问题
某全球最大的图书经销商之一，在经营过程中遇到了三个重大挑战：
首先，在过去的十年中，为了满足不断增长的需求，仓库数量大幅增长，导致了经销网络越来越复杂，维护费用高昂且不断增加。
其次，经销商还预测，未来供求变化的不确定性和波动性可能会导致各地仓库出现空间利用率过高或不足的情况。
最后，房地产成本的增加和激烈的市场竞争，也导致当前的供应链网络设计不可能再持续无限制的扩张，而且非常容易受到负面压力的影响。
对此，该公司聘请了两家不同的咨询公司进行高级网络优化研究，以获得最优的网络设计和实施方案。两家咨询公司都发现，使用拖钩和拖车（40-英尺）替代厢式货车，将减少25%-30%的仓库数量，项目净现值（NPV）估计为18万美元。由于，这两家的研究都使用了基于平均值算法，管理层对于实际条件下是否能获得预测的收益仍有所顾虑。
解决方案
对于这种情况，某经销商聘请了Goldratt研究实验室（GRL），使用动态仿真建模来验证之前两家研究的关键假设，预测运营和财务绩效，改进实施方案。
客户要求GRