0, 46
KGO 0, 54 0, 47 0, 53
ηidpgui2 TPO 0, 67 0, 53 0, 54
KGO 0, 46 0, 53 0, 47
rµi TPO 2, 03 1, 13 1, 17
KGO 0, 85 1, 13 0, 89
Tabelle 8.14: Mittelwerte: Fehlermanagement
Ausrichtung
rien des Fehlermanagements fu¨r die Ausrich-
tung der EOGUI-Oberfla¨che zeigt die Tabelle
8.14. Fu¨r die topologisch-orientierten EOGUI-
Oberfla¨chen zeigen sich fu¨r alle drei unterge-
ordneten Kriterien Verbesserungen. Mit Aus-
nahme der Fehlerdiagnose verschlechtern sich
die Werte der kognitions-orientierten EOGUI-
Oberfla¨chen geringfu¨gig.
8.4.2.4 Auswertung der subjektiven Kriterien der Evolutiona¨ren Optimierung – Gesamt
Die Tabelle 8.15 zeigt das Ergebnis fu¨r die Be-
µsbjsel µ
sbj
rcb µ
sbj
mut
0, 61 0, 53 0, 48
Tabelle 8.15: Mittelwerte: Evolutiona¨re Op-
timierung
wertung bezogen auf die Mechanismen der Evolu-
tiona¨ren Optimierung. Die folgenden Punkte be-
schreiben die Auswertung dieser Kriterien und de-
ren untergeordnete Kriterien. Die Tabelle 8.15 zeigt
die Mittelwerte der Kriterien, das Bild 8.7 die Box-
plots fu¨r diesen Teil des Experiments.
Bild 8.7: Experiment: Auswertung subjektiver Teil – Evolutiona¨re Optimierung – Boxplots
Selektion: Die Fragen zur Selektion umfassen die allgemeine Akzeptanz
µsbjselgen µ
sbj
selsiz
0, 78 0, 44
Tabelle 8.16: Mittelwerte:
Selektion
des Verfahrens und die Beurteilung fu¨r das Wachstum von Individuen
aufgrund der Selektion. Die allgemeine Akzeptanz der Selektion wird
im Mittel von den Probanden als sehr gut eingescha¨tzt, das Wachstum
dagegen erha¨lt eine eher neutrale Bewertung. Die Boxplots zur Selek-
tion zeigt das Bild 8.7 auf der linken Seite in der Reihenfolge Gesamt,
Allgemein und Wachstum. Der Ausreißer fu¨r das Wachstum kommt vom Probanden 3.
Rekombination: Die Fragen zur Rekombination beziehen sich auf
µsbjrcbgen µ
sbj
rcbcbn
µsbjrcbfrm
0, 47 0, 58 0, 53
Tabelle 8.17: Mittelwerte:
Rekombination
die allgemeine Akzeptanz und die entwickelten Verfahren fu¨r die
Kombination von Individuen und die Verschmelzung der inneren
und a¨ußeren Form. Sowohl die Gesamtbewertung als auch die all-
gemeine Akzeptanz der Rekombination erhalten eine niedrigere Be-
wertung als die Selektion, liegen aber noch im neutralen Bereich.
Das Verfahren der Kombination bekommt eine ho¨here Bewertung als das der Formverschmel-
zung. Beide liegen zwischen Neutral und Viel in der Einscha¨tzung der Verbesserung. Das Bild
8.7 zeigt in der Mitte die Boxplots fu¨r die Rekombination in der Reihenfolge Gesamt, Allgemein,
Kombination und Form.
132
8.4.2 Ergebnisse der Subjektiven Bewertung
Mutation: Fu¨r die Mutation wird nach der all-
gemeinen Akzeptanz, nach Vorteilen der Ver-
µsbjmutgen µ
sbj
mutsiz µ
sbj
mutcol
µsbjmutanm µ
sbj
mutfrq
0, 3333 0, 35 0, 51 0, 75 0, 78
Tabelle 8.18: Mittelwerte: Mutation
a¨nderungen von Gro¨ßen, Farben, des Animati-
onsstatus und nach der Zufriedenheit mit der
Mutationsha¨ufigkeit gefragt. Der Gesamtwert
der Bewertung erha¨lt den niedrigsten Wert al-
ler abstrahierten Mechanismen, liegt jedoch noch im unteren neutralen Bereich. Allgemein wer-
den die ungerichteten Vera¨nderungen als schlecht beurteilt. Gleiches gilt fu¨r die Gro¨ßena¨nde-
rungen. Die Farba¨nderungen erhalten mit der Bewertung Neutral die zweitbeste Bewertung, die
beste Bewertung erreicht die Animationseigenschaft mit einer Einscha¨tzung zwischen Gut und
Sehr gut. Die Ha¨ufigkeit der Mutationen wird mit dem Wert Zu viel eingescha¨tzt. Die Boxplots
von Bild 8.7 zeigen die ho¨heren Bewertungen fu¨r die Animation und Ha¨ufigkeit.
8.4.2.5 Auswertung der subjektiven Kriterien der Evolutiona¨ren Optimierung – Vorbildung
und Ausrichtung
Fu¨r die Probanden-Vorbildung und die Ausrichtung der EOGUI-Oberfla¨chen werden fu¨r die
Evolutiona¨re Optimierung die Gesamtauswertung sowie alle drei Mechanismen betrachtet.
Gesamt – Vorbildung Probanden: Die Probanden mit
ηidpbgr µ
sbj
sel µ
sbj
rcb µ
sbj
mut
TEC 0, 69 0, 56 0, 49
NTEC 0, 53 0, 50 0, 48
Tabelle 8.19: Mittelwerte: Gesamt
Vorbildung
technischer Vorbildung bewerten die einzelnen Mecha-
nismen durchgehend ho¨her als die nicht-technischen. In
der Tendenz der Werte stimmen beide Gruppen u¨ber-
ein.
Gesamt – Ausrichtung EOGUI-Oberfla¨che: Die Pro-
ηidport µ
sbj
sel µ
sbj
rcb µ
sbj
mut
TPO 0, 60 0, 50 0, 44
KGO 0, 63 0, 58 0, 57
Tabelle 8.20: Mittelwerte: Gesamt
Ausrichtung
banden mit den topologisch ausgerichteten Oberfla¨chen
bewerten die einzelnen Mechanismen geringer als die
Probanden mit den kognitions-orientierten EOGUI-Ober-
fla¨chen.
Selektion – Vorbildung Probanden:Der Ansatz, die bio-
ηidpbgr µ
sbj
selgen
µsbjselsiz
TEC 0, 94 0, 44
NTEC 0, 61 0, 44
Tabelle 8.21: Mittelwerte: Selektion
Vorbildung
logische Selektion als Optimierungsmethode fu¨r Mensch-
Maschine-Systeme zu verwenden wird von den Proban-
den mit technischer Vorbildung mit Ausgezeichnet, von
den Nicht-technischen als Gut eingescha¨tzt. Das Wachs-
tum auf Basis der Fitness wird von beiden Gruppen mit
der Bewertung Weniger (Vorteile) bewertet.
Selektion – Ausrichtung EOGUI-Oberfla¨che: Fu¨r die
ηidport µ
sbj
selgen
µsbjselsiz
TPO 0, 79 0, 42
KGO 0, 75 0, 50
Tabelle 8.22: Mittelwerte: Selektion
Ausrichtung
beiden Ausrichtungen der EOGUI-Oberfla¨che wird der
Ansatz mit Sehr gut (topologisch-orientiert ho¨her als
kognitions-orientiert) und das Wachstum fu¨r die kogni-
tions-orientierte Oberfla¨che mit Neutral, bzw. mit We-
nig Vorteilen durch die topologisch-orientierte EOGUI-
Oberfla¨che eingescha¨tzt.
Rekombination – Vorbildung Probanden: Die Rekom-
ηidpbgr µ
sbj
rcbgen
µsbjrcbcbn µ
sbj
rcbfrm
TEC 0, 50 0, 61 0, 56
NTEC 0, 44 0, 56 0, 50
Tabelle 8.23: Mittelwerte: Rekombination
Vorbildung
binationsbewertung fu¨r die Probanden mit technischer
Vorbildung liegen durchga¨ngig u¨ber den Werten der
nicht-technischen Probanden. Der allgemeine Ansatz
der Rekombination zum Bilden neuer Individuen wird
von beiden Gruppen Neutral bewertet. Trotzdem er-
halten die Rekombinationsverfahren ho¨here Bewertun-
gen: die Rekombination durch Kombination ho¨her als die Rekombination der Form. Die techni-
133
8.4 Auswertung des Experiments
schen Probanden weisen dem KombinationsverfahrenVieleVorteile zu, die u¨brigen Bewertungen
sind fu¨r beide Gruppen im Bereich Neutral.
Rekombination – Ausrichtung EOGUI-Oberfla¨che:Die
ηidport µ
sbj
rcbgen
µsbjrcbcbn µ
sbj
rcbfrm
TPO 0, 46 0, 54 0, 50
KGO 0, 50 0, 67 0, 58
Tabelle 8.24: Mittelwerte: Rekombinati-
on – Ausrichtung
Bewertungen fu¨r die Ausrichtung der EOGUI-Oberfla¨che
zeigt die Tabelle 8.24. Allgemein gilt eher eine Neutral-
Bewertung, kognitions-orientiert liegt mit Viel Vorteilen
u¨ber der topologisch-orientierten Bewertung (Neutral).
Die Verfahren werden ho¨her eingescha¨tzt. Die Werte der
kognitions-orientierten Oberfla¨chen (Viel Vorteile durch
Kombination-, Viel Vorteile/Neutral durch Form-Rekombination) liegen allesamt ho¨her als die
Beurteilungen der Probanden mit den topologisch-orientierten EOGUI-Oberfla¨chen (beide Neu-
tral).
Mutation – Vorbildung Probanden:
ηidpbgr µ
sbj
mutgen µ
sbj
mutsiz µ
sbj
mutcol
µsbjmutanm µ
sbj
mutfrq
TEC 0, 28 0, 35 0, 53 0, 61 0, 67
NTEC 0, 39 0, 35 0, 49 0, 89 0, 89
Tabelle 8.25: Mittelwerte: Mutation – Vorbildung
Der allgemeine Mutationsansatz wird
von den Probanden technischer Vorbil-
dung mit der Bewertung zwischen Sehr
schlecht und Schlecht deutlich abgelehnt,
von den Probanden nicht-technischer
Vorbildung ebenfalls, jedoch mit Schlecht nicht so ausgepra¨gt. Die Mutation der Gro¨ßen erha¨lt
fu¨r beide Gruppen den gleichen niedrigen Wert (Wenig Vorteile). Farbmutationen werden von
beiden Gruppen Neutral eingescha¨tzt, Probanden mit technischer Vorbildung mit Tendenz zur
guten Beurteilung, nicht-technische Probanden neigen eher zur Beurteilung Schlecht. Die Ani-
mationen bewerten die technischen Probanden als Gut, die nicht-technischen Probanden sogar
als Sehr gut. Die Ha¨ufigkeit der Mutationen wird von den Probanden mit technischer Vorbildung
als Viel zu viel, von den nicht-technischen Probanden als Zu viel angesehen.
Mutation – Ausrichtung EOGUI-Ober-
ηidport µ
sbj
mutgen µ
sbj
mutsiz µ
sbj
mutcol
µsbjmutanm µ
sbj
mutfrq
TPO 0, 25 0, 31 0, 46 0, 83 0, 67
KGO 0, 50 0, 42 0, 62 0, 58 1, 00
Tabelle 8.26: Mittelwerte: Mutation – Ausrichtung
fla¨che: Probanden mit den topologisch-
orientierten Oberfla¨chen beurteilen den
allgemeinen Ansatz mit Bewertungen
zwischen Sehr schlecht und Schlecht, die
der kognitions-orientierten Oberfla¨chen
Neutral. Gro¨ßenmutationen liegen fu¨r die topologisch-orientierten Oberfla¨chen mit der Bewer-
tung Wenig (Vorteile) im unteren Bereich, fu¨r die kognitions-orientierten Oberfla¨chen liegen
sie zwischen Wenig und Neutral. Farbmutationen werden von den Probanden mit topologisch-
orientierten EOGUI-Oberfla¨chen eher Neutral, von den Probanden mit kognitions-orientierten
Oberfla¨chen Neutral bis Gut eingescha¨tzt. Ho¨here Bewertungen erhalten die Animationsmuta-
tionen, Sehr gut fu¨r die topologisch-orientierten Oberfla¨chen, Neutral bis Gut fu¨r die kognitions-
orientierten Oberfla¨chen. Die Probanden der topologisch-orientierten Oberfla¨chen bewerten die
Mutationsha¨ufigkeit als Zu viel, die der kognitions-orientierten Oberfla¨chen mit der maximalen
mo¨glichen Bewertung.
8.4.3 Ergebnisse der EOGUI-Methodik
Die Bilder der folgenden beiden Abschnitte zeigen die generierten Oberfla¨chen. Wa¨hrend sich
die Ergebnisse der Probanden mit technischer Vorbildung gleichen, gibt es bei den Proban-
den mit nicht-technischer Vorbildung eine Ausnahme. Die Bilder 8.8 bis 8.13 zeigen jeweils
links die U¨bersicht und rechts exemplarisch eine untergeordnete Sicht. Im Anhang C.3 sind die
kompletten Sichten der generierten Oberfla¨chen abgebildet.
8.4.3.1 EOGUI-Oberfla¨chen fu¨r Probanden mit technischer Vorbildung
Fu¨r alle drei Probanden technischer Auspra¨gung haben sich die Annahmen von Abschnitt
8.2.5 fu¨r die Ausrichtung der Oberfla¨chen besta¨tigt. Alle drei generierten Oberfla¨chen besit-
zen eine topologisch-orientierte Struktur mit unterschiedlichen Anteilen von TOP-, Virt3D-und
134
8.4.3 Ergebnisse der EOGUI-Methodik
EID-Individuen. Neben den Nachkommen aus der Rekombination durch Replikation sind auch
Nachkommen aus der Rekombination durch Kombination und Formverschmelzung entstanden.
Ferner traten in allen Populationen Mutationen auf. Die folgenden Punkte analysieren die wich-
tigsten Individuen der neuen Oberfla¨chen.
Proband 1: Fu¨r
Bild 8.8: Experiment: Ergebnis der EOGUI-Methodik – Proband 1 (Technisch)
den ersten Pro-
banden beinhal-
tet die U¨bersicht
keinerlei EID-In-
dividuen, dafu¨r
aber die unterge-
ordneten Sichten.
Die U¨bersicht, in
Bild 8.8 links, be-
steht in etwa zu
gleichen Anteilen
aus Virt3D- und
TOP-Individuen. Fu¨r die untergeordneten Sichten entstammen die Ventile unterschiedlichen
Rekombinationsformen. Das Ventil V101 besitzt die a¨ußere Form des Virt3D-Symbols und die
innere Form des TOP-Symbols. Bei den Ventilen V102, V103 und V401 ist es umgekehrt. Das
Ventil V201 ist durch Replikation des Virt3D-Symbols entstanden. Fu¨r die Wa¨rmetauscher hat
sich eine Individuentyp-orientierte Rekombination vollzogen (außen TOP, innen Virt3D). Fu¨r
die Pumpen haben sich ebenfalls unterschiedliche Formen gebildet. Die Pumpe P101 besitzt die
a¨ußere Form des Virt3D-Symbols, die innere Form kommt vom TOP-Symbol. Die Pumpen P102,
P401 und P402 sind rein topologische Symbole. Fo¨rderer, Regler und Anzeigen sind ebenfalls
formrekombiniert, i.d.R. außen Virt3D und innen TOP. Die Beha¨lter sind fu¨r die Untersysteme
SUB01 und SUB04 als Virt3D-Symbol, fu¨r die U¨bersicht, SUB02 und SUB03 als TOP Sym-
bole ausgefu¨hrt. Die Rohrleitungen der untergeordneten Sichten entsprechen durchgehend der
Virt3D-Sicht. Mutationen gibt es im wesentlichen fu¨r die Bezeichnergro¨ßen. Farbmutationen
unterworfen sind die U¨bersicht sowie die untergeordneten Sichten SUB01 und SUB03. Fu¨r die
Pumpe P101 der U¨bersicht ist die Animationseigenschaft durch Mutation aktiv geschaltet.
Proband 2: Fu¨r
Bild 8.9: Experiment: Ergebnis der EOGUI-Methodik – Proband 2 (Technisch)
Proband 2 bein-
haltet auch die
U¨bersicht EID-
Mappings. Bis
auf einige Signal-
leitungen und die
Rohrleitungen so-
wie Anzeigen, die
als Virt3D-Sym-
bole ausgefu¨hrt
sind, haben sich
die anderen Indi-
viduen zu TOP-
Darstellungen er-
geben. Eine Besonderheit ist das in der U¨bersicht enthaltene MFM-Ziel. Dieses Individuum hat
u¨ber die Rekombination durch Kombination Einzug in die neue Oberfla¨che gefunden. Ansons-
ten hat fu¨r die Oberfla¨che des zweiten Probanden keinerlei Rekombination stattgefunden. Die
Rohrleitungen entsprechen der Virt3D-Sicht. Neben den verschiedenen Gro¨ßen und Farbeigen-
schaften sind auch die Fu¨llstandsdarstellungen der Beha¨lter B101 und B301 sowohl in der
U¨bersicht als auch in den untergeordneten Sichten mutiert. Die Animationseigenschaften der
Pumpen P102 und P401 der U¨bersicht sind durch Mutation aktiv geschaltet.
135
8.4 Auswertung des Experiments
Proband 3: Die
U¨bersicht fu¨r den
Bild 8.10: Experiment: Ergebnis der EOGUI-Methodik – Proband 3 (Technisch)
dritten Proban-
den a¨hnelt der
des zweiten Pro-
banden. Auch fu¨r
diesen Fall herr-
schen TOP-Sym-
bole vor. Zehn
Mappings sowie
drei MFM-Ziele
haben den Ein-
gang in die neue
Oberfla¨che ge-
schafft: eines u¨ber Rekombination durch Kombination mit einem EID-Mapping, zwei durch
Kombination mit Untersystemen. Fu¨r die untergeordneten Sichten existieren Rekombinationen
der Form fu¨r die Pumpen P102 und P401 sowie individuentyp-orientierte Rekombinationen fu¨r
die Ventile (innen Virt3D, außen TOP). Interessant fu¨r den Beha¨lter B101 ist die Virt3D-Form
in der U¨bersicht und die TOP-Form der untergeordneten Sicht. Fu¨r den Beha¨lter B301 ist es
umgekehrt. Wie bei Proband 1 ist die a¨ußere Form des TOP-Fo¨rderers mit der inneren Form
der Virt3D-Darstellung rekombiniert. Die Rohrleitungen sind wie fu¨r die ersten beiden Pro-
banden als Virt3D-Symbole ausgefu¨hrt. Die auffa¨lligste Mutation fu¨r Proband 3 ist die gru¨ne
Hintergrundfarbe der U¨bersicht. Die Animationseigenschaft ist fu¨r die Pumpe P101, die Quelle
der Flussstruktur Gpro6 , den Speicher (Gpro20) und den Transport von Gpro21 aktiv. Weitere
Mutationen betreffen wiederum die Gro¨ßen- und Farbeigenschaften.
8.4.3.2 EOGUI-Oberfla¨chen fu¨r Probanden mit nicht-technischer Vorbildung
Fu¨r die drei Probanden mit nicht-technischer Vorbildung haben sich die Annahmen von Ab-
schnitt 8.2.5 mit einer Ausnahme besta¨tigt. Zwei Oberfla¨chen besitzen eine kognitions-orientierte
Ausrichtung mit MFM-Individuen, eine Oberfla¨che ist topologisch-orientiert mit hoher Ten-
denz zur Virt3D-Sicht. Mapping-Individuen sind durch Rekombination ebenso vorhanden wie
Virt3D-Sichten und TOP-Elemente u¨ber Form-Rekombination. Fu¨r beide kognitions-orientierten
Sichten war auch der Zugriff auf die topologisch-orientierten Detailsichten u¨ber Rekombination
durch Ebenen-Kombination mo¨glich. Dieser Zugriff wurde von den entsprechenden Probanden
jedoch nicht benutzt.
Proband 4: Der
Bild 8.11: Experiment: Ergebnis der EOGUI-Methodik – Proband 4 (Nicht-
Technisch)
vierte Proband
hat fu¨r seine kog-
nitions-orientier-
te MFM-U¨ber-
sicht die system-
bezogene Anord-
nung der Ziele ge-
wa¨hlt. Fu¨r fu¨nf
Ziele hat sich
durch Mutation
die Eigenschaft
des Zielerfu¨llungs-
grades aufgeschal-
tet. In den Fluss-
strukturen hat ei-
ne Rekombination durch Kombination zwischen Zielen und EID-Mappings fu¨r die Ziele 13, 14,
136
8.4.3 Ergebnisse der EOGUI-Methodik
16, 21, 22 und 23 sowie fu¨r die U¨bersicht stattgefunden. Rekombination der Form betrifft die
Typen Speicher/Virt3D-Beha¨lter fu¨r die Flussstrukturen der Ziele 1, 6 und 20, Senke/Virt3D-
Ventil fu¨r das Ziel 1, Aktor/Virt3D-Ventil fu¨r das Ziel 2, Beobachter/Virt3D-Anzeige fu¨r die
Ziele 3, 19 und 20 sowie Beobachter/TOP-Anzeige fu¨r das Ziel 17. Diese Rekombinationen be-
ziehen sich auf einzelne Individuen, nicht auf Individuentypen. Fu¨r die topologisch-orientierten
Sichten des Probanden 4 ergibt sich der gro¨ßte Anteil fu¨r die Virt3D-Darstellung, mit Aus-
nahme des Untersystems SUB01 (dort u¨berwiegen die TOP-Individuen). Rekombinationen der
Form haben sich fu¨r die Individuen der Pumpen P101 und P102 (innen Virt3D, außen TOP),
der Anzeigen TD301 und QD301 (außen TOP, innen Virt3D) der TOP-Regler und den entspre-
chenden MFM-Entscheidern fu¨r die FC103 und TC102, des Ventils V201 und dem zugeho¨rigen
Transport und die Pumpe/Transport-Rekombination fu¨r die Pumpe P401. Einer Vera¨nderung
durch Mutation waren die Hintergrundfarben der Fenster 8, 10, 16, der Flussstrukturen 2, 6,
7, 9, 12, 20 und 23 sowie die Linienbreiten von Ziel- und einiger Flussfunktionsverbindungen
ausgesetzt. Weiterhin ist eine Zielbezeichnerfarbe mutiert.
Proband 5: Das
Bild 8.12: Experiment: Ergebnis der EOGUI-Methodik – Proband 5 (Nicht-
Technisch)
Ergebnis des Pro-
banden 5 gleicht
dem des vierten
Probanden. Auch
hier bildet die
MFM-Zielhierar-
chie die U¨ber-
sichtsebene und
die Flussstruktu-
ren und -funk-
tionen die unte-
ren Ebenen, von
denen aus die topologisch-orientierten Sichten der gleichen Ebenen aufrufbar sind. Zusa¨tzlich
zur Rekombination Ziel/Mapping ist in der U¨bersicht die Rekombination Ziel/Untersystem auf-
getreten. Rekombinationen dieser Form ergeben sich fu¨r die Flussstrukturen der Ziele 2 bis 10
sowie fu¨r 13, 14, 16 und 18. Rekombinationen der Form existieren fu¨r die Typen Speicher/TOP-
Beha¨lter fu¨r die Flussstrukturen der Ziele 1, 4, 6, 21, Beobachter/TOP-Anzeige fu¨r 2 und 4,
Quelle/TOP-Beha¨lter fu¨r die Flussstruktur des Zieles 16, Transport/TOP-Regler fu¨r 19 sowie
Aktor/TOP-Ventil fu¨r die Flussstruktur des Zieles 19. Im Falle der topologisch-orientierten
Sicht ist der TOP-Anteil ho¨her als der Virt3D-Anteil. Bis auf die Rohrleitungen, den Motor
M301, die Ventile V102 und V103 sowie den Wa¨rmetauscher W401 sind alle Individuen der
Interaktionsebene als TOP-Darstellungen ausgefu¨hrt. Formrekombinationen gibt es fu¨r die In-
dividuen V101 (innen MFM-Transport, außen TOP) und V103 (innen MFM-Transport, außen
Virt3D), V102 (innen TOP, außen Virt3D), die Pumpen P101 (innen Virt3D, außen TOP),
P102 (innen MFM-Transport, außen TOP), P401 (innen TOP, außen Virt3D), W101 (innen
MFM-Quelle, außen TOP) sowie fu¨r die Regler FC103 und TC103 (innen MFM-Entscheider,
außen TOP). Fu¨r die Sichten SUB02 und SUB03 ergeben sich keine Formkombinationen. Fu¨r
alle vier topologisch-orientierten Sichten sind EID-Mappings vorhanden. Mutationen gibt es wie
beim Probanden 4 hauptsa¨chlich bei den Farben und Linienbreiten. Die Hintergrundfarben der
U¨bersicht sowie der Fenster 1, 2, 5, 6, 8, 16, 18, 21 und der Flussstrukturen fu¨r die Ziele 1, 2,
4, 14, 17, 20 und 22 sind vera¨ndert.
Proband 6: Der sechste Proband bildet eine Ausnahme unter den Probanden mit nicht-tech-
nischer Vorbildung. Im Gegensatz zu den anderen beiden Probanden 4 und 5 hat dieser Pro-
band die Virt3D-Oberfla¨che bevorzugt. Dessen EOGUI-Oberfla¨che setzt sich weitestgehend aus
Virt3D-Individuen zusammen, mit Ausnahme der Beha¨lter B101 (U¨bersicht und SUB01), B301
(U¨bersicht), der Pumpen P101, P102 (beide U¨bersicht), P401, P402 (SUB04), der Ventile V101,
V201 (beide U¨bersicht), V103 (SUB01), des Wa¨rmetauschersW101 (SUB01), des Reglers FC401
137
8.4 Auswertung des Experiments
(SUB04) und der
Anzeige QD301
Bild 8.13: Experiment: Ergebnis der EOGUI-Methodik – Proband 6 (Nicht-
Technisch)
(SUB03). Rekom-
bination durch
Kombination exi-
stiert fu¨r die EID-
Mappings sa¨mtli-
cher Detail-Sich-
ten (SUB01 bis
SUB04). Eine Re-
kombination der
Form ist fu¨r kein
Individuum auf-
getreten. Muta-
tionen sind die
animierte Darstellung der Pumpen P101 in der U¨bersicht, die Fu¨llstandswiedergabe des Beha¨lters
B101 (SUB01) sowie weniger ha¨ufige Farb- und Gro¨ßena¨nderungen.
8.4.4 Auswertung der Nebenaufgabe
Die Nebenaufgabe wird nicht detail-
ηguii ηscnj N
sbt
sol N
sbt
uns
∑
abs % abs %
S0 119 96, 7 4 3, 3 123
S1 186 96, 9 6 3, 1 192
VTEM S2 121 95, 2 6 4, 8 127
S3 90 93, 8 6 6, 2 96∑
, N¯ 516 95, 7 22 4, 3 538
S0 1558 97, 1 47 2, 9 1605
S1 278 96, 5 10 3, 5 288
EOGUI S2 204 94, 8 11 5, 2 215
S3 221 97, 8 5 2, 2 226∑
, N¯ 2261 96, 6 73 3, 4 2334
Tabelle 8.27: Experiment: Auswertung der Nebenaufgabe
liert ausgewertet, da sie von den Pro-
banden sehr unterschiedlich bearbeitet
wurde. Teilweise haben die Probanden
sie ganz vernachla¨ssigt, teils nur zu Be-
ginn bearbeitet und dann u¨ber die an-
deren Aufgaben vergessen. Unter die-
sem Aspekt sind die Daten der Tabel-
le zu sehen. Mit zunehmenden Schwie-
rigkeitsgrad der Sto¨rungsszenarien sind
weniger Nebenaufgaben ausgefu¨hrt wor-
den. Im Mittel wurden fu¨r die EOGUI-
Oberfla¨che mehr Nebenaufgaben bear-
beitet und auch prozentual mehr gelo¨st
als bei den Ausgangsoberfla¨chen. Der
Proband 6 hat sich vermutlich aus Unmut u¨ber die Ausrichtung der EOGUI-Oberfla¨che und
der Schwierigkeit der Aufgabe, entgegen der Vorgabe, fu¨r dieses Szenario ganz auf das Lo¨sen
der Nebenaufgabe konzentriert und die eigentliche Aufgabe vernachla¨ssigt. Die Tabelle zeigt die
Ergebnisse der Nebenaufgabe fu¨r die gelo¨sten und ungelo¨sten Rechenaufgaben abha¨ngig von
den Variablen der Bedienoberfla¨chen und der Szenarien.14
8.4.5 Diskussion der Ergebnisse
Die Diskussion der Ergebnisse beinhaltet sowohl Erkenntnisse aus der Auswertung der objek-
tiven und subjektiven Kriterien als auch Aussagen aus der abschließenden Diskussion mit den
Probanden.
8.4.5.1 Objektiver Teil
Fu¨r den objektiven Teil des Experiments la¨sst sich insgesamt die Aussage treffen, dass die
mit der EOGUI-Methodik optimierten Oberfla¨chen fu¨r alle Kriterien bessere Werte erreichen
14Fu¨r die nicht aufgefu¨hrten Vorbildungen der Bediener und die Ausrichtungen der EOGUI-Oberfla¨chen exis-
tieren kaum Unterschiede in den prozentualen Anteilen der gelo¨sten bzw. ungelo¨sten Rechenaufgaben.
138
8.4.5 Diskussion der Ergebnisse
als die Ausgangsoberfla¨chen. Aufgelo¨st nach der Vorbildung der Probanden und der Ausrich-
tung der generierten Oberfla¨chen ist eine differenzierte Betrachtung mo¨glich. Probanden mit
technischer Vorbildung erzielen durchgehend ho¨here Werte, wogegen sich fu¨r Probanden mit
nicht-technischer Vorbildung zwar auch Verbesserungen ergeben, diese aber nicht so ausgepra¨gt
ausfallen. Die Evolutiona¨re Optimierung ist demnach fu¨r die betrachtete Klasse der Mensch-
Maschine-Schnittstellen – hier die industrielle Prozessvisualisierung – fu¨r Bediener mit techni-
scher Vorbildung ausgepra¨gter geeignet als fu¨r nicht-technische Bediener. Das bedeutet jedoch
nicht, dass die EOGUI-Methodik fu¨r andere Formen von Mensch-Maschine-Schnittstellen in Be-
zug auf die Probandenvorbildung zwangsla¨ufig die gleichen Ergebnisse erzielen wird. Die nahe
liegende Erkenntnis ist, dass die Evolutiona¨re Optimierung von industriellen Prozessvisualisie-
rungen die gro¨ßten Verbesserungen fu¨r Bediener mit technischer Vorbildung liefert.
Fu¨r die Ausrichtung der EOGUI-Oberfla¨chen ergeben sich fu¨r die topologisch-orientierten
Sichten gegenu¨ber den kognitions-orientierten Sichten ho¨here Kriterienwerte. Dies ist insofern
bemerkenswert, als das es – neben den Probanden mit technischer Vorbildung – auch den
nicht-technischen Probanden 6 zutrifft. Auch dessen Werte fu¨r die objektiven Kriterien sind
fu¨r die u¨berwiegend aus Virt3D-Individuen bestehende EOGUI-Oberfla¨che in gleicher Weise
ho¨her wie bei den Probanden mit technischer Vorbildung. Damit ha¨ngen die besseren objekti-
ven Ergebnisse eher von der Ausrichtung der neuen Oberfla¨che ab, als von der Vorbildung der
Probanden. Die kognitions-orientierten EOGUI-Oberfla¨chen der Probanden 4 und 5 bestehen
im wesentlichen aus MFM-Individuen. Diese beiden Probanden konnten sich auf der EOGUI-
Oberfla¨che schlechter orientieren15, mussten daher la¨nger nach gewu¨nschten Individuen suchen
und mehr Aktionen ausfu¨hren. Mit den MFM-Individuen wurden Fehler zwar schnell erkannt,
jedoch bereitete deren Behebung, auch nach Aussagen der betroffenen Probanden, Probleme.
Von Nachteil ist die ”indirekte” Sicht auf den Prozess, u¨ber dessen Ziele und Funktionen. Die
Probanden mussten nach eigener Aussage viele Bezeichner der entsprechenden Individuen ab-
lesen, um die beno¨tigten Anzeigen und Steuerungen finden und aufschalten zu ko¨nnen. Hier
geht Zeit verloren. Nicht ausreichend aufmerksam oder falsch interpretierte Bezeichner ko¨nnen
ebenfalls zum Zeitverlust im Laufe der Szenarien beitragen. Diese Aussagen lassen den Schluss
zu, dass die MFM-Symbolik von den Probanden nicht ausreichend verstanden bzw. erlernt wur-
de, da mehr die Bezeichner als die zugeho¨rigen Symbole betrachtet worden sind. In einem Fall
wurde die Diskrepanz zwischen den MFM-Zielbezeichnern und den tatsa¨chlichen Zielzusta¨nden
moniert. Da der Zielzustand nur graphisch u¨ber die Farbgebung codiert wird und nicht textlich
u¨ber den Bezeichner, gab es Missversta¨ndnisse bei den Interpretationen der Zielzusta¨nde. Das
hat zu teilweise verspa¨tetem Eingreifen des betroffenen Probanden gefu¨hrt. Diese Ergebnis-
se besta¨tigen eine im Rahmen eines DFG-Projektes durchgefu¨hrte Untersuchung, wonach fu¨r
die objektiven Kriterien fu¨r MFM die schlechtesten Werte festgestellt werden (Vo¨lkel, 2001a;
2001b; 2001c). Nichts desto trotz liegen die Ergebnisse fu¨r die objektiven Kriterien der EOGUI-
Oberfla¨chen auch fu¨r die kognitions-orientierten Oberfla¨chen mit den MFM-Individuen ho¨her
als fu¨r die urspru¨nglichen Oberfla¨chen. Einzige Ausnahme ist die erho¨hte Aktionsanzahl fu¨r
die kognitions-orientierten EOGUI-Oberfla¨chen. Fu¨r alle anderen objektiven Kriterien hat sich
fu¨r die neu generierte EOGUI-Oberfla¨che eine deutliche Verbesserung ergeben. Mit den dem
Bediener angepassten Oberfla¨chen waren weniger Aktionen zur Bewa¨ltigung gestellter Aufga-
ben no¨tig, Sollwerte wurden genauer eingestellt und gehalten, die Wirksamkeit der Handlungen
waren besser, es wurde weniger Zeit zum Beheben ungewollter Situationen beno¨tigt und es
wurden mehr Szenarien bewa¨ltigt.
8.4.5.2 Subjektiver Teil
Entsprechend den fru¨heren Kapiteln wird die Diskussion der subjektiven Ergebnisse wiederum
in einen allgemeinen Teil und einen Teil bezogen auf die Evolutiona¨re Optimierung aufgetrennt.
15Siehe Abschnitt 8.4.2.2, Tabelle 8.9.
139
8.4 Auswertung des Experiments
Allgemein
Bis fu¨r das Spaß-Kriterium haben sich fu¨r alle subjektiven Kriterien bessere Werte fu¨r die
evolutiona¨r optimierten Bedienoberfla¨chen ergeben als fu¨r die urspru¨nglichen Oberfla¨chen. Im
Vergleich der Probanden mit und ohne technische Vorbildung haben die Probanden mit tech-
nischer Vorbildung fu¨r alle Kriterien, bis auf die Beanspruchung (Gleichstand), die neue Ober-
fla¨che ho¨her eingescha¨tzt. Fu¨r die Probanden mit nicht-technischer Vorbildung existieren Ver-
besserungen fu¨r die Transparenz und die Beanspruchung, die anderen Kriterien sind fu¨r die
EOGUI-Oberfla¨chen schlechter bewertet als die urspru¨nglichen Oberfla¨chen.
Die niedrigen Beurteilungen stammen im wesentlichen vom Probanden 6. Dieser Proband
hat im Laufe des Experiments eine hohe Pra¨ferenz fu¨r die Virt3D-Darstellung herausgebildet.
Die Pra¨ferenz beruht auf dem niedrigen Abstraktionsgrad und der resultierenden realistischen
Darstellung, weshalb sie dem Probanden am meisten zugesagt hat. Aus diesem Grund hat
Proband 6 auch eine vollsta¨ndige Virt3D-Darstellung als neue Oberfla¨che erwartet. Zwar hat
der Proband die Szenarien komplett mit der Virt3D-Oberfla¨che bearbeitet, hat jedoch in der
Subjektiv-Adaption teilweise auch gute Bewertungen fu¨r TOP-Individuen, z.B. Beha¨lter und
Rohrleitungen, abgegeben. Der EOGUI-Algorithmus hat diese Beurteilungen entgegen den Er-
wartungen des Probanden bei der Generierung der neuen Oberfla¨che beru¨cksichtigt und entspre-
chend topologische Anteile in die EOGUI-Oberfla¨che eingebaut. Diese haben den Probanden
6 so stark gesto¨rt, dass er fu¨r alle subjektiven Kriterien, mit Ausnahme der Transparenz und
der Beanspruchung, schlechte Bewertungen angegeben hat. Besonders das Kriterium Vertrauen
wird vom Proband 6 entsprechend schlecht fu¨r die EOGUI-Oberfla¨che bewertet, wie auch die
Navigation besonders ungu¨nstige Werte erha¨lt.
Die kognitions-orientierten EOGUI-Oberfla¨chen haben fu¨r die beiden anderen Probanden 4
und 5 mit nicht-technischer Vorbildung keine oder nur marginale Verbesserungen im objektiven
Teil des Experiments gebracht. Daher wird subjektiv fu¨r die optimierte Oberfla¨che keine Verbes-
serung empfunden. Die Probanden 4 und 5 bema¨ngeln zudem eine teilweise fehlende U¨bersicht
u¨ber das Geschehen. Die schon angesprochene doch fehlende ”direkte” Sicht auf den Prozess
wird von diesen Probanden mit als Grund fu¨r die schlechtere Bewertung des Fehlermanagements
fu¨r die neue Oberfla¨che genannt. Die Verbesserungen in der Transparenz und der Navigation so-
wie die erwa¨hnten Verschlechterungen im Fehlermanagement, besonders der Fehlerkorrektur, fu¨r
die kognitions-orientierten Oberfla¨chen durch die Probanden 4 und 5 entsprechen den Aussagen
des objektiven Teils. Fehler ko¨nnen mit den MFM-Individuen zwar gut erkannt werden, lassen
sich aber schwieriger beheben. A¨hnliches gilt fu¨r den Probanden 6. Fehler werden gut erkannt
(ho¨here Transparenzbewertung) ko¨nnen aber nicht so gut behoben werden. Anders formuliert
sagen die gute Bewertung der Transparenz und die schlechte Bewertung der u¨brigen subjektiven
Kriterien sowie die niedrigen objektiven Kriterienwerte fu¨r die Probanden mit nicht-technischer
Vorbildung aus, dass die EOGUI-Oberfla¨chen zwar gut u¨ber den Systemzustand informiert ha-
ben und so das Beobachten des Prozesses unterstu¨tzen, aber Schwierigkeiten beim konkreten
Handeln mit der Oberfla¨che auftreten. Zusammen mit den Bewertungen des nicht mit dem
Ergebnis zufriedenen Probanden werden darum im Vergleich der Oberfla¨chen vor und nach der
Optimierung fu¨r die EOGUI-Oberfla¨chen der Probanden mit nicht-technischer Vorbildung die
schlechteren Einscha¨tzungen erzielt. Der fehlende Anteil der topologisch-orientierten Sichten an
der Prozessfu¨hrung fu¨r die Probanden 4 und 5 liegt am zu klein ausgefu¨hrten Aufrufschalter in
den Formularen. In der Situation der Szenarienbearbeitung gera¨t dieser Schalter schlicht aus
dem Blickfeld, wodurch beide Probanden die topologisch-orientierten Sichten nicht aufgerufen
haben.
Die ho¨here Bewertung des Spaß-Kriteriums fu¨r die Ursprungsoberfla¨chen gegenu¨ber der
EOGUI-Oberfla¨che kommt u.a. daher, dass die Auswahl der Objekte im ersten Teil des Experi-
ments (Datenerfassung 1) mehr Freude bereitet hat als der tatsa¨chliche Umgang. Ein weiterer
Grund kann in den als sto¨rend empfundenen Vera¨nderungen aufgrund von Mutationen liegen.
Nicht alle Vera¨nderungen auf den Bedienoberfla¨chen sind Folge der Handlungen der Bediener,
sondern das Ergebnis zufa¨lliger Vorga¨nge in der Mutation und in der Roulette-Selektion. So ist
es passiert, dass gewu¨nschte Individuen nicht in der neuen Oberfla¨che auftraten, obwohl diese
140
8.4.5 Diskussion der Ergebnisse
hoch bewertet wurden. Beispielsweise wurde in einem Fall der Virt3D-Fo¨rderer besonders hoch
eingescha¨tzt, jedoch hat die Roulette-Selektion dazu gefu¨hrt, dass nicht das Individuum mit der
deutlich ho¨chsten Fitness ausgewa¨hlt wurde, sondern fu¨r beide Sichten (U¨bersicht und Detail)
der niedriger bewertete, nicht animierte TOP-Fo¨rderer. Dies wurde als sehr sto¨rend betrachtet
und fu¨hrt in a¨hnlichen Fa¨llen zu einer Verminderung des Spaßfaktors.
Die Probanden mit technischer Vorbildung haben u¨bereinstimmend die Anpassung der
EOGUI-Oberfla¨chen an ihre Pra¨ferenzen besta¨tigt, was die Verbesserung in allen subjekti-
ven Kriterien fu¨r die neue Oberfla¨che erkla¨rt. Die U¨bereinstimmung mit den Pra¨ferenzen gilt
auch fu¨r die nicht-technischen Probanden, wenn auch weniger deutlich. Auszunehmen ist der
Proband 6, dem der topologische Anteil zu umfangreich ist. Die Annahmen aus Abschnitt 8.2.5
haben sich insgesamt gesehen besta¨tigt, fu¨r die nicht-technischen Probanden nur zum Teil.
Evolutiona¨re Optimierung
Selektion: Kritik wird von den Probanden mit technischer Vorbildung am Vorgehen der Selek-
tion dann geu¨bt, wenn bestimmte, sehr gewu¨nschte Individuen nicht aus der entsprechenden Po-
pulation ausgewa¨hlt, sondern andere Varianten u¨bernommen werden. Als Beispiel sei der schon
erwa¨hnte Virt3D-Fo¨rderer genannt, der trotz hoher Fitness keinen Eingang in die neue Ober-
fla¨che gefunden hat. Der allgemeine Ansatz, den Mechanismus der Selektion fu¨r die Optimierung
von Mensch-Maschine-Schnittstellen zu nutzen, ist von den Probanden hoch bewertet worden,
d.h. die Methode ist grundsa¨tzlich akzeptiert. Die neutrale bis schlechte Bewertung des Wachs-
tums auf Basis der Fitnesswerte kann durch die mangelnde Differenzierbarkeit zwischen fitness-
und mutationsbedingten Gro¨ßena¨nderungen begru¨ndet werden. Die Probanden konnten nicht
unterscheiden, welche Individuen aufgrund von Fitnesswerten ”gewachsen” oder ”geschrumpft”
sind und welche aufgrund von Mutationen. Die fitness-bedingten Gro¨ßena¨nderungen basieren
auf gerichteten Gro¨ßen, wogegen die Mutation ungerichtet ist. Gerichtete Gro¨ßena¨nderungen
werden durch die ungerichteten A¨nderungen als solche nicht erkennbar, d.h. die ungerichteten
heben den Effekt der gerichteten Vera¨nderungen (wichtig/unwichtig16) wieder auf.
Rekombination: Der allgemeine Ansatz der Rekombination wird eher neutral gesehen, die kon-
kreten Verfahren jedoch ho¨her bewertet. Dies liegt daran, dass das am ho¨chsten eingescha¨tzte
Verfahren der Rekombination durch Kombination nicht so sehr als abstrahierter Evolutionsme-
chanismus gesehen wird, sondern als einfaches Neuanordnen der verschiedenen Individuen. Dem
kombinatorischen Aspekt (z.B. die Verbindung eines MFM-Zieles mit einem EID-Mapping u¨ber
eine Linie) kommt keine große Bedeutung zu. Die Verschmelzung der verschiedenen Individuen
wird neutral bewertet, da die Kombination der inneren und a¨ußeren Formen von Individuen
entweder nicht weiter beachtet oder als verwirrend empfunden wird. Einzelne Formrekombina-
tionen finden jedoch Zustimmung, hier zumeist Rekombinationen der topologisch-orientierten
Oberfla¨chen. Ein Beispiel ist die neue Pumpe ( ) mit der a¨ußeren Form des Virt3D-Symbols fu¨r
die Erkennung der Komponente und die innere Form des TOP-Symbols fu¨r das Einordnen der
Fließrichtung. Ein weiteres Beispiel ist die a¨ußere Form des TOP-Wa¨rmetauschers (markantes
Rechteck) und die innere Form des Virt3D-Symbols fu¨r das Erkennen der Wa¨rmetauscher-
funktion (Erwa¨rmen oder Abku¨hlen ). Fu¨r die kognitions-orientierten EOGUI-Oberfla¨chen
seien als Beispiele fu¨r positiv aufgefallene Formrekombinationen die Verschmelzung der a¨ußeren
Form des MFM-Beobachters mit der inneren Form der TOP-Anzeige ( T ) und die a¨ußere Form
des MFM-Transports und der inneren Form des TOP-Ventils ( ) genannt. Im ersten Fall ist
das sofortige Erkennen dessen was der Beobachter anzeigt von Vorteil. Im zweiten Fall kann die
Art der Transportfunktion ebenfalls unmittelbar besser spezifiziert werden. In beiden Fa¨llen
wird die Notwendigkeit den Bezeichner abzulesen vermindert.
Mutation: Die Mutation wird als einziger abstrahierter Evolutionsmechanismus negativ ein-
gescha¨tzt. Dies liegt u.a. an der schon fu¨r die Selektion genannten fehlenden Unterscheidbarkeit
von zufallsbedingten und gerichteten Gro¨ßena¨nderungen. Ein weiterer Grund fu¨r die Ableh-
nung zufa¨lliger Vera¨nderungen der Gro¨ßen-Eigenschaft sind die resultierenden ungleichma¨ßigen
16Siehe Abschnitt 7.4.3.
141
8.5 Fazit
Abmessungen der Individuen-Symbole. Die ungleichma¨ßigen Abmessungen widersprechen den
in Kapitel 6 von Shneiderman (1992) geforderten gleichen Darstellungsformen. Die Mutation
wird auch deswegen abgelehnt, da schon der allgemeine Ansatz, die Mutation als Mittel zur
Optimierung zu nutzen, schlecht bewertet wird. Der Vorteil des zufallsabha¨ngigen und damit
ungerichteten Charakters der Mutation wird nicht angenommen. Es u¨berwiegt der auch in der
Natur beobachtete Effekt, dass gro¨ßere Mutationen zumeist negative, bzw. kleinere Mutati-
on meist keine Folgen fu¨r das betroffene Individuum haben. In diesem Zusammenhang seien
die Farba¨nderungen genannt. Diese Mutationen werden neutral eingescha¨tzt, da sie fu¨r die ge-
ringen Mutationsschrittweiten nicht bemerkt werden. Beispiele sind die Farba¨nderungen der
Linien in den EID-Mappings oder kleine A¨nderungen von Hintergrundfarben, die aufgrund des
geringfu¨gigen Ausmaßes von den Probanden nicht erkannt werden ko¨nnen. Gro¨ßere A¨nderungen
in den Hintergrundfarben besitzen dagegen keine Relevanz fu¨r den Optimierungsvorgang. Die
ho¨chsten Bewertungen erha¨lt die Mutation fu¨r die Aktivierung der Animationseigenschaft. An
dieser Stelle werden nicht bereits sichtbare Eigenschaften wie die Gro¨ße oder Farbe vera¨ndert,
sondern fu¨r die betroffenen Individuen kommt eine ga¨nzlich neue Eigenschaft hinzu. Fu¨r die
topologische Pumpe wird diese A¨nderung als sehr nu¨tzlich angesehen. Fu¨r die Animations-
mutationen der TOP-Ventile und TOP-Wa¨rmetauscher liegen keine Erkenntnisse vor, da diese
nicht im Experiment aufgetreten sind. Die vergleichsweise niedrige Bewertung der Animations-
mutationen durch die Probanden mit kognitions-orientierten EOGUI-Oberfla¨chen ist durch die
Tatsache begru¨ndet, dass derartige Mutationen bis auf einige Zielerfu¨llungsgrade und sehr we-
nige Flussfunktionen kaum aufgetreten sind. Der niedrige Anteil derartiger Mutationen liegt in
deren bina¨ren Charakter, wogegen Farben und Gro¨ßen in unterschiedlichen Ausmaßen vera¨nder-
bar sind. Die Animationseigenschaft kann nur ein- oder ausgeschaltet werden und tritt deshalb
weniger ha¨ufig auf. So konnten die Probanden kaum Erfahrungen mit den Animationen ma-
chen, waren aber prinzipiell dieser Mo¨glichkeit gegenu¨ber positiv eingestellt. Gleiches gilt auch
fu¨r die Beurteilung der genannten, nicht aufgetretenen topologisch-orientierten Mutationen.
Aus diesem Grund fa¨llt die Bewertung der Mutationsha¨ufigkeit fu¨r die Probanden mit nicht-
technischer Vorbildung maximal aus. Insgesamt wird die Ha¨ufigkeit der Mutationen als zu viel
angesehen. Hauptgrund ist die erwa¨hnte fehlende Unterscheidbarkeit zwischen gerichteten und
ungerichteten Gro¨ßena¨nderungen. Gro¨ßenmutationen werden auch deswegen abgelehnt, weil Be-
zeichner teilweise zu klein (unleserlich) oder dem Empfinden der Probanden nach im Vergleich
zu anderen zu groß werden. Zusammen mit den teilweise als sinnlos angesehenen bemerkbaren
Farba¨nderungen ist die Zu viel-Einscha¨tzung der Mutationsha¨ufigkeit damit erkla¨rbar.
Die Annahmen aus dem Abschnitt 8.2.5 haben sich fu¨r die Selektion und die Rekombination
besta¨tigt. Die Mutation wird noch sta¨rker abgelehnt als erwartet.
8.5 Fazit
Grundsa¨tzlich la¨sst sich auf Basis der durchgefu¨hrten Untersuchung mit Einschra¨nkung der feh-
lenden statistischen Signifikanz fu¨r die Unterschiede in den Mittelwerten die Aussage treffen,
dass die Evolutiona¨re Optimierung von Mensch-Maschinen-Schnittstellen durch die EOGUI-
Methodik eine Verbesserung der Handhabbarkeit der betrachteten Anwendungsklasse darstellt.
Die Werte der objektiven Leistungs- und Genauigkeitsmaße, wie z.B. die notwendigen Aktio-
nen zum Bewa¨ltigen ungewollter Situationen oder die Genauigkeit der Prozessfu¨hrung, konnten
verbessert werden. Ebenso fallen die subjektiven Bewertungen der generierten Oberfla¨chen und
die Beurteilungen der entwickelten Abstraktionen evolutiona¨rer Mechanismen u¨berwiegend po-
sitiv aus. Bema¨ngelt wurde zum Teil die Auswahl der Individuen und die bisweilen zu großen
Vera¨nderungen aufgrund von Mutationen. Verbesserungen bei der Individuenauswahl ko¨nnte
eine nicht-lineare Zuweisung der Fitness an ein Individuum anstelle der angewandten linearen
Zuweisung aus dem Proportional-Verfahren17 schaffen. Eine derartige Fitnesszuweisung wu¨rde
fu¨r ho¨here Bewertungen aus der Objektiv- und Subjektiv-Adaption zu ho¨heren Fitnesswerten
17Siehe Abschnitt 7.3.2, Schritt 3.c.i.
142
fu¨hren und auf diese Weise die Auswahlwahrscheinlichkeit betroffener Individuen im Vergleich
zum angewendeten Verfahren erho¨hen. Eine weitere Mo¨glichkeit wa¨re es, Kombinationen von
linearen und nicht-linearen Fitnesszuweisungen fu¨r festzulegende Bereiche oder bestimmte In-
dividuen durch den Bediener fu¨r ”unsterblich” erkla¨ren zu lassen, um sie so sicher in die neue
Population u¨bernehmen zu ko¨nnen.
Die Mutationswahrscheinlichkeit ließe sich durch Vera¨ndern der in Abschnitt 7.6 eingefu¨hr-
ten Mutationsgrenzen beeinflussen. Denkbar wa¨re, dem Bediener diese Einstellungen zu u¨bert-
ragen. Eine andere Mo¨glichkeit wa¨re, ganz auf die Mutation zu verzichten und die Einstellungen
der Eigenschaften von Abschnitt 7.2.2.1 als Optionseinstellungen komplett dem Bediener zu
u¨berlassen.
Die fehlende statistische Signifikanz der untersuchten Kriterienmittelwerte kann auch durch
die Inhomogenita¨t der Probandengruppe bedingt sein. Das Problem ist die Auswahl der Proban-
den. Bei einer homogeneren Auswahl mit nur technischen Probanden wu¨rde die Streuung der
Ergebnisse vermutlich geringer ausfallen. Dabei wu¨rde aber auch die gewollte Vielfalt bei den ge-
nerierten Ergebnissen des EOGUI-Algorithmus verloren gehen. Genau das sollte jedoch durch
die Auswahl auch nicht-technischer Probanden vermieden werden. Abzuwa¨gen war demnach
zwischen einer vermutlich zu großen und einer zu kleinen Vielfalt bzw. Streuung der Ergebnis-
se. Da neben der Wirksamkeit der Methode aber auch deren Funktionalita¨t ein Hauptziel der
Untersuchung war, wurde fu¨r die gro¨ßere Vielfalt entschieden und das Risiko einer zu großen
Streuung in Kauf genommen. Die statistische Analyse der Ergebnisse sagt aus, dass die fest-
gestellten Unterschiede nicht statistisch gesichert von der Stichprobe auf die Grundgesamtheit
u¨bertragen werden ko¨nnen. Nichtsdestotrotz haben sich fu¨r die Probenden der Untersuchung
Verbesserungen in den objektiven und subjektiven Kriterien ergeben, die sich, nach dem Ergeb-
nis des Analyseverfahrens, nicht mit statistischer Sicherheit auf die Allgemeinheit u¨bertragen
lassen.
Mit den genannten Einschra¨nkungen lautet das Fazit der Untersuchung, dass die EOGUI-
Methodik fu¨r die Anpassung von Mensch-Maschine-Schnittstellen an individuelle Bediener fu¨r
die industrielle Prozessvisualisierung geeignet ist. Mo¨glichkeiten fu¨r Verbesserungen liegen im
Adaptionsmechanismus und in den ungerichteten Anteilen der Optimierung.
143
9 Schlussbetrachtung
9.1 Zusammenfassung
Die Anforderung an Bediener industrieller Prozesse ist, bedingt durch die technische Entwick-
lung, stetig gestiegen. Damit die Bediener derartiger Anlagen den gestiegenen Belastungen
gerecht werden ko¨nnen, sollte die Fu¨lle der im Prozess enthaltenen Informationen in geeigneter
Weise aufbereitet sein und den Bedu¨rfnissen der Informationsverarbeitung des individuellen
Menschen entsprechen. Entwickelt wurde daher eine Methodik, die die Schnittstelle zwischen
Mensch und Maschine auf Basis Evolutiona¨rer Mechanismen an den Menschen anpasst.
Im ersten Schritt der EOGUI-Methodik werden vier Modellierungen unterschiedlicher Ab-
straktionsgrade als Basis fu¨r die evolutiona¨re Optimierung ausgewa¨hlt. Neben dem herko¨mm-
lichen Visualisierungsverfahren sind hier Techniken enthalten, die eine Anpassung der Infor-
mationsdarstellung an die allgemeingu¨ltigen Bedu¨rfnisse der menschlichen Informationsverar-
beitung leisten. Die Modellierung mit dem niedrigsten Abstraktionsgrad ist die Virtuelle 3D-
Prozessvisualisierung (Virt3D), die Objekte quasi photorealistisch darstellt. Erste Abstraktio-
nen entha¨lt die zweite Modellierung: die herko¨mmliche topologische Sicht (TOP). Austattungs-
komponenten werden hier durch Normsymbole dargestellt. Die dritte verwendete Modellierung,
das Ecological Interface Design (EID), erweitert diese Sicht um die mathematische Abbildung
von Prozessen in Form dynamischer Graphen. Die vierte und letzte angewandte Visualisie-
rungsform, das Multilevel Flow Modeling (MFM), wa¨hlt einen ga¨nzlich anderen Weg, indem
es Systeme in Form von Zielen, Funktionen und Komponenten abbildet. Fu¨r die im Rahmen
dieser Arbeit entwickelte Anwendung der MIschungsProzessSimulation (MIPS) wurden Modelle
der genannten Modellbildungstechniken entwickelt und durch Verwenden der entwickelten Pro-
Vis EO-Software in Graphische Bedienoberfla¨chen als Teil einer Mensch-Maschine-Schnittstelle
umgesetzt.
Der zweite Schritt umfaßt die neue Methodik fu¨r die Anpassung der Informationsdarstel-
lung an die Bedu¨rfnisse individueller Bediener. Fu¨r die Evolutiona¨re Optimierung werden die
biologischen Mechanismen der Selektion, Rekombination und Mutation abstrahiert und als
Operatoren in der entwickelten EOGUI-Methodik eingesetzt. In diesem Zusammenhang wird
zuna¨chst auf die biologische Evolution und den Stand der Forschung in deren technischer Ab-
straktion eingegangen. Beschrieben werden fu¨r die technische Anwendung der Evolution die
Verfahren der Evolutiona¨ren Programmierung (EP), der Evolutiona¨ren Strategien (ES) und
der Genetischen Algorithmen (GA). Die entwickelte EOGUI-Methodik nutzt als wichtigsten
Operator die Selektion, um die objektiven Handlungen und subjektiven Einscha¨tzungen von
Bedienern der zu optimierenden Schnittstellten zu erfassen. Auf diese Weise wird den Objekten
(Individuen) der Bedienoberfla¨chen (Populationen) eine Fitness zugewiesen, auf deren Basis
sie als Elter-Individuen ausgewa¨hlt werden. Die Rekombination generiert aus den Eltern durch
Kopieren, Kombinieren oder Verschmelzen die Nachkommen. Die Mutation vera¨ndert zufa¨llig,
d.h. ungerichtet, ggf. die Eigenschaften (Gro¨ße, Farbe) der Individuen. Zum Abschluss fu¨gt die
Reinsertation die Nachkommen in die neue Oberfla¨che (neue Population) ein.
Anhand des MIPS-Prozesses wurde die EOGUI-Methodik einem Experiment mit sechs Pro-
banden mit technischer und nicht-technischer Vorbildung unterzogen. In dessen Verlauf hat
sich eine Verbesserung der evolutiona¨r generierten EOGUI-Oberfla¨chen fu¨r die Prozessfu¨hrung
144
aufgrund der tatsa¨chlichen Anpassung der Oberfla¨chen an die Bedu¨rfnisse der Probanden erge-
ben. Sowohl fu¨r die objektiven als auch fu¨r die subjektiven Kriterien der Untersuchung konnten
ho¨here Werte, allerdings bei fehlender statistischer Signifikanz, verzeichnet werden.
9.2 Ausblick
Die vielen positiven Ru¨ckmeldungen zur beschriebenen Optimierungsmethodik, z.B. auf Ta-
gungen und in Kontakt zu anderen Wissenschaftlern, aber auch das Potenzial in der weiteren
Verbesserbarkeit der Methode und natu¨rlich das hoch spannende Forschungsgebiet haben zu
U¨berlegungen gefu¨hrt, die Evolutiona¨re Optimierung von Mensch-Maschine-Schnittstellen wei-
ter zu entwickeln. Angedacht ist den Adaptionsvorgang der Selektion, also die Abbildung der
Bedienerpra¨ferenzen, durch ein Neuronales Netz zu optimieren. Der Algorithmus soll auf die-
se Weise besser vom Bediener ”lernen”. Auf Anregung der Deutschen Forschungsgemeinschaft
(DFG), die diese Arbeit gefo¨rdert hat, wird Kontakt zur Industrie gesucht, um die Methode in
realer Umgebung zu erproben und evtl. umzusetzen.
145
146
Verzeichnisse
147

Bildverzeichnis
2.1 Modell der sequentiellen Informationsverarbeitung (Rasmussen, 1983) . . . . . . 8
2.2 Handlungsebenen der Informationsverarbeitung Rasmussen(1983; 1986) . . . . . 9
2.3 Verteilung von Aufmerksamkeitsressourcen (Wickens, 1984) . . . . . . . . . . . . 9
2.4 Mensch-Maschine-Schnittstelle: Gestern (Herzing, 1996) und Heute (Herbst und
Rieger, 1997) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.5 TOP-Symbol: Pumpe (DIN 2481) . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.6 TOP-Symbol: Ventil (DIN 2481) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.7 TOP-Symbol: Wa¨rmetauscher (DIN 2481, DIN 28004 Teil 3) . . . . . . . . . . . . 14
2.8 TOP-Symbol: Beha¨lter (DIN 28004 Teil 3) . . . . . . . . . . . . . . . . . . . . . . 14
2.9 TOP-Symbol: Regler (DIN 19227 Teil 2) . . . . . . . . . . . . . . . . . . . . . . . 14
2.10 TOP-Symbol: Fo¨rderer (DIN 28004 Teil 2) . . . . . . . . . . . . . . . . . . . . . . 14
2.11 TOP-Symbol: Ru¨hrwerk (DIN 28004 Teil 3 ) . . . . . . . . . . . . . . . . . . . . . 15
2.12 TOP-Symbol: Motor (DIN 19227 Teil 1) . . . . . . . . . . . . . . . . . . . . . . . 15
2.13 TOP-Symbol: Klappe (DIN 2481) . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.14 TOP-Symbol: Anzeigen (DIN 2481) . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.15 TOP-Symbol: Rohrleitung – Verbindung (DIN 19227 Teil 2) . . . . . . . . . . . . 15
2.16 TOP-Symbol: Rohrleitung – Verzweigung, Zusammenfu¨hrung . . . . . . . . . . . 15
2.17 TOP-Symbol: Signalleitung (DIN 19227 Teil 2) . . . . . . . . . . . . . . . . . . . 15
2.18 Virt3D-Symbol: Pumpe (Wittenberg, 2001b) . . . . . . . . . . . . . . . . . . . . . 17
2.19 Virt3D-Symbol: Ventil (Wittenberg, 2001b) . . . . . . . . . . . . . . . . . . . . . . 17
2.20 Virt3D-Symbol: Wa¨rmetauscher (Wittenberg, 2001b) . . . . . . . . . . . . . . . . 17
2.21 Virt3D-Symbol: Beha¨lter (Wittenberg, 2001b) . . . . . . . . . . . . . . . . . . . . 18
2.22 Virt3D-Symbol: Regler (Wittenberg, 2001b) . . . . . . . . . . . . . . . . . . . . . 18
2.23 Virt3D-Symbol: Fo¨rderer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.24 Virt3D-Symbol: Ru¨hrwerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.25 Virt3D-Symbol: Motor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.26 Virt3D-Symbol: Anzeigen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.27 Virt3D-Symbol: Rohrleitung – Verbindung . . . . . . . . . . . . . . . . . . . . . . 19
2.28 Virt3D-Symbol: Rohrleitung – Verzweigung . . . . . . . . . . . . . . . . . . . . . . 19
2.29 Virt3D-Symbol: Rohrleitung – Zusammenfu¨hrung . . . . . . . . . . . . . . . . . . 19
2.30 Virt3D-Symbol: Klappe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.31 Virt3D-Symbol: Signalleitung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.32 EID-Modell: Mapping fu¨r die Massenbilanz/Fu¨llstand . . . . . . . . . . . . . . . . 22
2.33 EID-Modell: Mapping fu¨r die Energiebilanz - Wa¨rme . . . . . . . . . . . . . . . . 23
2.34 EID-Modell: Mapping fu¨r die Temperatur . . . . . . . . . . . . . . . . . . . . . . . 23
2.35 EID-Modell: Lineare Abha¨ngigkeit Mapping Gesamtdarstellung . . . . . . . . . . 24
2.36 EID-Modell: Nichtlinearer Zusammenhang . . . . . . . . . . . . . . . . . . . . . . 24
2.37 MFM-Modell: Ziel-Mittel- und Gesamt-Teil-Dimension in MFM . . . . . . . . . . 26
2.38 MFM-Symbol: Ziel nach Lind (1990) und Larsson (1992) . . . . . . . . . . . . . . 27
2.39 MFM-Symbol: Quelle (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . . . . 27
149
BILDVERZEICHNIS
2.40 MFM-Symbol: Transport (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . . 27
2.41 MFM-Symbol: Barriere (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . . . 28
2.42 MFM-Symbol: Speicherfunktion (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . 28
2.43 MFM-Symbol: Gleichgewicht (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . 28
2.44 MFM-Symbol: Senke (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . . . . 29
2.45 MFM-Symbol: Beobachter (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . 29
2.46 MFM-Symbol: Entscheider (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . 29
2.47 MFM-Symbol: Aktor (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . . . . 29
2.48 MFM-Symbol: Management (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . 29
2.49 MFM-Symbol: Netzwerk (Lind, 1990; Larsson, 1992) . . . . . . . . . . . . . . . . 30
2.50 MFM-Beziehung: Erreichung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.51 MFM-Beziehung: Erreichung-durch-Steuerung . . . . . . . . . . . . . . . . . . . . 31
2.52 MFM-Beziehung: Bedingung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.53 MFM-Beziehung: Realisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.54 Modellbildung: Fish-Eye-View (Beuthel und Zinser, 2001) . . . . . . . . . . . . . . 32
2.55 Modellbildung: Approximative Wissensbasierte Prozessvisualisierung (Ali, 1998) . 32
2.56 Modellbildung: Videotechnik-basierter Ansatz (Zinser, 1993) . . . . . . . . . . . . 32
2.57 3D-Modellbildung: Virtuelle Prozessvisualisierung (Matsuoka et al., 1997) . . . . . 33
2.58 3D-Modellbildung: 3D-Prozessdatenvisualisierung (Zeipelt und Vogel-Heuser, 2003) 33
2.59 3D-Modellbildung: 3D-EID (Kolowa, 2004) . . . . . . . . . . . . . . . . . . . . . . 33
2.60 3D-Modellbildung: Perzeptiv-Orientierte Prozessvisualisierung (Elzer et al., 2001) 33
2.61 Modellbildungen: Abstraktionsgrad und Ebenen im Ziel-Mittel-Modell . . . . . . . 34
3.1 Schematischer Aufbau von Zellen: Eukaryotische Zelle (Scho¨neburg et al., 1994) . 36
3.2 Auswirkung der stabilisierenden Selektion (Cavalli-Sforza und Bodmer, 1971)
zitiert nach Futuyma (1990), S.175 . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3 Auswirkung der disruptiven Selektion (Cavalli-Sforza und Bodmer, 1971) zitiert
nach Futuyma (1990), S.175 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.4 Auswirkung der gerichteten Selektion (Cavalli-Sforza und Bodmer, 1971) zitiert
nach Futuyma (1990), S.175 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4.1 Abstrahierter Evolutiona¨rer Mechanismus: Selektion . . . . . . . . . . . . . . . . . . 48
4.2 Selektion – Auswahlverfahren: Roulette-Wheel . . . . . . . . . . . . . . . . . . . . 49
4.3 Selektion – Auswahlverfahren: Stochastic Universal Sampling . . . . . . . . . . . . 49
4.4 Selektion – Auswahlverfahren: Truncation . . . . . . . . . . . . . . . . . . . . . . . 49
4.5 Abstrahierter Evolutiona¨rer Mechanismus: Rekombination . . . . . . . . . . . . . . 49
4.6 Rekombination: Diskret (Pohlheim, 1998) . . . . . . . . . . . . . . . . . . . . . . . 49
4.7 Rekombination: Reell - Intermedia¨r (Pohlheim, 1998) . . . . . . . . . . . . . . . . 50
4.8 Rekombination: Reell - Linien (Pohlheim, 1998) . . . . . . . . . . . . . . . . . . . 50
4.9 Rekombination bina¨rer Variablen: Uniform-Crossover. Basierend auf Nissen (1997) 50
4.10 Abstrahierter Evolutiona¨rer Mechanismus: Mutation . . . . . . . . . . . . . . . . . 51
4.11 Mutation: Reell und Diskret (Pohlheim, 1998) . . . . . . . . . . . . . . . . . . . . 51
4.12 Abstrahierter Evolutiona¨rer Mechanismus: Reinsertation . . . . . . . . . . . . . . . 52
4.13 Genetische Algorithmen: Aufbau eines Strings. Basierend auf Nissen (1997) . . . . 58
5.1 MIPS: RI-Fließbild mit Untersystemaufteilung . . . . . . . . . . . . . . . . . . . . 62
5.2 MIPS: Gesamt-Teil-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5.3 MIPS: Ziel-Mittel-Modell – Funktioneller Zweck . . . . . . . . . . . . . . . . . . . 64
5.4 MIPS: Ziel-Mittel-Modell – Abstrakte Funktion . . . . . . . . . . . . . . . . . . . 64
5.5 MIPS: Ziel-Mittel-Modell – Verallgemeinerte Funktion . . . . . . . . . . . . . . . 65
5.6 MIPS: TOP-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
150
BILDVERZEICHNIS
5.7 MIPS: Virt3D-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
5.8 MIPS: EID-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
5.9 MIPS: MFM-Modell . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
6.1 Struktur der Programmierung: Zusammenha¨nge zwischen den Klassen . . . . . . . 71
6.2 Anzeigeelement: Horizontal und Vertikal . . . . . . . . . . . . . . . . . . . . . . . 73
6.3 Kurzanzeige: Kombiniert, Horizontal und Pumpe . . . . . . . . . . . . . . . . . . 73
6.4 Steuerungselemente: Diskret – Pumpe . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.5 Steuerungselemente: Diskret – Regler . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.6 Steuerungselemente: Kontinuierlich – Ventil . . . . . . . . . . . . . . . . . . . . . 74
6.7 Steuerungs/Anzeige-Element: Kombiniertes Element . . . . . . . . . . . . . . . . 74
6.8 Navigation: Allgemeine Objekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
6.9 Navigation: Spezielle Objekte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.10 Navigation: Kombination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
6.11 Bedienoberfla¨che: MIPS – TOP-U¨bersicht/Detailsicht SUB01 Zufluss Flu¨ssigkeit . 79
6.12 Bedienoberfla¨che: MIPS – Virt3D-U¨bersicht/Detailsicht SUB01 Zufluss Flu¨ssigkeit 79
6.13 EID-Objekt – Allgemein: Beschriftung . . . . . . . . . . . . . . . . . . . . . . . . . 80
6.14 EID-Objekt – Allgemein: Balkenanzeige . . . . . . . . . . . . . . . . . . . . . . . . 80
6.15 EID-Objekt: Massenbilanz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.16 EID-Objekt: Energiebilanz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.17 EID-Objekt: Sollwert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.18 EID-Objekt – Bilanz: Verbindungslinien . . . . . . . . . . . . . . . . . . . . . . . . 81
6.19 EID-Objekt – Verbindung: Linear . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.20 EID-Objekt – Verbindung: Nichtlinear . . . . . . . . . . . . . . . . . . . . . . . . . 81
6.21 EID-Objekte: Gesamtdarstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.22 MFM-Objekte: Zielhierarchie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
6.23 MFM-Objekte: Ziel – Graduelle Erfu¨llung . . . . . . . . . . . . . . . . . . . . . . . 82
6.24 MFM-Objekte: Gesamtdarstellung . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
6.25 Bedienoberfla¨che: MIPS – EID-U¨bersicht und Detailsicht SUB01 Zufluss Flu¨ssigkeit 85
6.26 Bedienoberfla¨che: MIPS – MFM-U¨bersicht und Detailsicht Ziel Gpro22 Vorlauf-
menge Flu¨ssigkeit ausreichend . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
7.1 Strukturierung: Individuen bezogene Struktur von Graphischen Bedienoberfla¨chen
und Populationszugeho¨rigkeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
7.2 Pha¨notyp – EOGUI-Individuum: Beispiel Virt3D-Wa¨rmetauscher W101 . . . . . . 93
7.3 EOGUI-Algorithmus: Ansatz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
7.4 EOGUI-Algorithmus: Struktur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
7.5 Auswahl von Individuen: Roulette-Wheel-Selektion im EOGUI-Algorithmus . . . . 107
7.6 Rekombination durch Kombination: Elementebene . . . . . . . . . . . . . . . . . . 111
7.7 Rekombination der Form: Beispiel . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
7.8 Rekombination der Form: TOP- und Virt3D-Individuen . . . . . . . . . . . . . . . 112
7.9 Mutation: Bereiche und Zuordnung . . . . . . . . . . . . . . . . . . . . . . . . . . 113
7.10 Struktur der Programmierung: Zusammenha¨nge zwischen den allgemeinen Klassen
und den Klassen der Evolutiona¨ren Optimierung . . . . . . . . . . . . . . . . . . 114
7.11 Subjektiv-Adaption: Screenshot Online-Fragebogen . . . . . . . . . . . . . . . . . . 115
7.12 EOGUI-Steuerung: Screenshot Formular . . . . . . . . . . . . . . . . . . . . . . . . 115
8.1 Experiment: Experimentierumgebung . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.2 Experiment: Versuchsaufbau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
8.3 Experiment: Skalen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
8.4 Experiment: Ablauf . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
151
BILDVERZEICHNIS
8.5 Experiment: Auswertung objektiver Teil – Boxplots . . . . . . . . . . . . . . . . . 128
8.6 Experiment: Auswertung subjektiver Teil – Allgemein – Boxplots . . . . . . . . . 130
8.7 Experiment: Auswertung subjektiver Teil – Evolutiona¨re Optimierung – Boxplots 132
8.8 Experiment: Ergebnis der EOGUI-Methodik – Proband 1 (Technisch) . . . . . . . 135
8.9 Experiment: Ergebnis der EOGUI-Methodik – Proband 2 (Technisch) . . . . . . . 135
8.10 Experiment: Ergebnis der EOGUI-Methodik – Proband 3 (Technisch) . . . . . . . 136
8.11 Experiment: Ergebnis der EOGUI-Methodik – Proband 4 (Nicht-Technisch) . . . 136
8.12 Experiment: Ergebnis der EOGUI-Methodik – Proband 5 (Nicht-Technisch) . . . 137
8.13 Experiment: Ergebnis der EOGUI-Methodik – Proband 6 (Nicht-Technisch) . . . 138
B.1 Rekombination der Form: Virt3D- und MFM-Individuen . . . . . . . . . . . . . . . 187
B.2 Rekombination der Form: TOP- und MFM-Individuen . . . . . . . . . . . . . . . . 188
C.1 Experiment: Durchfu¨hrung – Einfu¨hrung . . . . . . . . . . . . . . . . . . . . . . . 192
C.2 Experiment: Durchfu¨hrung – Lernkontrolle . . . . . . . . . . . . . . . . . . . . . . 192
C.3 Experiment: Durchfu¨hrung – Demo-Prozess . . . . . . . . . . . . . . . . . . . . . . 193
C.4 Experiment: Ergebnis des EOGUI-Algorithmus – Proband 1 . . . . . . . . . . . . 193
C.5 Experiment: Ergebnis des EOGUI-Algorithmus – Proband 2 . . . . . . . . . . . . 194
C.6 Experiment: Ergebnis des EOGUI-Algorithmus – Proband 3 . . . . . . . . . . . . 195
C.7 Experiment: Ergebnis des EOGUI-Algorithmus – Proband 4 . . . . . . . . . . . . 196
C.8 Experiment: Ergebnis des EOGUI-Algorithmus – Proband 5 . . . . . . . . . . . . 197
C.9 Experiment: Ergebnis des EOGUI-Algorithmus – Proband 6 . . . . . . . . . . . . 198
D.1 Literaturdatenbank: Screenshot . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
152
Tabellenverzeichnis
2.1 Modellbildung: Zusta¨nde von Prozessgro¨ßen ξ . . . . . . . . . . . . . . . . . . . . 12
6.1 ProVis EO-Objekte: Farbcodierung der Materialstro¨me . . . . . . . . . . . . . . . 72
6.2 ProVis EO-Objekte: Farbcodierung der Zusta¨nde . . . . . . . . . . . . . . . . . . . 72
6.3 TOP-Objekte: Graphik-Bibliothek – Untersyteme . . . . . . . . . . . . . . . . . . 76
6.4 TOP-Objekte: Graphik-Bibliothek – Anzeigen, Steuerungen und Verbindungen . . 77
6.5 Virt3D-Bedienoberfla¨che: Graphik-Bibliothek – Anzeige- und Steuerobjekte . . . . 78
6.6 MFM-Objekte: Graphik-Bibliothek – Ziele . . . . . . . . . . . . . . . . . . . . . . 82
6.7 MFM-Objekt: Farbcodierung der Flussstrukturen . . . . . . . . . . . . . . . . . . 83
6.8 MFM-Objekte: Graphik-Bibliothek – Flussfunktionen und Management-Funktion 83
6.9 MFM-Objekte: Graphik-Bibliothek – Beziehungen . . . . . . . . . . . . . . . . . . 84
7.1 Strukturierung: Ebenen bezogene Struktur Graphischer Bedienoberfla¨chen und
zugeho¨rige Individuenklassen. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
7.2 EOGUI-Individuen: Eigenschaften . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
7.3 Genotyp – EOGUI-Individuum: Eigenschaft Innere/A¨ußere Form . . . . . . . . . . 91
7.4 Genotyp – EOGUI-Individuum: 3D-Eigenschaft . . . . . . . . . . . . . . . . . . . . 91
7.5 Genotyp – EOGUI-Individuum: Eigenschaft Animation . . . . . . . . . . . . . . . . 92
7.6 Zielfunktionen: Geltungsbereiche und Relationen – Beispiel . . . . . . . . . . . . . 99
7.7 Aktionsarten: Zuordnung zu den Individuenklassen . . . . . . . . . . . . . . . . . 101
7.8 Subjektiv-Adaption: Skalentypen . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.9 Rekombination durch Kombination: U¨bersichts- und Zwischenebene . . . . . . . . 111
7.10 Mutation: Vera¨nderungen von Eigenschaften . . . . . . . . . . . . . . . . . . . . . 112
8.1 Unabha¨ngige Variable: Bedienoberfla¨chen . . . . . . . . . . . . . . . . . . . . . . . 117
8.2 Unabha¨ngige Variable: Szenarien . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
8.3 Unabha¨ngige Variable: Vorbildung der Probanden . . . . . . . . . . . . . . . . . . 119
8.4 Unabha¨ngige Variable: Ausrichtung der EOGUI-Bedienoberfla¨che . . . . . . . . . 119
8.5 Versuchsplan: Experimentabfolge . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8.6 Experiment: Mittelwerte der objektiven Kriterien . . . . . . . . . . . . . . . . . . 127
8.7 Experiment: Mittelwerte der objektiven Kriterien – Vorbildung Proband . . . . . 128
8.8 Experiment: Mittelwerte der objektiven Kriterien – Ausrichtung der
EOGUI-Oberfla¨che . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
8.9 Experiment: Mittelwerte der subjektiven Kriterien – Allgemeiner Teil . . . . . . . 129
8.10 Experiment: Mittelwerte der subjektiven Kriterien – Fehlermanagement . . . . . . 130
8.11 Experiment:Mittelwerte der subjektiven Kriterien – Allgemeiner Teil: Vorbildung
Proband . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.12 Experiment: Mittelwerte der subjektiven Kriterien – Allgemeiner Teil: Ausrich-
tung EOGUI-Oberfla¨che . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
8.13 Experiment: Mittelwerte der subjektiven Kriterien – Fehlermanagement - Vorbil-
dung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 131
153
TABELLENVERZEICHNIS
8.14 Experiment:Mittelwerte der subjektiven Kriterien – Fehlermanagement: Ausrich-
tung EOGUI-Oberfla¨che . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8.15 Experiment: Mittelwerte der subjektiven Kriterien - Evolutiona¨re Optimierung . . 132
8.16 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung:
Selektion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8.17 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung:
Rekombination . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
8.18 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung:
Mutation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.19 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung:
Gesamt, Vorbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.20 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung:
Gesamt, Ausrichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.21 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung –
Selektion: Vorbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.22 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung –
Selektion: Ausrichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.23 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung –
Rekombination: Vorbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
8.24 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung –
Rekombination: Ausrichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
8.25 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung –
Mutation: Vorbildung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
8.26 Experiment: Mittelwerte der subjektiven Kriterien – Evolutiona¨re Optimierung –
Mutation: Ausrichtung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
8.27 Experiment: Auswertung der Nebenaufgabe . . . . . . . . . . . . . . . . . . . . . 138
154
Literaturverzeichnis
Achonu, J. und G. A. Jamieson (2003). Work Domain Analysis of a Financial System: an
Abstraction Hierarchy for Portfolio Management. In: Proceedings of the 22nd European
Annual Conference on Human Decision Making and Control. Linko¨ping, Schweden. S. 103–
109.
Ackermann, D. (1988). Empirie des Softwareentwurfs: Richtlinien und Methoden. In: Ein-
fu¨hrung in die Software-Ergonomie (H. Balzert, H. U. Hoppe, R. Oppermann, H. Peschke
und N. Streitz, Hrsg.). S. 253–276. Berlin: de Gruyter.
Akgu¨l, G., A. Mundl und U. Kanne (2002). Bionik – Trends in Industrie und Gesellschaft und
Anwendungen bei der Continental AG. Technischer Bericht. Continental AG, Business
Unit OE Car Tires.
Ali, S. (1998). Approximative wissensbasierte Prozeßvisualisierung auf der Basis von Fuzzy-
Logik. Doktorarbeit. Universita¨t Kassel, Fachbereich Maschinenbau, Institut fu¨r Mess-
und Automatisierungstechnik (IMAT), Fachgebiet Systemtechnik und Mensch-Maschine-
Systeme.
Ali, S., J. Heuer und M. Hollender (1997). Partizipative Erstellung von Bedienoberfla¨chen fu¨r
Prozeßleitsysteme durch interaktive Gestaltung und Bewertung. Technischer Bericht MMS-
17 – ISSN 0940-094X. Universita¨t Kassel, Fachbereich Maschinenbau, Institut fu¨r Mess-
und Automatisierungstechnik (IMAT), Fachgebiet Systemtechnik und Mensch-Maschine-
Systeme.
Aliev, R., K. W. Bonfig und F. Aliew (2000). Soft Computing: Eine grundlegende Einfu¨hrung.
Berlin: Verlag Technik.
Anderson, J. R. (1989). Kognitive Psychologie: Eine Einfu¨hrung. Heidelberg: Verlagsgesell-
schaft, Spektrum der Wissenschaft.
Andrews, M. (1994). Genetic Programming for the Acquisition of Double Auction Market Stra-
tegies. In: Advances in Genetic Programming (Kenneth E. Jr. Kinnear, Hrsg.). S. 355–368.
Cambridge (USA), London: Bradford Book - MIT Press.
Ayala, F. J. (1985). Mechanismen der Evolution – Abschnitt I: Evolutionstheorie. In: Evolution
- Die Entwicklung von den ersten Lebensspuren bis zum Menschen (E. Mayr, Hrsg.). S. 20–
30. Heidelberg: Verlagsgesellschaft, Spektrum der Wissenschaft.
Bachelier, G. (1998). Einfu¨hrung in Evolutiona¨re Algorithmen. Marburg: Tectum Verlag.
Ba¨ck, T. (1996). Evolutionary Algorithms in Theory and Practice - Evolution Strategies, Evolu-
tionary Programming, Genetic Algorithms. New York: Oxford. http://www.oup-usa.org
/docs/0195099710.html.
Ba¨ck, T., U. Hammel, R. Lewandowski, M. Mandischer, B. Naujoks, S. Rolf, M. Schu¨tz, H.-
P. Schwefel, J. Sprave und S. Theis (1997). Evolutionary Algorithms: Applications at
the Informatik Center Dortmund. In: Genetic Algorithms in Engineering and Computer
Science (D. Quagliarella, J. Peraux, C. Poloni und G. Winter, Hrsg.). Kap. 9, S. 175 – 204.
New York u.a.: John Wiley & Sons.
155
LITERATURVERZEICHNIS
Ba¨ck, T., U. Hammel und H.-P. Schwefel (1993). Modelloptimierung mit evoluti-
ona¨ren Algorithmen. In: Fortschritte in der Simulationstechnik, Band 6 (A. Sy-
dow, Hrsg.). Berlin. Braunschweig: Vieweg. S. 49–57. 8. Symposium Simulations-
technik der Arbeitsgemeinschaft Simulation (ASIM), ftp://lumpi.informatik.uni-
dortmund.de/EA/papers/asim93.ps.gz.
Ba¨ck, T. und H.-P. Schwefel (1993). An Overview of Evolutionary Algo-
rithms for Parameter Optimization. Evolutionary Computation 1(1), S. 1–23.
ftp://lumpi.informatik.uni-dortmund.de/EA/papers/ec:1.ps.Z.
Bader, M. (2002). Evolutiona¨res Programmieren - Handout Vorlesung. Universita¨t Ulm,
Fachbereich Informatik. http://www.informatik.uni-ulm.de/ni/Lehre/SS02/Evosem/
ep handout.pdf.
Baehr, H. D. (1996). Thermodynamik. Berlin u.a.: Springer-Verlag.
Bagley, J. D. (1967). The Behavior of Adaptive Systems which Employ Genetic and Correlation
Algorithms. Doktorarbeit. University of Michigan.
Bainbridge, L. (1983). Ironies of Automation. Automatica 19(6), S. 775–779.
Bastian, A. (2000). Identifying Fuzzy Models utilizing Genetic Programming. Fuzzy Sets and
Systems 113, S. 333–350.
Beitz, W. und K. H. Ku¨ttner (1986). Dubbel - Taschenbuch fu¨r den Maschinenbau. Berlin u.a.:
Springer-Verlag.
Bell, G. (1997). Selection - The Mechanism of Evolution. Dortrecht, u. a.: Kluwer.
Beuthel, C. und K. Zinser (2001). Perspectives of Modern Process Supervision and Control. In:
8th IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design, and Evaluation of Human-
Machine Systems (G. Johannsen, Hrsg.). Kassel, Germany. S. 639–643.
Bonner, J. T. (1988). The Evolution of Complexity by Means or Natural Selection. Princeton,
New Jersey: Princeton University Press.
Bortfeldt, A. (1995). Informierte Graphensuchverfahren und Genetische Algorithmen zur
Lo¨sung von Containerladeproblemen. Berlin: Verlag Dr. Ko¨ster.
Borys, B. B. (2003a). Evaluation of Auditory Displays Supporting Aircraft Approach and Lan-
ding. In: Preprints of the 8th IFAC Symposium on 8th Symposium on Automated Systems
Based on Human Skill and Knowledge (Stahre, J. and Ma˚rtensson, L., Hrsg.). Go¨teborg,
Sweden. S. 141–146.
Borys, B. B. (2003b). Unterstu¨tzung von Flugfu¨hrungsaufgaben durch gerichtete auditive Anzei-
gen. In: Entscheidungsunterstu¨tzung fu¨r die Fahrzeug- und Prozessfu¨hrung, DGLR-Bericht
2003-4 (M. Grandt, Hrsg.). S. 41–52. Bonn: Deutsche Gesellschaft fu¨r Luft- und Raumfahrt
e. V.
Borys, B. B. und G. Johannsen (1997). An Experimental Multimedia Process Control Room.
In: Annual Conference 1997: Human Factors and Ergonomics Society Europe Chapter,
Advances in Multimedia and Simulation. Bochum. S. 276–289.
Box, G. E. P. (1957). Evolutionary Operations: A Method for Increasing Industrial Productivity.
Applied Statistics. A Journal of the Royal Statistical Society 6(2), S. 81–101.
Brander, S., A. Kompa und U. Peltzer (1985). Denken und Problemlo¨sen: Einfu¨hrung in die
kognitive Psychologie. Opladen: Westdeutscher Verlag.
Bremermann, H. J. (1962). Optimization through Evolution and Recombination. In: Self-
Organizing Systems (M. C. Yovits, G. T. Jacobi und G. D. Goldstein, Hrsg.). S. 93–106.
http://www.aeiveos.com/∼bradbury/Authors/Computing/Bremermann-HJ/OTEaR.html
Washington: Spartan Books.
Bretthauer, G. (2003). Ergebnisbericht u¨ber Forschung und Entwicklung 2003 – Programm
MEDTECH: Medizintechnik – Regenerative Medizin – Projektteil Prothese. Technischer
Bericht FZKA 7039. Forschungszentrum Karlsruhe. S. 15–16.
156
LITERATURVERZEICHNIS
Broekmeulen, R. A. C. M. (1995). Facility Management of Distribution Centres for Vegetables
and Fruits. In: Evolutionary Algorithms in Management Applications (J. Biethahn und
V. Nissen, Hrsg.). S. 199–219. Berlin u.a.: Springer-Verlag.
Bronstein, I. N. und K. A. Semendjajew (1988). Taschenbuch der Mathematik – Erga¨nzende
Kapitel. Frankfurt am Main: Harri Deutsch Verlag.
Burns, C. M., K. Johnson und S. Ng (2003). Ecological Interface Design: a New Ap-
proach for Visualizing Network Management. Computer Networks: The Internatio-
nal Journal of Computer and Telecommunications Networking 43(3), S. 369–388.
http://dx.doi.org/10.1016/S1389-1286(03)00287-1.
Burns, C. M. und J. R. Hajdukiewicz (2004). Ecological Interface Design. Boca Raton (USA):
CRC Press LLC.
Cavalli-Sforza, L. L. und W. F. Bodmer (1971). The Genetics of Human Populations. San
Francisco: Freeman.
Cerf, R. (1995). An Asymptotic Theory of Genetic Algorithms. In: Lecture Notes in Computer
Science – Artificial Evolution, European Conference, AE 95, Brest, France, Selected Papers
(J.-M. Alliot, E. Lutton, E. Ronald, M. Schoenauer und D. Snyers, Hrsg.). S. 37–53. Berlin
u.a.: Springer-Verlag.
Cerny, V. (1985). Thermodynamical Approach to the Travelling Salesman Problem: An Efficient
Simulation Algorithm. Journal of Optimisation Theory and Application 45, S. 41 – 51.
Charwat, H. J. (1994). Lexikon der Mensch-Maschine-Kommunikation. Mu¨nchen, Wien: Olden-
bourg.
Cheong, F. und R. Lai (2000). Constraining the Optimization of a Fuzzy Logic Controler Using
an Enhanced Genetic Algorithm. IEEE Transaction on Systems, Man and Cybernetics -
Part B: Cybernetics 30(1), S. 31–46.
Cherifi, S. (1998). Analyse Functionelle et Structurelle des Systemes Homme-Machine pour la
Supervision. Doktorarbeit. Labortoire D’Automatique et de Mechanique Industrielle et
Humaines LAMIH, Universite´ de Valenciennes, France.
Christoffersen, K., C. N. Hunter und K. J. Vicente (1996). A Longitudinal Study of the Effects
of Ecological Interface Design on Skill Acquisition. Human Factors 38(3), S. 523–541.
Christoffersen, K., C. N. Hunter und K. J. Vicente (1997). A Longitudinal Study of the Effects
of Ecological Interface Design on Fault Management Performance. International Journal
of Cognitive Ergonomics 1, S. 1–24.
Christoffersen, K., C. N. Hunter und K. J. Vicente (1998). A Longitudinal Study of the Im-
pact of Ecological Interface Design on Deep Knowledge. International Journal of Human-
Computer Studies 48, S. 729–762.
Claus, T. (1995). Objektorientierte Simulation und genetische Algorithmen zur Produktionspla-
nung und -steuerung. Frankfurt am Main: Lang.
Cockburn, A. (1995). Evolutionso¨kologie. Stuttgart, Jena, New York: Gustav Fischer Verlag.
Crichton, M. (2002). Beute. Mu¨nchen: Karl Blessing Verlag.
Dahlstrand, F. (1998). Alarm Analysis with Fuzzy Logic and Multilevel Flow Models.
In: Proceedings of the 18th Annual International Conference of the British Compu-
ter Society Special Group on Expert Systems, ES 98. Cambridge, UK. S. 173–188.
http://www.goalart.com/publications/1998-sges-fd.pdf.
Darwin, C. (1992). U¨ber die Entstehung der Arten durch natu¨rliche Zuchtwahl oder die Er-
haltung der begu¨nstigten Rassen im Kampfe um’s Dasein. Darmstadt: Wissenschaftliche
Buchgesellschaft.
157
LITERATURVERZEICHNIS
de Fonseca, C. M. M. (1995). Multiobjective Genetic Algorithms with Applications to Control
Engineering Problems. Doktorarbeit. Department of Automatic Control and System Engi-
neering, University of Sheffield. http://www.citeseer.ist.psu.edu/article/fonseca-
95multiobjective.html.
Deibele, L., J. P. Scha¨fer und R. Magiera (1997). Rektifikation, Flu¨ssig/Flu¨ssig-Extraktion und
Membrantechnik. Chemie Ingenieur Technik 69(12), S. 1704–1715.
Dickerson, R. E. (1985). Chemische Evolution und der Ursprung des Lebens – Abschnitt II:
Entstehung des Lebens. In: Evolution - Die Entwicklung von den ersten Lebensspuren bis
zum Menschen (E. Mayr, Hrsg.). S. 43–61. Heidelberg: Verlagsgesellschaft, Spektrum der
Wissenschaft.
DIN 19227 Teil 1 (1993). Graphische Symbole und Kennbuchstaben fu¨r die Prozessleittechnik –
Darstellung von Aufgaben. Berlin, Wien, Zu¨rich: Deutsches Institut fu¨r Normung, Beuth
Verlag.
DIN 19227 Teil 2 (1991). Graphische Symbole und Kennbuchstaben fu¨r die Prozessleittechnik
– Darstellung von Einzelheiten. Berlin, Wien, Zu¨rich: Deutsches Institut fu¨r Normung,
Beuth Verlag.
DIN 19236 (1977). Messen - Steuern - Regeln: Optimierung – Begriffe. Berlin, Wien, Zu¨rich:
Deutsches Institut fu¨r Normung, Beuth Verlag.
DIN 2429 Teil 2 (1988). Graphische Symbole fu¨r technische Zeichnungen – Rohrleitung – Funk-
tionelle Darstellung. Berlin, Wien, Zu¨rich: Deutsches Institut fu¨r Normung, Beuth Verlag.
DIN 2481 (1979). Wa¨rmekraftanlagen; Graphische Symbole Ausgabe 1979-06. Berlin, Wien,
Zu¨rich: Deutsches Institut fu¨r Normung, Beuth Verlag.
DIN 28004 Teil 2 (1988). Fließbilder verfahrenstechnischer Anlagen – Zeichnerische Ausfu¨hrung.
Berlin, Wien, Zu¨rich: Deutsches Institut fu¨r Normung, Beuth Verlag.
DIN 28004 Teil 3 (1988). Fließbilder verfahrenstechnischer Anlagen – Graphische Symbole. Ber-
lin, Wien, Zu¨rich: Deutsches Institut fu¨r Normung, Beuth Verlag.
DIN 28004 Teil 4 (1977). Fließbilder verfahrenstechnischer Anlagen – Kurzzeichen. Berlin, Wien,
Zu¨rich: Deutsches Institut fu¨r Normung, Beuth Verlag.
DIN 40020 (2003). Richtlinien fu¨r die Benutzerschnittstelle in Multimediagera¨ten fu¨r den All-
gemeingebrauch. Berlin, Wien, Zu¨rich: Deutsches Institut fu¨r Normung, Beuth Verlag.
DIN EN ISO 14015-1 Teil 1 (2003). Software-Ergonomie fu¨r Multimedia-Benutzungsschnitt-
stellen – Teil 1: Gestaltungsgrundsa¨tze und Rahmenbedingungen. Berlin, Wien, Zu¨rich:
Deutsches Institut fu¨r Normung, Beuth Verlag. Deutsche Fassung EN ISO 14915-1:2002.
Dinadis, N. und K. J. Vicente (1999). Designing Functional Visualizations for Aircraft System
Status Displays. International Journal of Aviation Psychology 9, S. 241–269.
Duez, P. und K.J. Vicente (2003). Ecological Interface Design for Network Management. In:
Proceedings of the Human Factors and Ergonomics Society 47th Annual Meeting. Denver,
USA. S. 572–575.
Dutke, S. (1994). Mentale Modelle: Konstrukte des Wissens und Verstehens. Go¨ttingen: Verlag
fu¨r angewandte Psychologie.
Ebeling, W. (1997). Physikalische Grundlagen und Evolution der Information. In: Selbstorga-
nisation - Jahrbuch fu¨r Komplexita¨t in den Natur-, Sozial- und Geisteswissenschaften -
Band 8 - Evolution und Irreversibilita¨t (H.-J. Krug und L. Pohlmann, Hrsg.). S. 81–96.
Berlin: Verlag Duncker und Humblot.
Eigen, M., W. Gardiner, P. Schuster und R. Winkler-Oswatitsch (1985). Ursprung der geneti-
schen Information – Abschnitt II: Entstehung des Lebens. In: Evolution - Die Entwicklung
von den ersten Lebensspuren bis zum Menschen (E. Mayr, Hrsg.). S. 61–82. Heidelberg:
Verlagsgesellschaft, Spektrum der Wissenschaft.
158
LITERATURVERZEICHNIS
Elzer, P., B. Boussoffara und C. Beuthel (2001). New Forms of Process Visualization. In:
8th IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design, and Evaluation of Human-
Machine Systems (G. Johannsen, Hrsg.). Kassel, Germany. S. 227–232.
Elzer, P. und C. Beuthel (1997). Advantages of 3D Displays for S&C of Large Technical Systems.
In: Proceedings of the XVI. European Annual Conference on Human Decision Making
and Manual Control, Laborbericht IMAT-MMS 19, ISSN 0940-094X. Universita¨t Kassel,
Deutschland. S. 181–189.
Elzer, P. und C. Beuthel (1998). Dreidimensionale Prozessvisualisierung zur Fu¨hrung tech-
nischer Anlagen. In: VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik. GMA-
Kongress ’98 Mess- und Automatisierungstechnik – Neue Entwicklungen, Technologien,
Anwendungen – VDI-Berichte 1397. Du¨sseldorf: VDI-Verlag. S. 803–810.
Endler, J. A. (1986). Natural Selection in the Wild. Princeton: Princeton University Press.
Engel, K. D. (2002). Strategien und Algorithmen zur interaktiven Volumenvisualisierung in
digitalen Dokumenten. Doktorarbeit. Fakulta¨t Informatik, Universita¨t Stuttgart.
Engelkamp, J. (1991). Das menschliche Geda¨chtnis: Das Erinnern von Sprache, Bildern und
Handlungen. Go¨ttingen: Hogrefe.
Fahr, L. (1991). Evolutiona¨re Zu¨ge im kosmischen Geschehen. Hat die Physik eine Evolution?.
In: Evolution – Probleme und neue Aspekte ihrer Theorie (L. Scheffczyk, Hrsg.). S. 49–72.
Freiburg, Mu¨nchen: Verlag Karl Alber.
Fogel, D. B. (1992). Evolving Artificial Intelligence. Doktorarbeit. University of California, San
Diego.
Fogel, D. B. (2000a). Evolutionary Computation: Toward a New Philosophy of Machine Intel-
ligence. New York: IEEE Press.
Fogel, D. B. (2000b). What is Evolutionary Computation? IEEE Spectrum February, S. 26–32.
Fogel, D. B. und L. J. Fogel (1995). An Introduction to Evolutionary Programming. In: Artificial
Evolution (J. M. Alliot, E. Lutton und E. Ronald, Hrsg.). Springer Verlag. S. 21–33.
Fogel, L. J., A. J. Owens und M.J. Walsh (1966). Artificial Intelligence through Simulated
Evolution. New York: John Wiley.
Freiburg, D. (1987). Ergonomie in Dokumenten Retrieval Systemen. Berlin: Walter de Gruyter.
French, M. J. (1988). Invention and Evolution – Design in Nature and Engineering. Cambridge,
New York, New Rochelle, Melbourne, Sidney: Cambridge University Press.
Friedberg, R. M. (1958). A Learning Machine: Part I. IBM Journal of Research and Development
1(2), S. 2–13. http://www.research.ibm.com/journal/rd/021/ibmrd0201B.pdf.
Friedberg, R. M., B. Dunham und J. H. North (1959). A Learning Machine: Part II. IBM
Journal of Research and Development 3(3), S. 282–287. http://www.research.ibm.
com/journal/rd/033/ibmrd0303H.pdf.
Frieling, E. (1982). Licht und Farbe am Arbeitsplatz. Bad Wo¨rishofen: Verlagsgemeinschaft fu¨r
Wirtschaftspublizistik.
Frieling, E. und K. Sonntag (1999). Arbeitspsychologie. Bern, Go¨ttingen, Toronto, Seattle: Ver-
lag Hans Huber.
Futuyma, D. J. (1990). Evolutionsbiologie. Basel, Boston, Berlin: Birkha¨user Verlag.
Geiser, G. (1998). Mensch-Maschine-Kommunikation: Warum entstehen ”benutzungsfeindliche”
Gera¨te? In: Technik fu¨r den Menschen – Gestaltung und Einsatz benutzungsfreundlicher
Produkte (Informationstechnische Gesellschaft im VDE (ITG) Fachausschuß 2.2, Hrsg.).
Eichsta¨dt, Deutschland. Katholische Universita¨t Eichsta¨tt. S. 7–14.
Geitz, B. (1996). Einsatz von Großbild-Ru¨ckprojektionssystemen in Leitwarten. In: 3. interna-
tionaler Workshop Leitwarten u¨ber den Einsatz neuer Informations- und Leitsysteme in
159
LITERATURVERZEICHNIS
Verkehr, Prozessfu¨hrung und Fertigung (G. Becker und W. Preuss, Hrsg.). Ko¨ln, Deutsch-
land. TU¨V Rheinland e.V. S. 209–212.
Gibson, J. J. (1979). The Ecological Approach to Visual Perception. Boston: Houghton-Mifflin.
Goelz, M. (2002). Großbildprojektionen - Einsatz, Erfahrungen und Beispiele. In: VDI-Berichte
1678 (VDI/VDE-Gesellschaft Mess und Automatisierung, Hrsg.). Du¨sseldorf. VDI Verlag.
S. 259–264.
Goldberg, D. E. (1999). Genetic algorithms in Search, Optimization, and Machine Learning.
Reading u.a.: Addison-Wesley.
Goldberg, D. E. und J. Richardson (1987). Genetic Algorithms with Sharing for Multimodal
Function Optimization. In: Genetic Algorithms and their Applications: Proceedings of the
Second International Conference on Genetic Algorithms (J. J. Grefenstette, Hrsg.). Hills-
dale, New Jersey, USA. Lawrence Earlbaum. S. 41–49.
Goodstein, L. P. (1981). Discriminative Display Support for Process Supervisors. In: Human
Detection and Diagnosis of System Failures (J. Rasmussen und W. B. Rouse, Hrsg.). S. 21–
36. New York: Plenum Press.
Grams, T. (1998). Bedienfehler und ihre Ursachen (Teil 2). atp - Automatisierungstechnische
Praxis 40(4), S. 55–60.
Haaks, D. (1992). Anpaßbare Informationsysteme. Go¨ttingen, Stuttgart: Verlag fu¨r angewandte
Psychologie.
Hacker, W. (1973). Allgemeine Arbeits- und Ingenieurpsychologie. Berlin: VEB Deutscher Ver-
lag der Wissenschaften.
Hacker, W. and (1998). Allgemeine Arbeitspsychologie. Bern, Stuttgart, Wien: Hans Huber
Verlag.
Hasenfuss, I. (1978). Die Selektionstheorie. In: Evolution, Bedingungen - Resultate - Konse-
quenzen (R. Siewing, Hrsg.). S. 307–318. Stuttgart, New York: Gustav Fischer Verlag.
Hedicke, V. (2002). Multimodalita¨t in Mensch-Maschine-Schnittstellen. In: Mensch-Maschine-
Systemtechnik (K.-P. Timpe, T. Ju¨rgensohn und H. Kolrep, Hrsg.). S. 203–232. Du¨sseldorf:
Symposium Verlag.
Heller, E. (1989). Wie Farben wirken. Reinbek: Rowohlt.
Herbst, L. und W. Rieger (1997). Modernste Prozeßvisualisierung im Kraftwerk Schkopau. ABB
Technik (1), S. 13–18.
Herdy, M. und T. Fukuda (1992). Reproductive Isolation as Strategy Parameter in Hierarchical
Organized Evolution Strategies. In: Proceedings of the 2nd PPSN Conference – Parallel
Problem Solving from Nature 2 (R. Ma¨nner und M. Manderick, Hrsg.). Bru¨ssel, Belgien.
S. 207–209.
Hermann, T. und H. Ritter (2004). Sound and Meaning in Auditory Data Display (Invited
Paper). Proceedings of the IEEE – Special Issue on: Engineering & Music – Supervisory
Control and Auditory Communication 92(4), S. 730–741.
Herrmann, F. (1976). Realisierung der genetischen Information – Der genetische Kode. In:
Beitra¨ge zur Genetik und Abstammungslehre (H. Bo¨hme, R. Hagemann und R. Lo¨ther,
Hrsg.). S. 161–176. Berlin: Volk und Wissen Volkseigener Verlag.
Herzing, R. (1996). Entwicklung der Leitwartengestaltung in der chemischen Industrie. In: 3.
internationaler Workshop Leitwarten u¨ber den Einsatz neuer Informations- und Leitsyste-
me in Verkehr, Prozessfu¨hrung und Fertigung (G. Becker und W. Preuss, Hrsg.). Ko¨ln,
Deutschland. TU¨V Rheinland e.V. S. 201–207.
Hofbauer, J. und K. Sigmund (1984). Evolutionstheorie und dynamische Systeme– Mathemati-
sche Aspekte der Evolution. Berlin und Hamburg: Verlag Paul Parey.
160
LITERATURVERZEICHNIS
Hofmann, M. (2003). Intensionsbasierte maschinelle Interpretation von Benutzerhandlungen.
Doktorarbeit. Lehrstuhl fu¨r Mensch-Maschine-Kommunikation, Fakulta¨t fu¨r Elektrotech-
nik und Informationstechnik, Technische Universita¨t Mu¨nchen.
Hohmann, S. (2002). Mensch-Maschine-Interface – Studien zu einer Theorie der Mensch-Com-
puter-Interaktion. Doktorarbeit. Fakulta¨t fu¨r Geisteswissenschaften, Universita¨t Duisburg-
Essen.
Holland, J. H. (1975). Adaptation in Natural and Artificial Systems. Ann Arbor: The University
of Michigan Press.
Houssidas, L. (1964). An Exploratory Study of the Perception of Causality. London: The British
Journal of Psychology. Monograph Supplements 36. Cambridge University Press.
Ignatowitz, E. (1992). Chemietechnik. Haan - Gruiten: Europa-Lehrmittel.
ISO DIN 9241-11 (1994). ISO DIN 9241-11, Ergonomic Requirements for Office Work With
Visual Display Terminals (VDTs), Part 11: Guidance on Usability: International Organi-
sation for Standardisation.
Jackson, P. und S. Regelous (2003). The Visual Effects: Weta Digital, Scene 21:6. In: The Lord
of the Rings: The Two Towers – Appendix Part 4: Die Schlacht um Mittelerde beginnt,
Special Extended DVD Edition. Time: 11’52” – 19’36”. New York, Los Angelos: New Line
Cinema.
Jamieson, G. A. (2002a). Ecological Interface Design for Petrochemical Process Control: In-
tegrating Task and System-Based-Approaches. Technischer Bericht CEL02-01. Cognitive
Engineering Laboratory, Department of Mechanical & Industrial Engineering, University
of Toronto.
Jamieson, G. A. (2002b). Empirical Evaluation of an Industrial Application of Ecological In-
terface Design. In: Proceedings of the 46th Annual Meeting of the Human Factors and
Ergonomics Society. Baltimore, USA. S. 536–540.
Jamieson, G. A., W.. H. Ho und D. V. C. Reising (2003). Ecological Interface Design in Practi-
ce: A Design for Petrochemical Processing Operations. In: Human-Computer-Interaction:
Theorie and Practice, Part I (J. Jacko und C. Stephanidis, Hrsg.). S. 133–137. Mawah,
USA: Erlbaum.
Johannsen, G. (1993). Mensch-Maschine-Systeme. Berlin u.a.: Springer-Verlag.
Johannsen, G. (1999). Visual and Auditory Displays in Human-Computer Interaction. In:
Proc. 2nd International Conference on Human and Computer - HC-99, University of Aizu
(I. Troch und F. Breitenecker, Hrsg.). Aizu-Wakamatsu and Tokyo, Japan. S. 1–1.
Johannsen, G. (2000). Auditory Displays in Human-Machine Interfaces of Mobile Robots for
Non-Speech Communication with Humans. In: Proceedings of the 3rd MATHMOD, IMACS
Symposium on Mathematical Modelling, Invited Session “Human-Machine Interfaces in
Robotics“, Vol. 1 (I. Troch und F. Breitenecker, Hrsg.). Vienna, Austria. S. 47–50.
Johannsen, G. (2004). Auditory Displays in Human-Machine Interfaces (Invited Paper). Pro-
ceedings of the IEEE – Special Issue on: Engineering & Music – Supervisory Control and
Auditory Communication 92(4), S. 742–758.
Jørgensen, S. S. (1993a). Generic MFM Models for Use in Fault Diagnosis of Shipsystem’s
Machinery (Part I). Doktorarbeit. Institute of Automatic Control Systems, Technical Uni-
versity of Denmark.
Jørgensen, S. S. (1993b). A Fault Diagnosis System Implementation (Part II). Doktorarbeit.
Institute of Automatic Control Systems, Technical University of Denmark.
Kattmann, U. und J. Weninger (1981). Genkopplung und Selektion als Faktoren allma¨hli-
cher Artaufspaltung. In: Evolutionsbiologie (U. Kattmann, G.v. Wahlert und J. Weninger,
Hrsg.). S. 119–155. Ko¨ln: Aulis Verlag Deubner & Co KG.
161
LITERATURVERZEICHNIS
Kennedy, C. J. (1998). Strongly Typed Evolutionary Programming. Doktorarbeit. University
of Bristol, Department of Computer Science.
Kim, Y.-J., J.-H. Kim und D.-S. Kwon (2001). Evolutionary Programming-Based Univector
Field Navigation Method for Fast Mobile Robots. IEEE Transaction on Systems, Man
and Cybernetics - Part B: Cybernetics 31(3), S. 450–458.
Kirkpatrick, S., C. D. Gelatt und M. P. Vecci (1983). Optimization by Simulated Annea-
ling. Science 220(4598), S. 671 – 680. http://www.cs.ubc.ca/∼ksmyth/EmpAlgReading
Group/KirkpatrickK83SA.pdf
Knodel, H., H. Bayrhuber, U. Ba¨ßler, A. Danzer und U. Kull (1998). Linder Biologie. Stuttgart:
J. B. Metzlersche Verlagsbuchhandlung.
Koll, U. (1977). Evolution. In: Studienreihe Biologie – Band 3 (H. Knodel, Hrsg.). S. 1–304.
Stuttgart: J. B. Metzlersche Verlagsbuchhandlung.
Kolowa, S. S. (2004). Design of Common and Cognition Related 3D-Objects for Graphical
User Interfaces Using C++ and OpenGL. Diplomarbeit II. Universita¨t Kassel, Fachbe-
reich Maschinenbau, Institut fu¨r Mess- und Automatisierungstechnik (IMAT), Fachgebiet
Systemtechnik und Mensch-Maschine-Systeme.
Komischke, T. (2003). Informationsu¨berflutung in der Prozessfu¨hrung. atp - Automatisierungs-
technische Praxis 45(9), S. 74–79.
Koza, J. R. (1994). Introduction to Genetic Programming. In: Advances in Genetic Program-
ming (K. E. Kinnear, Hrsg.). S. 21–42. Cambridge (USA), London: Bradford Book - MIT
Press.
Kursawe, F. (1991). A Variant of Evolutionary Strategies for Vector Optimization. In: Pro-
ceedings of the 1st Workshop on Parallel Problem Solving from Nature, LNCS 496 (H.-P.
Schwefel und R. Ma¨nner, Hrsg.). Berlin u.a.: Springer-Verlag. S. 193–197.
Kursawe, F. (1999). Grundlegende empirische Untersuchungen der Parameter von Evoluti-
onsstrategiern – Metastrategien. Doktorarbeit. Fachbereich Informatik, Universita¨t Dort-
mund.
Lange, E. (1985). Mechanismen der Evolution. Wittenberg Lutterstadt: A. Ziemsen Verlag.
Larsen, M. N. (1993). Deriving Action Sequences for Start-Ups Using Multilevel Flow Models.
Doktorarbeit. Institute of Automatic Control Systems, Technical University of Denmark.
Larsson, J. E (1994). Diagnostic Reasoning Strategies for Means-End Models. Automatica,
30(5), S. 775–787.
Larsson, J. E. (1996). Diagnosis Based on Explicit Means-End Models. Artificial Intelligence
80, S. 29–93.
Larsson, J. E. (2002). Diagnostic Reasoning Based on Means-Ends Models: Experiences and
Future Prospects. Knowledge-Based Systems 15(1-2), S. 103–110.
Larsson, J. E., B. Hayes-Roth und D. M. Gaba. (1997). Goals and Functions of the Human
Body: An MFM Model for Fault Diagnosis. IEEE Transactions on Systems, Man and
Cybernetics - Part B: Cybernetics 27(6), S. 758–765.
Larsson, J.E. (1992). Knowledge Based Methods for Control Systems. Doktorarbeit. Depart-
ment of Automatic Control, Lund Institute of Technology. Rept. no. ISRN LUTFD2/
TFRT–1040-SE.
Lenzen, M. (2004). Wie Ansprechpartner aus Fleisch und Blut – Wissenschaftler wollen die
Kommunikation zwischen Mensch und Maschine revolutionieren. Frankfurter Rundschau
15.03.2004(63), S. 10.
Lind, M. (1990). Representing Goals and Functions of Complex Systems: An Introduction to
Multilevel-Flow-Modeling. Technischer Bericht 90-D-381. Institute of Automatic Control
Systems, Technical University of Denmark.
162
LITERATURVERZEICHNIS
Lo¨nning, W.-E. (1995). Mutationen – Das Gesetz der rekurrenten Variation. In: Streitfall Evo-
lution – Kontroverse Beitra¨ge zum Neodarwinismus (J. Mey, R. Schmidt und S. Zibulla,
Hrsg.). S. 149–165. Stuttgart: S. Hirzel – Wissenschaftliche Verlagsgesellschaft.
Maier, U. G. (1994). Die molekulare Dimension der biologischen Evolutionstheorie. In: Die
Evolution der Evolutionstheorie – Von Darwin zur DNA (Wolfgang Wieser, Hrsg.). S. 109–
128. Heidelberg, Berlin, Oxford: Spektrum Akademischer Verlag.
Matsuoka, T., M. Numano, J. Fukuto, K. Miyazaki, M. Someya, N. Mitomo und Y. Niwa
(1997). Towards a New Man-Machine-Interface for Autonomous Power Plant Systems:
Observation Systems for Autonomous, Diverse, and Cooperative Functions. In: Proceedings
of the International Symposium on Artificial Intelligence, Robotics and Intellectual Human
Activity Support for Nuclear Applications. S. 107–116.
Mayr, E. (1967). Artbegriff und Evolution. Hamburg, Berlin: Verlag Paul Parey.
Mayr, E. (1985). Evolution – Abschnitt I: Evolutionstheorie. In: Evolution - Die Entwicklung
von den ersten Lebensspuren bis zum Menschen (E. Mayr, Hrsg.). S. 8–19. Heidelberg:
Verlagsgesellschaft, Spektrum der Wissenschaft.
Meyer, D. (2002). MOMBES - Multiobjective Modelbased Evolution Strategy. Technischer
Bericht FKI-246-02. TU Mu¨nchen, Kratzer AG Mu¨nchen. http://www.brauer.infor-
matik.tu-muenchen.de/fki-berichte/postscript/fki-246-02.pdf.
Meyer, H. und K. Daumer (1994). Evolution. Mu¨nchen: Bayerischer Schulbuch-Verlag.
Michalewicz, Z. (1996). Genetic Algorithms + Data Structures = Evolution Programs. Berlin
u.a.: Springer-Verlag.
Microsoft Word Online-Hilfe (2004). Informationen u¨ber Menu¨s und Symbolleisten - Anzeigen
der ausschließlich von Ihnen verwendeten Befehle und Schaltfla¨chen. Microsoft.
Ming-Tong, T., L. Whei-Min und L. Jhi-Li (2001). Application of Evolutionary Programming
for Economic Dispatch of Cogeneration Systems under Emission Constraints. International
Journal of Electrical Power and Energy Systems 23(8), S. 805–812.
Mitchell, R. J., J. M. Bishop, D. A. Keating und K. Dautenhahn (2000). Cybernetic Approaches
to Artificial Life. KI – Ku¨nstliche Intelligenz – Schwerpunkt: Artificial Life 1(00), S. 5–11.
Morguet, P. und M. Lang (1998). Dynamische Gesten und indirekte Manipulation als Grundlage
fu¨r eine intuitive Mensch-Maschine-Kommunikation. In: Technik fu¨r den Menschen - Ge-
staltung und Einsatz benutzungsfreundlicher Produkte (Informationstechnische Gesellschaft
im VDE (ITG) Fachausschuß 2.2, Hrsg.). Berlin, Offenbach: VDE Verlag. S. 131–139.
Mu¨hlenbein, H. und D. Schlierkamp-Voosen (1995). Analysis of Selection, Mutation and Recom-
bination in Genetic Algorithms. In: Lecture Notes in Computer Science – Evolution and
Biocomputation – Computational Models of Evolution (Wolfgang Banzhaf und Frank H.
Eeckman, Hrsg.). S. 142–168. Berlin u.a.: Springer-Verlag.
Muir, B. M. (1987). Trusts Between Humans and Machines, and the Design of Decision Aids.
International Journal of Man-Machine Studies 27, S. 527–539.
Mukasa, K. S. (2004). Applicability of Visualization Technique for Machine Users in the
Production Automation Area. In: IFAC/IFIP/IFORS/IEA Symposium Analysis, De-
sign, and Evaluation of Human-Machine-Systems. New York. IEEE Press. S. 1–6. CD:
papers/50.pdf.
Mulder, M., R. van Paassen und R. Winterberg (2004). Supporting Pilots in Four-Dimensional
Trajectory Planning through Ecological Interface Design. In: IFAC/IFIP/IFORS/IEA
Symposium Analysis, Design, and Evaluation of Human-Machine-Systems. New York. IE-
EE Press. S. 1–6. CD: papers/17.pdf.
Nachtigall, W. (1992). Technische Biologie und Bionik - Was ist das?. In: Technische Biolo-
gie und Bionik 1 - 1. Bionik Kongress BIONA-Report 8 (W. Nachtigall, Hrsg.). S. 1–12.
Stuttgart, New York: Gustav Fischer Verlag.
163
LITERATURVERZEICHNIS
Neumann, D. (1993). Bionik - Technologieanalyse. Du¨sseldorf: VDI Techologiezentrum - Phy-
sikalische Technologien.
Nissen, V. (1997). Einfu¨hrung in Evolutiona¨re Algorithmen: Optimierung nach dem Vorbild der
Evolution. Braunschweig u.a.: Vieweg.
Norman, D.A. (1988). The Psychology of Everyday Things. New York: Basic Books.
O¨hman, B. (2000). Code Generation for Alarm Analysis With Multilevel Flow Models. In:
Proceedings of the Second International ICSC Symposium on Engineering of Intelligent
Systems. Paisley, Scotland.
Oortmann, H. (2003). Die Technik muss den Menschen erreichen – Wege zur effizienten Gestal-
tung ergomischer Bediensysteme. atp - Automatisierungstechnische Praxis 45(9), S. 51–55.
Osman, A. (1992). Graphical Control Environment. Doktorarbeit. Technical University of Den-
mark, Institute of Automatic Control Systems, Lyngby, Denmark.
Peters, G. (1976). Die Taxonomie auf dem Weg zur Analyse der Stammesverwandtschaften. In:
Beitra¨ge zur Genetik und Abstammungslehre (H. Bo¨hme, R. Hagemann und R. Lo¨ther,
Hrsg.). S. 392–416. Berlin: Volk und Wissen Volkseigener Verlag.
Petersen, J. (2000). Knowledge Based Support for Situation Assessment in Human Superviso-
ry Control. Doktorarbeit. Department of Automation, Technical University of Denmark:
Ørsted-DTU. http://www.iau.dtu.dk/secretary/pdf/jop.pdf.
Petersen, J. und M. Lind (1998). Considerations on Agents and Objects in Multilevel Flow
Modelling. In: Proceedings of the 17th European Annual Conference on Human Decision
Making and Manual Control (P. Millot, F. Vanderhaegen, S. Debernard und D. Trentesaux,
Hrsg.). Valenciennes, France. S. 19–29.
Pohlheim, H. (1998). Entwicklung und systemtechnische Anwendung Evolutiona¨rer Algorith-
men. Doktorarbeit. Technische Universita¨t Ilmenau.
Polke, M. (1994). Prozeßleittechnik. Mu¨nchen, Wien: R. Oldenbourg Verlag.
Poulsen, H. (1997). Functional Structures in Process Control. Doktorarbeit. Department of
Automation, Technical University of Denmark, Kongens Lyngby, Denmark.
Probst, D. A. (1996). On Evolution and Learning in Games. Doktorarbeit. Universita¨t Mann-
heim, Lehrstuhl fu¨r Volkswirtschaftslehre und Wirtschaftstheorie.
Pylatiuk, C. und S. Schultz (2002). Neuentwicklung einer Prothesenhand. Orthopa¨die-Technik
8(53), S. 628–633.
Raichle, P. (1983). Erfahrungen mit unterschiedlich gestalteten Leitwarten in kontinuierlich
arbeitenden Prozeßanlagen. In: Kolloquium Leitwarten, S. 595–601. Ko¨ln: TU¨V Rheinland
e.V.
Rasmussen, J. (1983). Skills, Rules and Knowledge: Signals, Signs, and Symbols, and other
Distinctions in Human Performance Models. IEEE Transactions on Systems, Man and
Cybernetics 13, S. 257–266.
Rasmussen, J. (1986). Information Processing and Human Machine Interaction: An Approach
to Cognitive Engineering. New York, London: North Holland.
Rasmussen, J. (1990). Mental Models and the Control of Actions in Complex environments.
In: Mental Models and Human-Computer Interaction (D. Ackermann und M. J. Tauber,
Hrsg.). S. 41–69. Amsterdam: North Holland.
Rasmussen, J. und K. J. Vicente (1992). Ecological Interface Design: Theoretical Foundations.
IEEE Transaction on Systems, Man and Cybernetics 22(4), S. 589–605.
Rauschenbach, U. and (2002). FishEye-Views fu¨r den mobilen Zugriff auf Prozessbilder. In:
VDI-Berichte 1678 (VDI/VDE-Gesellschaft Mess- und Automatisierungstechnik, Hrsg.).
Du¨sseldorf: VDI Verlag. S. 337–342.
164
LITERATURVERZEICHNIS
Rechenberg, I. (1973). Evolutionsstrategie - Optimierung technischer Systeme nach Prinzipien
der biologischen Evolution. Stuttgart: Frommann-Holzboog.
Rechenberg, I. (1994). Optimierung technischer Systeme nach Prinzipien der biologischen Evo-
lution. Stuttgart: Frommann-Holzboog.
Reinig, G., P. Winter, V. Linge und K. Na¨gler (1997). Trainingssimulatoren: Engineering und
Einsatz. Chemie Ingenieur Technik 69(12), S. 1759–1764.
Reynolds, R. G. und S. Zhu (2001). Knowledge-Based Function Optimization Using Fuzzy
Cultural Algorithms with Evolutionary Programming. IEEE Transaction on Systems, Man
and Cybernetics - Part B: Cybernetics 31(1), S. 1–18.
Riechmann, Thomas (1998). Genetic Algorithms and Economic Evolution. Hannover: Universi-
ta¨t Hannover.
Rose´, Helge (1998). Evolutiona¨re Strategien und Multitome Optimierung. Doktorarbeit. Hum-
boldt Universita¨t Berlin.
Ro¨se, K., D. Zu¨hlke und L. Liu (2002). Interkulturelles Design fu¨r Mensch-Maschine-Sys-
teme: Maschinendesign fu¨r den chinesischen Markt. In: VDI-Berichte 1678 (VDI/VDE-
Gesellschaft fu¨r Mess-und Automatisierungstechnik GMA, Hrsg.). Du¨sseldorf. VDI Verlag.
S. 245–251.
Ro¨se, K. und D. Zu¨hlke (2001). Culture-Oriented Design: Developers’ Knowledge Gaps in this
Area. In: 8th IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design, and Evaluation of
Human-Machine- Systems – IFAC HMS Kassel - Preprints (G. Johannsen, Hrsg.). Kassel,
Deutschland. Federation of Automatic Control (IFAC) – VDI/VDE Gesellschaft fu¨r Mess-
und Automatisierungstechnik (GMA). S. 11–16.
Ro¨ßger, P. (2004). HMI Design of Driver Information Systems: A Cross Cultural Challen-
ge. In: IFAC/IFIP/IFORS/IEA Symposium Analysis, Design, and Evaluation of Human-
Machine-Systems. New York. IEEE Press. S. 1–2. CD: papers/80.pdf.
Ruder, H. (1978). Evolution des Kosmos. In: Evolution, Bedingungen - Resultate - Konsequenzen
(Rolf Siewing, Hrsg.). S. 1–23. Stuttgart, New York: Gustav Fischer Verlag.
Rudolph, G. und H.-P. Schwefel (1994). Evolutiona¨re Algorithmen: Ein robustes Optimierkon-
zept. Physikalische Bla¨tter 50(3), S. 236–238.
Rummler, A. (2002). Partitionierung von Schaltungen unter Einsatz mehrkriterieller evolutio-
na¨rer Algorithmen. In: GMM/ITG Diskussionsitzung, Entwicklung von Analogschaltun-
gen mit CAE-Methoden – HF-Schaltungsentwurf, Konzepte, Modellierung, Simulation und
Realisierung. Bremen, Deutschland. VDI/VDE.
Sakuma, A., J. Itoh, E. Yoshikawa und K. Monta (1995). Simulation Study of an Ecological
Interface for Nuclear Power Plants. In: Symbiosis of Human and Artifact, 6th International
Conference on Human-Computer Interaction. Yokohama, Japan.
Sauer, K. P. und J. K. Mu¨ller (1987). Evoution der Pflanzen- und Tierwelt – II Ursachen
und Mechanismen der Evolution. Tu¨bingen: Deutsches Institut fu¨r Fernstudien an der
Universita¨t Tu¨bingen.
Savage, J. M. (1966). Evolution. Mu¨nchen, Basel, Wien: BLV Bayerischer Landwirtschaftsverlag.
Schaich, D. und M. Friedrich (2003). Operator-Training-Simulation (OTS) in der chemischen
Industrie – Erfahrungen und Perpektiven. atp - Automatisierungstechnische Praxis 45(2),
S. 38–48.
Scheffczyk, L. (1991). Vorwort. In: Evolution – Probleme und neue Aspekte ihrer Theorie
(L. Scheffczyk, Hrsg.). S. 7–9. Freiburg, Mu¨nchen: Verlag Karl Alber.
Schell, J. (2000). Bequemer Weg in die weite Welt – Visualisierung und Kontrolle via Internet.
IEE 45(11), S. 16–18.
165
LITERATURVERZEICHNIS
Scho¨neburg, E., F. Heinzmann und S. Feddersen (1994). Genetische Algorithmen und Evolu-
tionsstrategien - Eine Einfu¨hrung in Theorie und Praxis der simulierten Evolution. Reading
u.a.: Addison-Wesley.
Schuster, P. (1994). Molekulare Evolution an der Schwelle zwischen Chemie und Biologie. In: Die
Evolution der Evolutionstheorie (Wolfgang Wieser, Hrsg.). S. 49–76. Heidelberg, Berlin,
Oxford: Spektrum Akademischer Verlag.
Schuth, S. (2001). Modellbasierte Optimierung der Fremdvergabe im Anlagenbau. Doktorarbeit.
Fakulta¨t fu¨r Maschinenwesen, Rheinisch-Westfa¨liche Technische Hochschule Aachen.
Schu¨tz, M. und H.-P. Schwefel (2000). Evolutionary Approaches to Solve Three Challenging
Engineering Tasks. CMAME – Computer Methods in Applied Mechanics and Engineering,
Special issue ”Evolutionary and Genetic Algorithms in Computational Mechanics and En-
gineering” 186(2000), S. 141–170.
Schwefel, H.-P. (1975). Evolutionsstrategie und numerische Optimierung. Doktorarbeit. TU
Berlin.
Schwefel, H.-P. (1995). Evolution and Optimum Seeking. New York: Wiley & Sons.
Schwefel, H.-P. (1998). Evolutiona¨res Rechnen in der Computational Intelligence. In: Computa-
tional Intelligence: Neuronale Netze, evolutiona¨re Algorithmen, Fuzzy Control im industri-
ellen Einsatz; Proc. VDI-VDE-GMA-Fachtagung (S. Hafner, H. Kiendl und H.-P. Schwefel,
Hrsg.). Vol. 1381 of VDI-Berichte, Berlin. Du¨sseldorf: VDI-Verlag. S. 19–23.
Schwefel, H.-P. (1987). Collective Phenomena in Evolutionary Systems. In: Preprints of the
31th Annual Meeting of the International Society for General System Research, Vol. 2.
Budapest, Ungarn. S. 1025–1033.
Seydel, H. (2003). Bionik. Technischer Bericht WF VIII G - 135/2003. Wissenschaftliche Dienste
des Deutschen Bundestages, Fachbereich VIII: Umwelt, Naturschutz, Reaktorsicherheit,
Bildung und Forschung.
Shneiderman, G. (1992). Designing the User Interfaces: Strategies for Effective Human-
Computer Interaction. Reading: Addison Wesley.
Sitte, P. (1994). Die Evolution von Zellen: Innovation durch Symbiogenese. In: Die Evolution
der Evolutionstheorie – Von Darwin zur DNA (W. Wieser, Hrsg.). S. 77–108. Heidelberg,
Berlin, Oxford: Spektrum Akademischer Verlag.
Skusa, A., W. Banzhaf, J. Busch, P. Dittrich und J. Ziegler (2000). Ku¨nstliche Chemie. Ku¨nst-
liche Intelligenz 1, S. 12–19.
Slatkin, M. (1983). Genetic Background. In: Coevolution (D. J. Futuyma und M. Slatkin, Hrsg.).
S. 14–32. Sunderland, Massachusetts: Sinauer Associates, Inc.
Smith, J. M. und E. Szathmary (1996). Evolution – Prozesse, Mechanismen, Modelle. Heidel-
berg, Berlin, Oxford: Spektrum Akademischer Verlag.
So¨ffker, D. (2003). Systemtheoretische Modellbildung der wissensgeleiteten Mensch-Maschine-
Interaktion. Berlin: Logos Verlag.
Solig, I. M. (1991). Die Monte-Carlo-Methode. Berlin: Harri Deutsch Verlag.
Strohrmann, G. (1998). Automatisierungstechnik. Mu¨nchen: Oldenbourg Industrie Verlag
GmbH.
Sung-Bae, C. (2001). Towards Creative Evolutionary Systems with Interactive Genetic Algo-
rithms. International Journal of Applied Intelligence 16(2), S. 128–139.
Thaller, G. E. (2002). Interface-Design: Die Mensch-Maschine-Schnittstelle gestalten - Konzepte
fuer Programm- und Web-Oberfla¨chen. Frankfurt/Main: Software und Support Verlag.
Thamm, J. (1999). Visualisierungsverfahren zur Interaktion mit objekt-relationalen Daten-
banken. Doktorarbeit. Fachbereich Mathematik/Informatik, Universita¨t Kassel.
166
LITERATURVERZEICHNIS
Thierfelder, H. G. (1997). Mit neuester Technik bestehende Kraftwerke modernisieren. ABB
Technik (2), S. 15–24.
Uelschen, M. (2000). Entwurf und Optimierung zweidimensionaler Gitterstro¨mung axialer
Turbomaschinenbeschaufelungen mit neuronalen Netzen und genetischen Algorithmen.
Doktorarbeit. Fachgebiet Stro¨mungsmaschinen, Institut fu¨r Thermische Energietechnik
(ITE), Fachbereich Maschinenbau, Universita¨t Kassel.
Ulich, E. (1988). Arbeits- und organisationspsychologische Aspekte. In: Einfu¨hrung in die
Software-Ergonomie (H. Balzert, Hrsg.). S. 49–66. Berlin: de Gruyter.
van Paassen, R. (1997). Process Displays based on Multilevel Flow Modelling MFM and Ecolo-
gical Interface Design EID. IMAT-Bericht MMS-16. Universita¨t Kassel, Fachbereich Ma-
schinenbau, Institut fu¨r Mess- und Automatisierungstechnik (IMAT), Fachgebiet System-
technik und Mensch-Maschine-Systeme.
Vega-Redondo, Fernando and (1996). Evolution, Games, and Economic Behaviour. New York,
Oxford: Oxford University Press.
Vicente, K. J. und J. Rasmussen (1990). The Ecology of Human-Machine Systems II: Mediating
“Direct Perception” in Complex Work Domains. Ecological Psychology 2(3), S. 207–249.
Vicente, K. und J. Rasmssen (1992). Ecological Interface Design: Theoretical Foundation. IEEE
Transaction on Systems, Man and Cybernetics 22(4), S. 589–606.
Vogel, G. und H. Angermann (1990). Genetik und Evolution, Systematik – Taschenatlas der
Biologie Band 3. Stuttgart: Georg Thieme Verlag.
Voigt, H.-M. (1995). Soft Genetic Operators in Evolutionary Algorithms. In: Lecture Notes in
Computer Science – Evolution and Biocomputation – Computational Models of Evolution
(W. Banzhaf und F. H. Eeckman, Hrsg.). S. 123–141. Berlin u.a.: Springer-Verlag.
Vo¨lkel, A. (1996). U¨berpru¨fung der Konsistenz von Prozeßdaten durch Multilevel Flow Model-
ling. Diplom II. Universita¨t Kassel, Fachbereich Maschinenbau, Institut fu¨r Mess- und Au-
tomatisierungstechnik (IMAT), Fachgebiet Systemtechnik und Mensch-Maschine-Systeme.
Vo¨lkel, A. (1999). Prozeß- und Aufgabenanalyse in einer Destillationskolonne der Bayer AG
Dormagen. Interner Bericht. Universita¨t Kassel, Fachbereich Maschinenbau, Institut fu¨r
Mess- und Automatisierungstechnik (IMAT), Fachgebiet Systemtechnik und Mensch-
Maschine-Systeme.
Vo¨lkel, A. (2001a). Cognition Related Process Visualization with MFM and EID: Improvement
or not? In: 8th IFAC/IFIP/IFORS/IEA Symposium on Analysis, Design, and Evaluation
of Human-Machine Systems (G. Johannsen, Hrsg.). Kassel, Germany. S. 657–662.
Vo¨lkel, A. (2001b). Experimentelle Untersuchung kognitionsbezogener Prozeßvisualisierungen
in Ziel-Mittel-orientierten Mensch-Maschine-Schnittstellen – Ergebnisse. Interner Bericht
MMS-18. Universita¨t Kassel, Fachbereich Maschinenbau, Institut fu¨r Mess- und Automa-
tisierungstechnik (IMAT), Fachgebiet Systemtechnik und Mensch-Maschine-Systeme.
Vo¨lkel, A. (2001c). Kognitionsbezogene Prozeßvisualisierung in Ziel-Mittel-orientierten Mensch-
Maschine-Schnittstellen - Bewertung der Schnittstellen. DFG-Endbericht (Joh 139/12-3).
Universita¨t Kassel, Fachbereich Maschinenbau, Institut fu¨r Mess- und Automatisierungs-
technik (IMAT), Fachgebiet Systemtechnik und Mensch-Maschine-Systeme.
Vo¨lkel, A. (2003a). Evaluation of a Modern Approach to Process Visualisation using Multilevel-
Flow-Modeling and Ecological-Interface-Design. In: From Muscles to Music – A Festschrift
to Celebrate the 60th Birthday of Gunnar Johannsen (B. B. Borys und C. Wittenberg,
Hrsg.). S. 210–216. Kassel: Kassel University Press - Kasseler Personalschriften 1.
Vo¨lkel, A. (2003b). Evolutiona¨re Optimierung von grafischen Bedienoberfla¨chen zur Fu¨hrung
technischer Prozesse. atp – Automatisierungstechnische Praxis 9(45), S. 64–73.
167
LITERATURVERZEICHNIS
Vo¨lkel, A. (2003c). Evolutionary Optimization of Graphical Human-Machine Interfaces for Con-
trolling Technical Processes. In: Cognition and Collaboration – Distributed Cognition in
Complex Processes (G. C. van der Veer und J. F. Hoorn, Hrsg.). Amsterdam, The Nether-
lands. European Association of Cognitive Ergonomics (EACE). S. 137–143.
Vo¨lkel, A. und C. Wittenberg (1999). Aufgabenanalysen zum Entwurf von Benutzerschnitt-
stellen. In: Ergonomische Gestaltungswerkzeuge in der Fahrzeug- und Prozeßfu¨hrung, 41.
Fachausschußsitzung Anthropotechnik der Deutschen Gesellschaft fu¨r Luft- und Raumfahrt
(K.-P. Ga¨rtner, Hrsg.). S. 149–173. Stuttgart: Deutsche Gesellschaft fu¨r Luft- und Raum-
fahrt (DGLR).
Wagner, G. P. (1994). Der Dialog zwischen Evolutionsforschung und Computerwissenschaften.
In: Die Evolution der Evolutionstheorie: von Darwin zur DNA (W. Wieser, Hrsg.). S. 221–
233. Heidelberg, Berlin, Oxford: Spektrum, Akademie Verlag.
Walseth, J. A˚ (1992). Diagnostic Reasoning in Continous Systems. Doktorarbeit. University of
Trondheim, Norway.
Watterson, B. (2001). Calvin and Hobbes Sunday Pages 1985-1995 – An Exhibition Catalogue.
Kansas City, USA: Andrews McMeel Publishing, Ohio State University – Cartoon Research
Library.
Weingartner, P. (1991). Bemerkungen zum wissenschaftlichen Status der Evolutionstheorie.
In: Evolution – Probleme und neue Aspekte ihrer Theorie (L. Scheffczyk, Hrsg.). S. 7–9.
Freiburg, Mu¨nchen: Verlag Karl Alber.
Wickens, C. D. (1984). Engineering Psychology and Human Performance. Columbus, Ohio,
USA: Merrill.
Wiese, F. und D. Settgast (1993). Analyse von Prozeßfu¨hrungsproblemen bei einer Destillati-
onskolonne. Diplom I. Universita¨t Kassel, Fachbereich Maschinenbau, Institut fu¨r Mess-
und Automatisierungstechnik (IMAT), Fachgebiet Systemtechnik und Mensch-Maschine-
Systeme.
Wieser, W. (1994). Gentheorien und Systemtheorien: Wege und Wandlungen der Evolutions-
theorie im 20. Jahrhundert. In: Die Evolution der Evolutionstheorie – Von Darwin zur
DNA (W. Wieser, Hrsg.). S. 15–48. Heidelberg, Berlin, Oxford: Spektrum Akademischer
Verlag.
Wittenberg, C. (1997). Unterstu¨tzung der menschlichen Informationsaufnahme durch Prozeßvi-
sualisierung mittels virtueller Prozeßelemente. In: Menschliche Zuverla¨ssigkeit, Beanspru-
chung und benutzerorientierte Automatisierung (K.-P. Ga¨rtner, Hrsg.). S. 173–182. Bonn:
Deutsche Gesellschaft fu¨r Luft- und Raumfahrt (DGLR).
Wittenberg, C. (1998a). Qualitative Visualisation of a Chemical Process using Three-
Dimensional Computer Graphics. In: Proceedings - 17th European Annual Conference on
Human Decision Making and Manual Control (LAMIH Laboratoire d’Automatique et de
Me´canique Industrielles et Humaines, Hrsg.). Valenciennes, France. Universite´ de Valenci-
ennes. S. 217–226.
Wittenberg, C. (1998b). Virtuelle Prozeßvisualisierung zum Fu¨hren komplexer Prozesse. In:
VDI/VDE-Gesellschaft Mess und Automatisierungstechnik: GMA-Kongreß ’98 Mess-
und Automatisierungstechnik: Neue Entwicklungen, Technologien, Anwendungen, VDI-
Berichte 1397 S. 795–803. Du¨sseldorf: VDI-Verlag.
Wittenberg, C. (1999). Aufgabenorientierte Visualisierung eines komplexen verfahrenstech-
nischen Prozesses unter Verwendung dreidimensionaler Computergraphik. In: Software-
Ergonomie ’99 – Design von Informationswelten, Berichte des German Chapter of the
ACM, Nr. 53 (U. Arend, E. Eberleh und K. Pitschke, Hrsg.). S. 335–344. Stuttgart:
Teubner.
168
LITERATURVERZEICHNIS
Wittenberg, C. (2001a). Design and Evaluation of a Graphical User Interface Using the Virtual
Process Visualization Concept. In: 8th IFAC/IFIP/IFORS/IEA Symposium on Analy-
sis, Design, and Evaluation of Human-Machine-Systems – IFAC HMS Kassel - Preprints
(G. Johannsen, Hrsg.). Kassel, Deutschland. Federation of Automatic Control (IFAC) –
VDI/VDE Gesellschaft fu¨r Mess- und Automatisierungstechnik (GMA). S. 99–105.
Wittenberg, C. (2001b). Virtuelle Prozeßvisualisierung am Beispiel eines Verfahrenstechnischen
Prozesses. VDI-Fortschrittsbericht Reihe 22: Mensch-Maschine-Systeme Nr. 5. Du¨sseldorf:
VDI-Verlag.
Wittenberg, C. (2002). Das Konzept der virtuellen Prozessvisualisierung fu¨r die industrielle
Prozessfu¨hrung. Automatisierungstechnik - at 50(4), S. 178–186.
Wittenberg, C. (2003). Vivid Views on the Technical System – the Virtual Process Visualisa-
tion. In: From Muscles to Music - A Festschrift to Celebrate the 60th Birthday of Gunnar
Johannsen (B. B. Borys und C. Wittenberg, Hrsg.). S. 227–237. Kassel: Kassel University
Press - Kasseler Personalschriften 1.
Wittenberg, C. und A. Vo¨lkel (1998). Benutzerzentrierte Prozessvisualisierung von komplexen
verfahrenstechnischen Prozessen. In: Technik fu¨r den Menschen - Gestaltung und Ein-
satz benutzungsfreundlicher Produkte (VDE (ITG) Fachausschuß 2.2 Informationstechni-
sche Gesellschaft im, Hrsg.). Berlin, Offenbach. VDE Verlag. S. 113–122.
Wolin, C. L. (1988). The Population Dynamics of Mutalistic Systems. In: The Biology of Mu-
tualism – Ecology and Evolution (D. H. Boucher, Hrsg.). S. 248–269. New York: Oxford
University Press.
Zeipelt, R. und B. Vogel-Heuser (2003). Nutzen der 3D-Prozessdatenvisualisierung in der indu-
striellen Prozessfu¨hrung. atp - Automatisierungstechnische Praxis 45(3), S. 45–50.
Zhou, Y., H. Yoshikawa, M. Yang, J. Ouyang, J. Liu und W. Wu (2004). MFMS: A Graphical
Interface Tool for Multilevel Flow Models. In: IFAC/IFIP/IFORS/IEA Symposium Analy-
sis, Design, and Evaluation of Human-Machine-Systems. New York. IEEE Press. S. 1–6.
CD: papers/12.pdf.
Ziegeler, D. und D. Zu¨hlke (2004). Applications of Humanoid Avatars in Industrial Environ-
ments. In: IFAC/IFIP/IFORS/IEA Symposium Analysis, Design, and Evaluation of
Human-Machine-Systems. New York. IEEE Press. S. 1–6. CD: papers/21.pdf.
Zinser, K. (1993). Neue Formen und Medien der Prozessvisualisierung. Automatisierungstech-
nische Praxis 35(9), S. 499–504.
Zinser, K. (1995). Fisheye Views – Interaktive, dynamische Visualisierungen. atp – Automati-
sierungstechnische Praxis 37(9), S. 42–50.
Zitzler, E. (1999). Evolutionary Algorithms for Multiobjective Optimizations: Methods and
Application. Doktorarbeit. Computer Engineering and Networks Laboratory, Swiss Federal
Institute of Technology Zurich. http://www.inf-technik.tu-ilmenau.de/∼rummler/
eng/research.html.
Zobl, M., M. Geiger, P. Morguet, R. Nieschulz und M. Lang (2002). Gestenbasierte Interaktion
mit Gera¨ten im Automobil – Gesture-Based Control of In-Car Devices. In: Useware 2002 -
Mensch-Maschine-Kommunikation/Design – VDI-Berichte 1678 (VDI/VDE-Gesellschaft
fu¨r Mess-und Automatisierungstechnik GMA, Hrsg.). Du¨sseldorf. VDI Verlag. S. 305–309.
Zu¨hlke, D. (1999). Was nu¨tzen multifunktionale Gera¨te, wenn sie unbedienbar sind?. VDI-
Nachrichten 6(22), S. 2–4. http://www.vdi-nachrichten.com/vdi nachrichten/aktu
elle ausgabe/akt ausg detail.asp?source=volltext&cat=1&id=927.
Zu¨hlke, D. (2002). USEWARE - Herausforderung der Zukunft. In: Useware 2002 - Mensch-
Maschine-Kommunikation/Design – VDI-Berichte 1678 (VDI/VDE-Gesellschaft Mess und
Automatisierungstechnik, Hrsg.). Darmstadt, Deutschland. VDI/VDE-Gesellschaft Mess-
und Automatisierungstechnik GMA. S. 1–9.
169
Index
Autoren
A
Achonu, 21
Ackermann, 104
Akgu¨l, 46
Ali, 6, 32, 105
Aliev, 60f.
Anderson, 5, 9
Andrews, 47
Angermann, 35f., 41–43
Ayala, 38, 42
B
Bachelier, 57
Ba¨ck, 46f., 51, 55
Baehr, 22
Bagley, 46
Bainbridge, 1
Bastian, 61
Beitz, 15, 22
Bell, 40
Beuthel, 32f.
Bodmer, 40
Bonner, 40
Bortfeldt, 47
Borys, 5, 12
Box, 46
Brander, 6
Bremermann, 46
Bretthauer, 11
Broekmeulen, 61
Bronstein, 54
Burns, 21
C
Cavalli-Sforza, 40
Cerf, 47
Cerny, 60
Charwat, 105
Cheong, 61
Cherifi, 26
Chrichton, 47
Christoffersen, 21
Claus, 47
Cockburn, 40f., 93
D
Dahlstrand, 26
Darwin, 35
Daumer, 38, 43
Deibele, 17
Dickerson, 38
Dinadis, 20
Duez, 20
Dutke, 16, 104
E
Ebeling, 47
Eigen, 38
Elzer, 33f.
Endler, 40
Engel, 10
Engelkamp, 16
F
Fahr, 35
Fogel, L. J., 46, 53
Fogel, D. B., 53
de Fonseca, 60
Freiburg, 104
French, 39
Friedberg, 46
Friedrich, 4
Frieling, 16f., 105
Fukuda, 61ff.
Futuyma, 35ff.
G
Geiser, 86
Geitz, 12
Gibson, 20
Goelz, 12
Goldberg, 60f.
Goodstein, 13
Grams, 1
H
Haaks, 104
Hacker, 7, 10
Hasenfuss, 40
Hedicke, 5
Heller, 17
170
INDEX
Herbst, 1, 12
Herdy, 61
Hermann, 5
Herzing, 12
Hofbauer, 37
Hofmann, 11
Hohmann, 70
Holland, 46
Houssidas, 16
I
Ignatowitz, 17
J
Jackson, 61
Jamieson, 21
Johannsen, 1, 4–6, 8–12, 26, 104
Jørgensen, 26
K
Kattmann, 43
Kim, 53
Kirkpatrick, 60
Koll, 35, 41
Kolowa, 33, 91
Komischke, 1, 12
Koza, 60
Kursawe, 45, 48, 55, 61
Ku¨ttner, 15, 22
L
Lai, 61
Lang, 11
Lange, 43
Larsen, 26
Larsson, 13, 26ff.
Lenzen, 4
Lind, 25ff., 31
Lo¨nning, 41
M
Maier, 37, 42, 43
Matsuoka, 33
Mayr, 35, 37, 39f.
Meyer, 38, 43, 60
Michalewicz, 47
Ming-Tong, 53
Mitchell, 61
Morguet, 11
Mu¨hlenbein, 40
Muir, 105
Mulder, 20
Mu¨ller, 39–40
N
Nachtigall, 45
Neumann, 45
Nissen, 47ff.
Norman, 2
O
O¨hman, 26
Oortmann, 4
Osman, 26
P
van Paassen:1997, 20
Peters, 39
Petersen, 25, 26, 31
Pohlheim, 47, 48, 52, 96
Polke, 12
Poulsen, 26
Probst, 55
Pylatiuk, 11
R
Raichle, 12
Rasmussen, 6, 7, 17, 20f., 25
Rechenberg, 46, 55
Regelous, 61
Reinig, 1
Reynolds, 61
Richardson, 61
Riechmann, 47
Rieger, 1, 12
Ritter, 5
Ro¨se, 34
Ro¨ßger, 34
Rose´, 47, 55
Ruder, 35
Rudolph, 46f.
Rummler, 60
S
Sakuma, 20
Sauer, 39–43
Savage, 42
Schaich, 4
Scheffczyk, 35
Schell, 34
Schlierkamp-Voosen, 40
Schoeneburg, 35ff, 47, 55, 57
Schultz, 11
Schu¨tz, 47
Schuster, 37
Schuth, 47
Schwefel, 46f., 55
Seydel, 45f.
171
INDEX
Shneiderman, 70
Sigmund, 37
Sitte, 43
Skusa, 47
Slatkin, 40
Smith, 35, 39, 43
So¨ffker, 5
Solig, 45
Sonntag, 105
Strohrmann, 12
Sung-Bae, 47
Szathmary, 35, 39, 43
T
Thaller, 11
Thamm, 10
Thierfelder, 1
U
Uelschen, 60f.
Ulich, 104
V
Vega-Redondo, 35
Vicente, 20ff.
Vo¨lkel, 1, 16, 21, 26f., 139
Vogel, 35f., 41–43
Vogel-Heuser, 33
Voigt, 47
W
Wagner, 35
Walseth, 26
Weingartner, 36, 40, 43
Weninger, 43
Wickens, 9
Wieser, 35, 39
Wittenberg, 16ff., 34, 65, 73
Z
Zeipelt, 33
Zhou, 26
Zhu, 61
Ziegeler, 1
Zinser, 32, 34
Zitzler, 60
Zobl, 11
Zuehlke, 1, 4, 34
Stichworte
A
Abbildung
– geometrische, 20
– Systemverhalten, 21
Aberration, 42
Ablauf, 95
Absolut-Relation, 98
Abstammung, 39
Abstrakte Funktion – MIPS, 64
AchieveRelationTo, 82, 83
Adenin, 37
Aktion
-anzahl, 120, 127
-arten, 101
Aktor, 29
ALARM, 13
Allel, 37, 58
Alternativhypothese, 123
Aminosa¨ure, 38
-sequenz, 38
Animation, 18, 92
Anthropobionik, 46
Antriebseinheit, 17
Anwender, 10
Anzeige, 15, 19
– Horizontal, 73
– Kurz, 73
– Vertikal, 73
-element, 11, 12, 73
-instrumente, 11
-objekte, 76
Approximative Zustandsvisualisierung, 32
Arbeitsspeicher, 6
Artificial Life, 61
Assoziative Verbindungen, 7
Aufgaben
-situation, 5
-szenario, 95
Aufmerksamkeit, 9
Aufschaltzeit, 101, 102
A¨ußere Form, 91
Ausfall, 117
Ausreißer, 127
Ausrichtung, 119, 123
Auswahl
– Eltern, 96
-eigenschaft, 76
-ha¨ufigkeit, 102
Automatisierung
-grad, 1, 4
-system, 11
B
Balkenanzeigen, 80
Barriere, 28
Beanspruchung, 105
Bedienelement, 11, 12
Bediener, 1, 4, 10
172
INDEX
-feindlichkeit, 86
Bedienhandlungen, 10, 11
Bedienoberfla¨che, 11, 70, 94, 117
– MIPS
– EID, 85
– MFM, 85
– TOP, 79
– Virt3D, 79
Bediensignal, 11
Bedingungsbeziehung, 31
Beha¨lter, 14, 18
Benutzer, 10
Beobachter, 29
Beobachtung, 10
Beschriftung, 80
between-generation-effect, 40
Bewertungskriterien, 120
– Objektiv, 120
– Subjektiv, 121
– Allgemein, 121
– Evolutiona¨re Optimierung, 121
Bezeichner, 71f., 93
Bezeichnungssystematik, 71
Bilanzobjekte, 80
Bildschirmarbeitsplatz, 12
Bildu¨berlegenheitseffekt, 16
Bindeglieder, 30
Bionik, 45f.
Bit, 58
C
Chromosomen, 36, 37, 57
– ku¨nstliche, 57
-mutation, 42
Codons, 38
control graphic, 71
Crossover, 43, 59
– 1-Punkt, 50
– N-Punkt, 50
– Shuffle, 50
– Uniform, 50
Cytosin, 37
D
Darstellungsebene, 10, 11
Decodierungsfunktion, 58
Deklaration, 71
Deletion, 42
Desoxyribonukleinsa¨ure, 37
Deterministische Optimierung, 44
Dialogebene, 10
diploid, 37
Diskrete Rekombination, 49
DrawAchievementGrade, 82
DrawConnection, 81, 83
DrawCurrent, 81
Duplikation, 42
Dynamische Optimierung, 44
E
Ebenen
– Kognitive, 7
-bezogene Strukturierung, 88
-Kombination, 110
Ecological Interface Design, 20ff.
– 3D, 33
– MIPS-Modell, 65
Effektivita¨t, 102
Effizienz, 102
Einfaches Wiedereinfu¨gen, 52
eid mp balance, 80
Elementebene, 89
Elitest Wiedereinfu¨gen, 52
Eltern, 53
Empfangsorgane, 5
Energiebilanz, 23
Entscheidungsfunktion, 29
Enzyme, 38
EOGUI, 2
– Ansatz, 94
– Einordnung Methodik, 89
-Algorithmus, 94ff.
Erbanlagen, 37, 90
Erbfaktoren, 36
Erbinformation, 37
Ergebnisse
– Objektiv, 127
– Subjektiv, 129
Erkenntnisvorgang, 5
Erreichung-durch-Steuerung, 31
Erreichungsbeziehung, 83
Evolution, 35ff.
– natu¨rliche, 35
-bionik, 46
-technik, 46
-theorie, 35
Evolutiona¨re Algorithmen, 46ff.
– Weitere Anwendungsgebiete, 61
Evolutiona¨re Optimierung, 48ff., 86ff.
Verwandte Gebiete, 60
Evolutiona¨re Programmierung, 52ff.
Evolutiona¨re Strategien, 54ff.
Exon, 38
Experimentierumgebung, 116
Extremwerte, 127
F
Farbe, 93
173
INDEX
Farbcodierung, 72f.
Fehler
-diagnose, 105
-entdeckung, 105
-korrektur, 105
-zeit, 102, 120, 128
-management, 105
Fertigkeiten, sensomotorische, 8
Fish-Eye-View, 32
Fitness, 40, 86, 97
-zuweisung, 96
Flussfunktionen, 27
– Information, 29
Flussstruktur, 30
– Syntax, 30
Fo¨rderer, 14, 18
Form
– a¨ußere, 91
– innere, 91
– Physikalisch, 7
-orientierte Verschmelzung, 96
Fortpflanzungswahrscheinlichkeit, 48
Funktion
– Abstrakt, 7
– Aktor, 29
– Barriere, 28
– Beobachtung, 29
– Entscheidung, 29
– Gleichgewicht, 28
– Informationsfluss, 29
– Management, 29
– Netzwerk, 30
– Physikalisch, 7
– Quelle, 27
– Senke, 29
– Speicher, 28
– Transport, 27
– Verallgemeinert, 7, 65
Funktionaler Zweck, 6
– MIPS, 63
Fuzzy-Set, 32, 61
G
Gattung, 87
Geda¨chtnis, 6
Geltungsbereich, 97
Gen, 37, 58
-regulationssystem, 39
-typen, 37
Genauigkeit der Prozessfu¨hrung, 120, 127
Genetik, 36, 40
Genetische Algorithmen, 57ff.
Genommutation, 42
Genotyp, 37, 90
Geometrieobjekt
– Energiebilanz, 23
– Gesamt, 24
– Massenbilanz, 22
– Nicht-linear, 24
– Temperatur, 23
Gitter, 82
Gleichgewicht, 28
Global,
Absolut, 100
Ebene, 101
Individuenklasse, 100
Individuentyp, 100
-Bereich, 98
Graphik
-bibliothek, 70
-objekte, 72
Gro¨ßena¨nderung, 110
Guanin, 37
Gu¨tekriterium, 44
H
Handlungsbedarf, 7
Haploidisierung, 42
Ha¨ufigkeit Szenarienbewa¨ltigung, 121, 128
homolog, 37
homozygot, 37
Hypothese
– Alternativ, 123
– Bildung, 122
– Null, 123
I
Individuen, 87
-bezogene Auswahl, 107
-bezogene Strukturierung, 87
-klasse, 87, 98
-Kombination, 111
-typ, 87
Infomationsflussfunktionen, 29
Information
-transfer, 4
-u¨bermittlung, 1
-verarbeitung, 4
– sequentielle, 7
-wiedergabe, 11
Innere Form, 91
Interaktion, 95
– Unterstu¨tzung, 21
-ebene, 89
Intermedia¨re Rekombination, 50
Intertaxonische Kombination, 43
Intron, 38
Inversion, 42
174
INDEX
K
Kapazita¨t, 6
Klappe, 15, 20
Klasse-Relation, 98
Klassen, 71
Kognition, 5
Kognitive Ebenen, 7
Kombination, 96, 111
Komma-Selektion, 57
Kommunikation, 4
-bedu¨rfnisse, 1
Komponenten, 13, 30
-objekte, 75
Kopplungsbruch, 43
Kriterien, 86
– Objektive, 102
– Subjektive, 104
Ku¨nstliche Intelligenz, 61
Kurzanzeige, 73
Kurzzeitspeicher, 6
L
Langzeitspeicher, 6
Leitermodell, 7
Leitwarten, 12
Linien-Rekombination, 50
Lokal,
Absolut, 99
Ebene, 100
Individuenklasse, 100
Individuentyp, 99
-Bereich, 98
M
Managementfunktion, 29
Mapping, 21
Massenbilanz, 22
Maximum
ansteigend, 103
mittig, 104
Meiose, 37, 43
Mensch-Maschine-Schnittstelle
– Aufbau, 10
– Weitere Entwicklungen, 34
Mensch-Maschine-System, 10
Mentales Modell, 6
mfm ff general, 83
mfm goal, 82
Microsoft, 10
MIPS, 62ff.
– Abstrakte Funktion, 64
– Funktioneller Zweck, 63
– Gesamt-Teil-Modell, 63
– Verallgemeinerte Funktion, 65
– Ziel-Mittel-Modell, 63f.
Missense-Mutationen, 42
Modalita¨t, 5
Modell, 92
Molekulargenetik, 37
Motor, 15, 19
Multilevel Flow Modeling, 25ff.
– MIPS-Modell, 66
Multimedia, 12
Mutation, 41f., 51, 54, 56, 59, 97, 112ff., 122
– Bina¨r, 51
– Reell, 51
–Anpassung Schrittweite, 51
-bereich, 113
-grenze, 113
-schrittweite, 54–56
-status, 113
N
N-Punkt-Crossover, 50
Nachkommen, 48ff., 53, 55, 59, 110
Navigation, 104
-objekte, 74f.
Nebenaufgabe, 120, 138
– Auswertung, 138
Netzwerk, 30
Neuronales Netz, 61, 145
Nondisjunktion, 42
Nonsense
-Codons, 38
-Mutation, 42
Normsymbole, 13
NOTFALL, 13
Nullhypothese, 123
O
Objekte
– allgemein, 73
– EID, 80ff.
– MFM, 82ff.
Objektiv
– Kriterien, 102
– Ergebnisse, 127
-Adaption, 86, 114
Online-Fragebogen, 103, 115
Operateur, 10
Operational Resarch, 47
Operatorgene, 39
Operon, 39
Optimierung, 44ff.
-verfahren – Konventionell, 44
P
Parameter-Optimierung, 44
175
INDEX
Partnerwahl – Stochastische, 56, 59
Peptidbindungen, 38
Perzeptiv-orientierte Visualisierung, 33
Pha¨notyp, 39, 90, 93
Ploidiemutation, 42
Polygenie, 39
Polyploidisierung, 42
Population, 39, 88
Position, 92
process data, 73
Probanden, 119
Produktionsziel, 26
Proportionale Fitnesszuweisung, 48
Propriozeptivsystem, 5
Proteine, 38
-synthese, 38
ProVis EO, 70
Prozess, 10
– technischer, 11
-fu¨hrung, 12
-gro¨ßen, 12, 73
Psychologie - o¨kologische, 20
Pumpe, 13, 17
-ko¨rper, 17
-zustand, 17
Punktmutation, 42
Purin, 37
Pyrimidin, 37
Q
Quelle, 27
R
Realisierungsbeziehung, 31
Record-to-Record-Travel, 60
Regelbasierte Abku¨rzung, 7
Regler, 14, 18
Regulatorgene, 39
Reinsertation, 52, 54, 57, 59, 97, 113
Reiz f., 5
-wahrnehmung, 5
Rekombination, 43, 96, 110ff., 121
– Diskret, 49, 56
– Ebenen-Kombination, 110
– Form, 96, 111
– Individuen-Kombination, 111
– Interchromosomale, 43
– Intermedia¨re, 50, 56
– Intrachromosale, 43
– Kombination, 96
– Linien, 50
-gesetz, 37
Relationsarten, 98
Reperaturpersonal, 10
Replikation, 53, 96, 110
Reproduktive Isolation, 43
Ribonukleinsa¨ure, 38
Rohrleitung, 15, 19
-verzweigung, 15, 19
-zusammenfu¨hrung, 15, 19
Roulette-Wheel, 49, 59, 107
Ru¨ckprojektionssystem, 12
Ru¨hrwerk, 15, 19
S
Schnittstelle, 1
Schwelle, 106
Segment, 58
Selektion, 39, 48, 97, 121
– (µ+ λ), 57
– (µ, λ), 57
– Deterministische, 57
– Disruptive, 41
– Natu¨rliche, 40
– Roulette-Wheel, 49
– Stabilisierende, 40
– Stochastische, 54, 96
-druck, 48
-vorgang, 40
-wahrscheinlichkeit, 48
Senke, 29
SetGraphic, 82
Shuffle-Crossover, 50
Sicherheitsziele, 27
Sicht – topologische, 13
Signalleitung, 15, 20
Signifikanzniveau, 123
Simulated Annealing, 60
Sintflut Algorithmus, 60
Skala, 103
Skalierungsfunktion, 53
Soft Computing, 61
Sollwert, 14
Spaltungsgesetz, 37
Spaß, 106
Speicher, 28
Spleißen, 39
Sprachverstehen, 11
SSSI-Philosophie, 13
Standard-EP, 53
Statische Optimierung, 44
Statistische Optimierung, 44
Stellmotor, 17
Steuerungselement, 11
– diskret, 74
– kontinuierlich, 74
Steuerungsgro¨ßen, 12
Stochastic Universal Sampling, 49
176
INDEX
Stochastische
Optimierung, 44
Partnerwahl, 56, 59
Stop-Codon, 42
Sto¨rung, 117
String, 58
-segment, 58
Struktur, 105
– Bedienoberfla¨che, 86
– EOGUI-Algorithmus, 94
– Programmierung, 70ff., 114f.
-gene, 39
Strukturierung
– Ebenen-bezogene, 88
– Individuen-bezogene, 87
Strukturoptimierung, 44
Subjektiv
– Ergebnisse, 129
– Kriterien, 104
-Adaption, 86, 103, 114
Symbol, 92
Symbolik, 105
Syntax Flussstrukturen, 30
System
- Auditives, 5
- haptisches, 5
- Olfaktorisches, 5
- Visuelles, 5
Szenarien, 117f.
T
Theorie – Synthetische, 36
Thymin, 37
top system, 75
Topologische Sicht, 13ff.
– MIPS-Modell, 65
Transkription, 38
Translokation, 42
Transparenz, 104, 129
Transport, 27
Treshold Accepting, 60
Truncation Selektion, 49
Typ-Relation, 98
U
U¨berlebenswahrscheinlichkeit, 86
U¨bersicht
-ebene, 88
-objekte, 75
Uniform-Crossover, 50
Uniformita¨tsgesetz, 37
Unterstu¨tzungssysteme, 11
Uracil, 38
V
Variation – genetische, 40
Ventil, 14, 17, 74
Verallgemeinerte Funktion, 65
Verbindungsobjekt, 23
Vererbung, 36
Versuch
-aufbau, 116
-plan, 117, 119
-planung, 117
Vertrauen, 105
Verwandtschaft, 39
Vestibularsystem, 5
Videotechnik, 32
Virt3D, 16ff.
– MIPS-Modell, 65
-Prozesselemente, 17, 75
Visualisierung, 10, 92
W
Wachstum, 110
Wahrnehmung, 5
– direkte, 20
-system, 5
Wa¨rmetauscher, 14, 17, 74
Wartungspersonal, 10
Wettkampf-Selektion, 49
Wiedereinfu¨gen
– Auswahl der Nachkommen, 52
– Einfach, 52
– Elitest, 52
– Zufa¨llig, 52
Wirksamkeit, 102, 120, 127
Wirtschaftlichkeitsziele, 27
Wissensbasierte Analyse, 7
within-generation-effect, 40
Z
Zelle, 36
– eukaryotische, 36
– prokaryotische, 36
-kern, 36
Ziel, 26, 82
-funktion, 1, 86, 98
-hierarchie, 82
-Mittel, 20
Zufa¨lliges Wiedereinfu¨gen, 52
Zustandsgro¨ßen, 12
Zwischen
-ebene, 88
-population, 56
– Auswahl Individuen, 106
177
178
Anhang
179

A Begriffe
A.1 Biologie
Es werden die wichtigsten Begriffe erla¨utert, die sowohl in der Biologie als auch in der Technik
verwandt werden.
• Adaption: Prozess, durch den Angepasstheit erworben wird (Cockburn, 1995).
• Allele: Eine von mehreren Formen eines Gens, die sich aufgrund einer Mutation der ent-
sprechenden DNS-Sequenz unterscheiden (Futuyma, 1990).
• Chromosomen: Fadenfo¨rmige Struktur, in der das Erbmaterial der Zellen abgelegt ist
(Scho¨neburg et al., 1994).
• Diploid: Zellen mit doppelten (kompletten) Chromosomensatz.
• Fitness: Nach Futuyma (1990) ist die Fitness der durchschnittliche Beitrag eines Allels
oder Genotyps zur na¨chsten Generation oder zu folgenden Generationen, in Relation zum
Beitrag anderer Allele oder Genotypen.
• Genotyp: Futuyma (1990) beschreibt den Genotyp als den Satz von Genen, den ein indi-
vidueller Organismus besitzt.
• Genom:Die Gesamtheit der Gene eines Organismus bzw. alle Gene eines haploiden Chromo-
somensatzes
• haploid: Zellen mit einfachen Chromosomensatz (z.B. Geschlechtszellen).
• Nachkommen: Von den Eltern erzeugte Lebensformen der na¨chsten Generation.
• Pha¨notyp: Beobachtbare Eigenschaften eines Organismus (Cockburn, 1995).
A.2 Begriffe in den Evolutiona¨ren Algorithmen
Die wichtigsten verwandten Begriffe werden in der folgenden Aufza¨hlung kurze erla¨utert:
• Allel: Bina¨re Genauspra¨gung.
• Crossover: Suchoperator, der Elemente verschiedener Individuen vermischt.
• Eltern: Lo¨sungen, die zur Produktion von Nachkommen ausgewa¨hlt werden.
• Fitness: Lo¨sungsgu¨te bezogen auf die Ziele der Optimierung.
• Fitnessfunktion: Transformationsfunktion fu¨r die Zielfunktion in nichtnegative Werte.
181
A.2 Begriffe in den Evolutiona¨ren Algorithmen
• Gen: Bit, bina¨re Codierung.
• Genotyp: Bina¨r codierte Lo¨sung.
• Individuum: Struktur, die in geeigneter Weise die Elemente einer Lo¨sung repra¨sentiert.
• Mutation: Operator, der jeweils ein Individuum modifiziert.
• Nachkomme: Lo¨sung, die aus den Eltern generiert wird.
• Pha¨notyp: Decodierte Lo¨sung.
• Population: Menge von Strukturen.
• Reinsertation: Einfu¨gen der Nachkommen in die Population.
• Selektion: Auswahl der Eltern.
• Selektionspool: Alle Individuen, die zur Auswahl als Eltern in Betracht kommen.
• Zielfunktion: Die Funktion, die das System u¨ber ein festgelegtes Kriterium bewertet.
182
B Erga¨nzungen zum
EOGUI-Algorithmus
B.1 Fragen der Subjektiv-Adaption
I.) Transparenz
1.) Allgemein: Mit der Transparenz ist die Durchschaubarkeit des technischen Systems
gemeint. Bei einer auftretenden Sto¨rung wu¨rde das eine leichte Identifikation und
Behebung des Fehlers bedeuten. Die Frage lautet, wie gut hat Sie die jeweilige Ober-
fla¨che zu jedem Zeitpunkt eindeutig u¨ber den Zustand des Systems informiert?
2.) Zustand des Systems: Die Kenntnis um den aktuellen Systemzustand ist enorm wich-
tig fu¨r die Vermeidung und Korrektur von Systemsto¨rungen. Wie gut ließ sich mit
der entsprechenden Oberfla¨che der Systemzustand erkennen und einscha¨tzen?
3.) Zustand der Untersysteme: Das Wissen um die Zusta¨nde der untergeordneten Sys-
teme sind fu¨r die Verhinderung und Korrektur von Systemsto¨rungen ebenfalls sehr
wichtig. Wie gut ließen sich mit den Oberfla¨chen die Zusta¨nde der Untersysteme
erkennen und einscha¨tzen?
4.) Zustand der Komponenten: Fu¨r die Erkennung von Sto¨rungen in den Komponenten
ist die Kenntnis des Komponentenzustandes vonno¨ten. Wie gut ließen sich mit den
Oberfla¨chen die Zusta¨nde der Komponenten erkennen und einscha¨tzen?
5.) Visualisierung der Zusta¨nde: Die Anlagenzusta¨nde werden in den Oberfla¨chen durch
verschiedene Objekte dargestellt. Wie gut ließen sich die Anlagenzusta¨nde aus den
Objekten (z.B. aus deren Form und Farbgebung) ableiten?
6.) Unterstu¨tzung beim Fahren der Anlage: U¨ber die Oberfla¨chen werden Informationen
aus dem Prozess entnommen und Vorgaben an die Steuerung der Anlage u¨bergeben.
Wie gut haben Sie die Oberfla¨chen bei der Bewa¨ltigung von Problemen unterstu¨tzt,
sprich wie gut war die Erfu¨llung der Prozessvorgaben (Einhalten der Produktqualita¨t
unter Aufrechterhaltung der Mengen) mo¨glich?
II.) Navigation
1.) Allgemein:Wie gut haben Sie die Oberfla¨chen ganz allgemein bei der Bewa¨ltigung der
Aufgaben in Bezug auf die Navigation (Auffinden bestimmter Systemkomponenten)
unterstu¨tzt?
2.) Orientierung: Wie gut konnten Sie sich auf den Oberfla¨chen orientieren?
3.) Komponentensuche: In welcher Zeitspanne haben Sie Systemkomponenten gefunden?
4.) Informationssuche: In welcher Zeitspanne haben Sie beno¨tigte Informationen gefun-
den?
183
B.1 Fragen der Subjektiv-Adaption
III.) Fehlermanagement
1.) Fehlererkennung – Unterstu¨tzung:Wie gut haben die Oberfla¨chen Sie beim Auffinden
von Fehlern unterstu¨tzt?
2.) Qualita¨t der Hinweise: Verlassen Istwerte ihren erlaubten Bereich, mu¨ssen Sie als
Bediener eingreifen, um den Fehler zu korrigieren. Wie bewerten Sie die Qualita¨t der
Hinweise auf den Handlungsbedarf?
3.) Fehler Diagnose – Einordnung: Wie gut hat Sie die Oberfla¨che bei der Diagnose des
Fehlers (Klassifizierung) unterstu¨tzt?
4.) Interpretation: Nachdem Sie den Fehler erkannt und eingeordnet haben, mu¨ssen
Sie die vorzunehmenden Handlungen bzw. Aufgaben ermitteln. Wie gut haben Sie
die Oberfla¨chen durch ihre Darstellung des Systemzustands beim Abscha¨tzen des
weiteren Vorgehens unterstu¨tzt?
5.) Abweichungen/Zielzustand:Wie gut konnten Sie die Abweichungen vom Sollzustand
und den zu erreichenden Zielzustand erkennen?
6.) Fehlerkorrektur – Feststellen von Vera¨nderungen: Sie wissen nun um den Zustand
des Systems und welche Folgen dies hat bzw. nach sich ziehen ko¨nnte. Nun mu¨ssen
Sie eine Komponente/Funktion (Regler, Ventil) bestimmen, mit der sich der Fehler
beheben la¨sst. Wie gut konnten Sie feststellen, welche Komponente zu vera¨ndern ist?
7.) Unterstu¨tzung Aufgabenermittlung: Wie gut wurden Sie von der Oberfla¨che beim
Ermitteln der Aufgabe fu¨r die Behebung des Fehlers unterstu¨tzt? Beispiel: ’Um den
Fehler zu beheben, habe ich die Aufgabe, die Ventilstellung zu korrigieren’.
8.) Handlungen: Nachdem die Aufgabe festgelegt ist stellt sich die Frage, wie sie durch-
zufu¨hren ist und in welcher Reihenfolge. Wie gut hat Sie die Oberfla¨che bei der
Planung der Handlungen unterstu¨tzt?
IV.) Symbolik
1.) Symbolik – Bewertung der Symbolik: Mit welcher Art der Darstellung sind Sie am
besten zurecht gekommen? Mit der funktionsorientierten Sicht von MFM, mit den
Normsymbolen von EID und TOP oder mit der photorealistischen Wiedergabe von
Virt3D?
2.) Erkennung des Symbols:Wie gut konnten Sie die Symbole der entsprechenden Ober-
fla¨chen ihren Bedeutungen zuordnen? Beispiel: ’Der Kreis mit der innen liegenden
Linien (angedeutete Pfeilspitze) entspricht fu¨r die TOP-Oberfla¨che einer Pumpe’.
3.) Erkennung der Funktion:Wie gut konnten Sie ganz allgemein die Bedeutung, fu¨r die
ein Symbol in den einzelnen Modellbildungen stehen soll, aus dessen Darstellung er-
kennen? Beispiel: ’Der Kreis mit der innen liegenden Linien (angedeutete Pfeilspitze)
steht in der TOP-Oberfla¨che fu¨r den Transport von Material’ oder ’Der Kreis mit
den gekreuzten Linien steht in der MFM-Oberfla¨che fu¨r die Senke’.
4.) Bereitstellung: Aus welchem der dargestellten Symbole konnten Sie die Bedeutung
der Bereitstellung am besten erkennen?
5.) Transport: Aus welchem der dargestellten Symbole konnten Sie die Bedeutung des
Transports am besten erkennen?
6.) Erwa¨rmung/Ku¨hlung: Aus welchem der dargestellten Symbole konnten Sie die Be-
deutung der Erwa¨rmung bzw. Ku¨hlung am besten erkennen?
7.) Speicherung: Aus welchem der dargestellten Symbole konnten Sie die Bedeutung fu¨r
das Speichern am besten erkennen?
8.) Gleichgewicht von Stro¨men: Aus welchem der dargestellten Symbole konnten Sie die
Bedeutung des Gleichgewichts von Flu¨ssen am besten erkennen?
184
9.) Aufnahme: Aus welchem der dargestellten Symbole konnten Sie die Bedeutung fu¨r
die Aufnahme am besten erkennen?
10.) Informationsaufnahme: Aus welchem der dargestellten Symbole konnten Sie die Be-
deutung fu¨r die Informationswiedergabe am besten erkennen?
11.) Regulierung: Aus welchem der dargestellten Symbole konnten Sie die Bedeutung der
Regulierung am besten erkennen?
12.) Ausfu¨hren von Handlungen: Aus welchem der dargestellten Symbole konnten Sie die
Bedeutung fu¨r das Ausfu¨hren von Handlungen am besten erkennen?
13.) Gro¨ße: Wie bewerten Sie die Gro¨ße der dargestellten Objekte in den Oberfla¨chen?
14.) Symbol Pumpe:Wie beurteilen Sie die Darstellungen der einzelnen Modellbildungen
fu¨r das Symbol der Pumpe?
15.) Symbol Ventil: Wie beurteilen Sie die Darstellungen der einzelnen Modellbildungen
fu¨r das Symbol des Ventils?
16.) Symbol Wa¨rmetauscher: Wie beurteilen Sie die Darstellungen der einzelnen Modell-
bildungen fu¨r das Symbol des Wa¨rmetauschers?
17.) Symbol Regler: Wie beurteilen Sie die Darstellungen der einzelnen Modellbildungen
fu¨r das Symbol des Reglers?
18.) Symbol Motor: Wie beurteilen Sie die Darstellungen der einzelnen Modellbildungen
fu¨r das Symbol des Motors?
19.) Symbol Fo¨rderer: Wie beurteilen Sie die Darstellungen der einzelnen Modellbildun-
gen fu¨r das Symbol des Fo¨rderers?
20.) Symbol Klappe:Wie beurteilen Sie die Darstellungen der einzelnen Modellbildungen
fu¨r das Symbol der Klappe?
21.) Symbol Ru¨hrwerk:Wie beurteilen Sie die Darstellungen der einzelnen Modellbildun-
gen fu¨r das Symbol des Ru¨hrwerks?
22.) Symbol Beha¨lter: Wie beurteilen Sie die Darstellungen der einzelnen Modellbildun-
gen fu¨r das Symbol des Beha¨lters?
23.) Symbol Fu¨llstandsanzeige: Wie beurteilen Sie die Darstellungen der einzelnen Mo-
dellbildungen fu¨r das Symbol der Fu¨llstandsanzeige?
24.) Symbol Massenflussanzeige: Wie beurteilen Sie die Darstellungen der einzelnen Mo-
dellbildungen fu¨r das Symbol der Massenflussanzeige?
25.) Symbol Temperaturanzeige: Wie beurteilen Sie die Darstellungen der einzelnen Mo-
dellbildungen fu¨r das Symbol der Temperaturanzeige?
26.) Symbol Verha¨ltnisanzeige: Wie beurteilen Sie die Darstellung der einzelnen Modell-
bildungen fu¨r das Symbol der Verha¨ltnisanzeige?
27.) Symbol Qualita¨tsanzeige: Wie beurteilen Sie die Darstellungen der einzelnen Mo-
dellbildungen fu¨r das Symbol der Qualita¨tsanzeige?
28.) Symbol Rohrleitung: Wie beurteilen Sie die Darstellungen der einzelnen Modellbil-
dungen fu¨r das Symbol der Rohrleitung?
29.) Symbol Rohrverzweigung: Wie beurteilen Sie die Darstellungen der einzelnen Mo-
dellbildungen fu¨r das Symbol der Rohrverzweigung bzw. -zusammenfu¨hrung?
30.) Symbol Signalleitung: Wie beurteilen Sie die Darstellungen der einzelnen Modellbil-
dungen fu¨r das Symbol der Signalleitung?
V.) Struktur
1.) Vorteil durch EID/TOP/VRT gegenu¨ber MFM: Hat Ihnen die jeweilige Struktur von
EID/TOP/VRT (System/Komponenten/Mapping) gegenu¨ber MFM (Ziele/Funk-
tionen) einen Vorteil fu¨r das Fahren der Anlage erbracht?
185
B.2 Rekombination der Form – TOP/MFM und Virt3D/MFM
2.) Vorteil durch MFM/TOP/VRT gegenu¨ber EID: Hat Ihnen die jeweilige Struktur von
MFM/TOP/VRT (Ziele/Funktionen bzw. System/Komponenten) gegenu¨ber EID
(System/Komponenten/Mapping) einen Vorteil fu¨r das Fahren der Anlage erbracht?
3.) Vorteil durch MFM/EID/VRT gegenu¨ber TOP: Hat Ihnen die jeweilige Struktur von
MFM/EID/VRT (Ziele/Funktionen bzw. System/Komponenten) gegenu¨ber TOP
(System/Komponenten) einen Vorteil fu¨r das Fahren der Anlage erbracht?
4.) Vorteil durch MFM/EID/TOP gegenu¨ber VRT: Hat Ihnen die jeweilige Struktur von
MFM/EID/TOP (Ziele/Funktionen bzw. System/Komponenten) gegenu¨ber VRT
(System/Komponenten) einen Vorteil fu¨r das Fahren der Anlage erbracht?
VI.) Beanspruchung:Wie hoch haben Sie die Beanspruchung bei der Bewa¨ltigung der gestellten
Aufgabe empfunden?
VII.) Vertrauen: Wie hoch ist Ihr Vertrauen in die Oberfla¨chen fu¨r das Fahren der Anlage?
VIII.) Spaß: Abschließend soll erfasst werden, wie viel Spaß oder Freude Sie am Fahren der
Anlage mit dieser Oberfla¨che gehabt haben.
B.2 Rekombination der Form – TOP/MFM und Virt3D/MFM
Die Bilder B.1 und B.2 zeigen die Rekombination der Form fu¨r die Kombinationen Virt3D-
und MFM bzw. TOP und MFM. Die Mo¨glichkeiten der Formrekombination zwischen TOP und
Virt3D zeigt das Bild 7.8 von Abschnitt 7.5.3.
186
P
u
m
p
e
V
e
n
ti
l
W
ä
rm
e
ta
u
s
c
h
e
r
F
ö
rd
e
re
r
M
o
to
r
R
e
g
le
r
A
n
z
e
ig
e
.
In
d
iv
id
u
e
n
ty
p
e
n
T
O
P
-P
o
p
u
la
ti
o
n
B
e
h
ä
lt
e
r
Quelle Transp. Barr. Speicher Gleichg. Senke Beob. Entsch. Aktor
Indivdiuentypen MFM-Population
Bild B.1: Rekombination der Form: Virt3D- und MFM-Individuen
187
B.2 Rekombination der Form – TOP/MFM und Virt3D/MFM
T
M
P
u
m
p
e
V
e
n
ti
l
W
ä
rm
e
ta
u
s
c
h
e
r
F
ö
rd
e
re
r
M
o
to
r
R
e
g
le
r
A
n
z
e
ig
e
.
In
d
iv
id
u
e
n
ty
p
e
n
T
O
P
-P
o
p
u
la
ti
o
n
B
e
h
ä
lt
e
r
T
M
Quelle Transp. Barr. Speicher Gleichg. Senke Beob. Entsch. Aktor
Indivdiuentypen MFM-Population
M M
M M M
M
M
CF
FC
FC
T
T
T
Bild B.2: Rekombination der Form: TOP- und MFM-Individuen
188
C Erga¨nzungen zum Experiment
C.1 Fragen im Experiment
C.1.1 Allgemeiner Teil
I.) Transparenz
1.) Allgemein: Mit der Transparenz ist die Durchschaubarkeit des technischen Systems
gemeint. Bei einer auftretenden Sto¨rung wu¨rde das eine leichte Identifikation und
Behebung des Fehlers bedeuten. Zu welchem Zeitpunkt – vor (Virt3D, TOP-, EID-
und/oder MFM-Oberfla¨chen) oder nach der Evolutiona¨ren Optimierung (EOGUI-
Oberfla¨che) – hat Sie die Oberfla¨che besser u¨ber den Zustand des Systems informiert?
2.) Zustand des Systems: Die Kenntnis um den aktuellen Systemzustand ist enorm wich-
tig fu¨r die Vermeidung und Korrektur von Systemsto¨rungen. Ließ sich der Systemzu-
stand (ho¨chste Ebenen) besser mit den urspru¨nglichen Oberfla¨chen (Virt3D, TOP,
EID und/oder MFM) oder u¨ber die optimierte Oberfla¨che (EOGUI) erkennen und
einscha¨tzen?
3.) Zustand der Untersysteme: Das Wissen um die Zusta¨nde der untergeordneten Sy-
steme sind fu¨r die Verhinderung und Korrektur von Systemsto¨rungen ebenfalls sehr
wichtig. Ließen sich die Zusta¨nde der Untersysteme (Mittlere Ebene) besser vor oder
nach der Evolutiona¨ren Optimierung erkennen und einscha¨tzen?
4.) Zustand der Komponenten: Fu¨r die Erkennung von Sto¨rungen in den Komponenten
ist die Kenntnis des Komponentenzustandes vonno¨ten. Ließen sich die Zusta¨nde der
Komponenten (Unterste Ebene) besser vor oder nach der Evolutiona¨ren Optimierung
erkennen und einscha¨tzen?
5.) Visualisierung der Zusta¨nde: Die Anlagenzusta¨nde werden in den Oberfla¨chen durch
verschiedene Objekte dargestellt. Ließen sich die Anlagenzusta¨nde aus den Objek-
ten (z.B. aus deren Form und Farbgebung) besser vor oder nach der Optimierung
ableiten?
6.) Unterstu¨tzung beim Fahren der Anlage: U¨ber die Oberfla¨chen werden Informationen
aus dem Prozess entnommen und Vorgaben an die Steuerung der Anlage u¨bergeben.
Wurden Sie durch die Oberfla¨chen bei der Bewa¨ltigung von Problemen besser vor
oder nach der Optimierung unterstu¨tzt? Wann war also die Erfu¨llung der Prozessvor-
gaben (z.B. Einhalten der Produktqualita¨t) besser mo¨glich?
II.) Navigation
1.) Allgemein: Unter der Navigation versteht man das Auffinden gesuchter Systemkom-
ponenten. Wann hat Sie die Oberfla¨che ganz allgemein beim Bewa¨ltigen der Aufga-
ben in Bezug auf die Navigation besser unterstu¨tzt – vor oder nach der Optimierung?
2.) Orientierung: Auf welcher Oberfla¨che konnten Sie sich besser orientieren – vor der er-
folgten Optimierung (Virt3D-, TOP-, EID- und/oder MFM-Oberfla¨che) oder danach
(EOGUI-Oberfla¨che)?
189
C.1 Fragen im Experiment
3.) Komponentensuche: Wann haben Sie Systemkomponenten (Steuerungen, Anzeigen,
etc.) schneller gefunden: vor oder nach erfolgter Evolutiona¨ren Optimierung ?
4.) Informationssuche: Haben Sie beno¨tigte Information (Zusta¨nde, Werte, etc.) schnel-
ler vor (Virt3D-, TOP-, EID- und/oder MFM-Oberfla¨che) oder nach (EOGUI-Ober-
fla¨che) erfolgter Evolutiona¨ren Optimierung gefunden?
III.) Fehlermanagement
1.) Fehlererkennung – Unterstu¨tzung: Welche Oberfla¨che hat Sie beim Auffinden von
Fehlern besser unterstu¨tzt – die urspru¨nglichen Oberfla¨chen (Virt3D, TOP, EID,
TOP) oder die optimierte Oberfla¨che (EOGUI)?
2.) Qualita¨t der Hinweise: Verlassen Istwerte ihren erlaubten Bereich, mu¨ssen Sie als Be-
diener eingreifen, um den Fehler zu korrigieren. Wann war die Qualita¨t der Hinweise
auf den Handlungsbedarf besser – vor oder nach der Optimierung?
3.) Fehler Diagnose – Einordnung: Haben Sie die urspru¨nglichen Oberfla¨chen (Virt3D,
TOP, EID und/oder MFM) bei der Diagnose des Fehlers (Klassifizierung) oder die
optimierte Oberfla¨che (EOGUI) besser unterstu¨tzt?
4.) Interpretation: Nachdem Sie den Fehler erkannt und eingeordnet haben, mu¨ssen
Sie die vorzunehmenden Handlungen bzw. Aufgaben ermitteln. Wann war die Un-
terstu¨tzung durch die Darstellung des Systemzustands fu¨r das Abscha¨tzen des wei-
teren Vorgehens besser: vor oder nach der Optimierung der Oberfla¨chen?
5.) Abweichungen Zielzustand: Wo konnten Sie die Abweichungen vom Sollzustand und
den zu erreichenden Zielzustand besser erkennen: in der urspru¨nglichen Oberfla¨che
(Virt3D, TOP, EID und/oder MFM) oder in der optimierten Oberfla¨che (EOGUI)?
6.) Fehlerkorrektur – Feststellen von Vera¨nderungen: Sie wissen nun um den Zustand
des Systems und welche Folgen dies hat bzw. nach sich ziehen ko¨nnte. Nun mu¨ssen
Sie eine Komponente/Funktion (Regler, Ventil) bestimmen, mit der sich der Fehler
beheben la¨sst. Konnten Sie vor oder nach der Evolutiona¨ren Optimierung besser
feststellen, welche Komponente zu vera¨ndern ist?
7.) Unterstu¨tzung Aufgabenermittlung: Wurden Sie von der urspru¨nglichen Oberfla¨che
(Virt3D, TOP, EID und/oder MFM) oder von der optimierten Oberfla¨che (EO-
GUI) beim Ermitteln der Aufgabe fu¨r die Behebung des Fehlers besser unterstu¨tzt?
Beispiel: Um den Fehler zu beheben, habe ich die Aufgabe, die Ventilstellung zu
korrigieren.
8.) Handlungen: Nachdem die Aufgabe festgelegt ist, stellt sich die Frage, wie sie durch-
zufu¨hren ist und in welcher Reihenfolge. Hat Sie die Oberfla¨che vor (Virt3D, TOP,
EID und/oder MFM) oder nach (EOGUI) der Evolutiona¨re Optimierung bei der
Planung der Handlungen besser unterstu¨tzt?
IV.) Struktur
1.) Ausrichtung der Visualisierung: Die Navigation, die Darstellung von Sto¨rungen und
die Einscha¨tzung des Systemzustandes sind wichtige Aspekte fu¨r die Ausrichtung der
Visualisierung. Beurteilen Sie bitte, ob sich die Bedienoberfla¨che durch die Evoluti-
ona¨re Optimierung den Bediener sta¨rker unterstu¨tzt, oder ob sie vor der Optimierung
sta¨rker am Bediener orientiert war.
2.) Vorteil durch EOGUI gegenu¨ber MFM/EID/TOP/VRT: Hat Ihnen die von der Op-
timierung generierte Struktur der Oberfla¨che gegenu¨ber der Virt3D-, TOP-, EID-,
MFM-Oberfla¨chen einen Vorteil fu¨r das Fahren der Anlage erbracht?
V.) Beanspruchung: Haben Sie die Beanspruchung beim Bewa¨ltigen der gestellten Aufgabe
vor und nach der Evolutiona¨ren Optimierung als ho¨her empfunden?
190
C.1.2 Experiment-Teil der Evolutiona¨ren Optimierung
VI.) Vertrauen: Ist Ihr Vertrauen in die Oberfla¨chen fu¨r die urspru¨nglichen Oberfla¨chen (Virt3D,
TOP, EID und/oder MFM) oder fu¨r die neu generierte Oberfla¨che (EOGUI) gro¨ßer?
VII.) Spaß:Hatten Sie vor (Virt3D, TOP, EID und/oder MFM-Oberfla¨chen) oder nach (EOGUI-
Oberfla¨che) der Evolutiona¨ren Optimierung mehr Spaß am Fahren der Anlage?
C.1.2 Experiment-Teil der Evolutiona¨ren Optimierung
I.) Selektion
1.) Allgemein: U¨ber den Evolutionsmechanismus der Selektion wird bestimmt, welche
Fitness ein Objekt aufgrund seiner Auswahlha¨ufigkeit bzw. -zeit und seiner Bewer-
tung erha¨lt. Wie beurteilen Sie ganz allgemein den Ansatz, Auswahlha¨ufigkeiten,
Bewertungen, etc. fu¨r die Optimierung von Bedienoberfla¨chen heranzuziehen?
2.) Auswahl/Wachstum von Objekten: Durch die Selektion wird bestimmt, wie hoch
die Fitness eines Objekts ausfa¨llt. Je ho¨her die Fitness eines Objektes ausgepra¨gt
ist, desto ho¨her ist die Wahrscheinlichkeit, dass dieses Objekt sich durchsetzt und
Eingang in die neue Oberfla¨che findet. Zudem wa¨chst dieses Objekt. Hat die Auswahl
oder das Wachstum von Objekten abha¨ngig von deren Fitness fu¨r Sie einen Vorteil
erbracht (z.B. durch das schnellere Auffinden des Objekts aufgrund der Selektion
bzw. Vergro¨ßerung)?
II.) Rekombination
1.) Allgemein: Mit der Rekombination werden aus verschiedenartigen Objekten a¨hnli-
cher Fitness neue Objekte generiert. Wie beurteilen Sie ganz allgemein diese Form
der Objektgenerierung? Hat dieser Mechanismus nach Ihrem Empfinden die Darstel-
lung der Objekte verbessert?
2.) Innere und a¨ußere Form: U¨ber die Rekombination bezogen auf die innere und a¨ußere
Form werden aus verschiedenartigen Objekten a¨hnlicher Fitness neue Objekte durch
Verschmelzen generiert. Haben sich durch diese Art der Objektgenerierung fu¨r Sie
Vorteile ergeben (z.B. in der Erkennung der Funktion des Objekts)?
3.) Kombination: Neben der Rekombination der inneren und a¨ußeren Form ist auch eine
Rekombination durch Kombination mo¨glich. Hier werden Objekte nicht verschmol-
zen, sondern als Ganzes kombiniert. Hat die Rekombination durch Kombination fu¨r
Sie eine Verbesserung erbracht (z.B. in der Erkennung des Anlagenzustands)?
III.) Mutation
1.) Allgemein: Der Mechanismus der Mutation bewirkt zufallsbedingte Vera¨nderungen
von Objekten. Wie beurteilen Sie ganz allgemein diese ungerichtete Vera¨nderung?
2.) Gro¨ße – Allgemein:Mit der Mutation der Gro¨ße werden Abmessungen zufa¨llig vera¨ndert.
Wie beurteilen Sie allgemein die Mutation der Gro¨ße?
3.) Gro¨ße des Objekts: Mutiert die Gro¨ße eines Objekts, ist das Objekt selbst von der
Gro¨ßena¨nderung betroffen. War die Mutation der Objektgro¨ße fu¨r Sie von Vorteil?
4.) Liniensta¨rken: Bei der Mutation von Liniensta¨rken werden beispielsweise die Breite
der Verbindungen in der MFM-Zielhierarchie oder in den EID-Mappings zufa¨llig
vera¨ndert. Wie beurteilen Sie die Vera¨nderung von Liniensta¨rken durch Mutation?
5.) Gro¨ße Bezeichner: Die Bezeichner der Objekte ko¨nnen ebenfalls in der Gro¨ße mutiert
werden. Wie beurteilen Sie die Gro¨ßenvera¨nderung der Bezeichner?
6.) Farbe – Allgemein: Neben der Gro¨ße werden verschiedene Farben mutiert. Wie be-
urteilen Sie ganz allgemein die Vera¨nderung von Farben?
191
C.2 Erweiterte Erla¨uterungen zur Durchfu¨hrung
7.) Hintergrundfarbe: Die markanteste Farba¨nderung ist die Mutation der Hintergrund-
farbe. Genauer werden hier die Hintergrundfarben der einzelnen u¨bergeordneten Ob-
jekte vera¨ndert, z.B. die Systemu¨bersicht der TOP-Oberfla¨che oder die der MFM-
Flußstrukturen. Wie beurteilen Sie die Vera¨nderung der Hintergrundfarben?
8.) Farbe im EID-Mapping: Ein besonderer Fall der Farbmutation sind die Vera¨nde-
rungen in den EID- Mappings. Hinsichtlich der Farbe ko¨nnen sich alle Teile des
Mappings vera¨ndern. Wie beurteilen Sie die Farbmutationen in den EID-Mappings?
9.) Linienfarbe: Neben den Linien des EID-Mappings ko¨nnen sich auch andere Linienfar-
ben (z.B. in der MFM-Zielhierarchie oder der Flussfunktionsverbindungen) a¨ndern.
Wie beurteilen Sie die Farbmutationen der verschiedenen Linien?
10.) Bezeichnerfarbe: Als letzte Mo¨glichkeit der Farba¨nderung ko¨nnen die Objektbezeich-
ner Mutationen unterliegen. Wie beurteilen Sie die Farbmutation der Bezeichner?
11.) Animation: Die letzte Mutationsform ist die der Animation. Objekte ko¨nnen durch
Mutation diese Eigenschaft erlangen und so Teile ihrer Darstellung abha¨ngig vom
Status (z.B. An/Aus) beweglich wiedergeben. Wie beurteilen Sie die Mutation der
Animationseigenschaft?
12.) Ha¨ufigkeit: Wie beurteilen Sie die Ha¨ufigkeit der Mutationen?
C.2 Erweiterte Erla¨uterungen zur Durchfu¨hrung
Einfu¨hrung: Das Bild C.1 zeigt das ent-
1
2
3
4
5
Bild C.1: Experiment: Durchfu¨hrung – Einfu¨hrung
sprechende Formular der rechnergestu¨tz-
ten Einfu¨hrung in das Experiment. An-
gegeben sind die aktuelle Modellbildung
(1) und das aktuelle Thema der Einfu¨h-
rung (2). Der Inhalt des Textfeldes (3)
muss nicht vom Probanden gelesen wer-
den, sondern dient dem Versuchsleiter
als Richtschnur fu¨r die mu¨ndliche Er-
kla¨rung und soll so die Einfu¨hrung fu¨r
alle Probanden mo¨glich konsistent hal-
ten. Die Graphik (4) im unteren Bereich
soll das Verstehen der Erla¨uterungen un-
terstu¨tzen. Die Schalter (5) dienen der
Navigation.
Lernkontrolle: Das Bild C.2 zeigt links
Bild C.2: Experiment: Durchfu¨hrung – Lernkontrolle
beispielhaft das MFM-Formular fu¨r die
Befragung nach den Modellbildungen.
Im Textfeld (1) ist die aktuelle Aufgabe
genannt. U¨ber die Kombinationsfelder
sind den Symbolen (2) die Bedeutungen
(3) und Funktionen (4) zuzuordnen. Das
Ende der Eingaben besta¨tigt der Pro-
band mit dem Schalter (5). Das Textfeld
(6) informiert den Probanden u¨ber feh-
lende (gelber Hintergrund) oder falsche
Eingaben (roter Hintergrund). Die Lern-
kontrolle zur Farbcodierung der Zusta¨nde
und den Bedeutungen der Navigations-
schaltfla¨chen, in Bild C.2 rechts, beendet diese Phase.
192
Demo-Prozess: Den Demo-Prozess fu¨r die Vorstel-
1
2
3 4
Bild C.3: Experiment: Demo-Prozess
lung der verschiedenen Modellbildungen zeigt das Bild
C.3 fu¨r das Virt3D-Modell. Ziel dieses Prozesses ist
es, einen Entnahmemassenstrom von 9t/h bei einer
Beha¨ltertemperatur von 40◦C aufrechtzuerhalten. Die
Bestandteile des Prozesses sind ein Flu¨ssigkeitszu-
lauf mit Erwa¨rmung (1), eine Speichereinheit (2), ein
Ru¨cklauf mit Abku¨hlung (3) und eine Entnahme (4).
Der Demo-Prozess entha¨lt keine Regler und daher
keinerlei Automation.
C.3 Ergebnisse des EOGUI-Algorithmus
Die Bilder C.4 bis C.9 zeigen sa¨mtliche, vom EOGUI-Algorithmus, im Rahmen des Experiments
durch die Probanden generierten Oberfla¨chen.
Bild C.4: Experiment: Ergebnis des EOGUI-Algorithmus – Proband 1: Virt3D, TOP: (1)-(5): (1) U¨ber-
sicht, (2) Untersystem SUB01, (3) Untersystem SUB02, (4) Untersystem SUB03, (5) Unter-
system SUB04; EIDkgo: (2), (4), (5)
193
C.3 Ergebnisse des EOGUI-Algorithmus
Bild C.5: Experiment: Ergebnis des EOGUI-Algorithmus – Proband 2: Virt3D, TOP: (1)-(5): (1) U¨ber-
sicht, (2) Untersystem SUB01, (3) Untersystem SUB02, (4) Untersystem SUB03, (5) Unter-
system SUB04; EIDkgo: (1), (2), (4), (5)
MFM: (6)-(18): (6) Gprd2 , (7) Gprd4 , (8) Gprd5 , (9) Gprd6 , (10) Gprd7 , (11) Gprd8 , (12) Gprd9 ,
(13) Gprd10 , (14) Gprd16 , (15) Gprd19 , (16) Gprd20 , (17) Gprd21 , (18) Gprd22 ; EID
kgo: (8)
194
Bild C.6: Experiment: Ergebnis des EOGUI-Algorithmus – Proband 3: Virt3D, TOP, EIDkgo: (1)-(5):
(1) U¨bersicht, (2) Untersystem SUB01, (3) Untersystem SUB02, (4) Untersystem SUB03, (5)
Untersystem SUB04;
MFM: (6)-(12): (6) Gprd2 , (7) Gprd4 , (8) Gprd6 , (9) Gprd10 , (10) Gprd16 , (11) Gprd20 , (12) Gprd21
195
C.3 Ergebnisse des EOGUI-Algorithmus
Bild C.7: Experiment: Ergebnis des EOGUI-Algorithmus – Proband 4: MFM: (1)-(22): (1) U¨bersicht,
(2) Gprd1 , (3) Gprd2 , (4) Gprd3 , (5) Gprd4 , (6) Gprd5 , (7) Gprd6 , (8) Gprd7 , (9) Gprd8 , (10) Gprd9 ,
(11) Gprd10 , (12) Gprd12 , (13) Gprd13 , (14) Gprd14 , (15) Gprd16 , (16) Gprd17 , (17) Gprd18 , (18)
Gprd19 , (19) Gprd20 , (20) Gprd21 , (21) Gprd22 , (22) Gprd23 ; EID
kgo: (13)-(15), (20), (22);
Virt3D, TOP, EIDkgo: (23)-(25): (23) Untersystem SUB01, (24) Untersystem SUB02, (25)
Untersystem SUB03, (26) Untersystem SUB04
196
Bild C.8: Experiment: Ergebnis des EOGUI-Algorithmus – Proband 5: MFM: (1)-(22): (1) U¨bersicht,
(2) Gprd1 , (3) Gprd2 , (4) Gprd3 , (5) Gprd4 , (6) Gprd5 , (7) Gprd6 , (8) Gprd7 , (9) Gprd8 , (10) Gprd9 ,
(11) Gprd10 , (12) Gprd12 , (13) Gprd13 , (14) Gprd14 , (15) Gprd16 , (16) Gprd17 , (17) Gprd18 , (18)
Gprd19 , (19) Gprd20 , (20) Gprd21 , (21) Gprd22 , (22) Gprd23 ; EID
kgo: (1), (3)-(8), (10), (11), (13),
(14), (17);
Virt3D, TOP, EIDkgo: (23)-(25): (23) Untersystem SUB01, (24) Untersystem SUB02, (25)
Untersystem SUB03, (26) Untersystem SUB04
197
C.3 Ergebnisse des EOGUI-Algorithmus
Bild C.9: Experiment: Ergebnis des EOGUI-Algorithmus – Proband 6: Virt3D, TOP: (1)-(5): (1) U¨ber-
sicht, (2) Untersystem SUB01, (3) Untersystem SUB02, (4) Untersystem SUB03, (5) Unter-
system SUB04; EIDkgo: (2)-(5)
198
D Literaturdatenbank
Im Rahmen dieser Arbeit wurde eine Literaturdatenbank erstellt, die zu den behandelten For-
schungsbereichen u¨ber 900 Eintra¨ge entha¨lt. Die Datenbank wurde mit Microsoft Access ent-
wickelt und verfu¨gt u¨ber verschiedene Such- und Sortierfunktionen.
Bild D.1: Literaturdatenbank: Screenshot
199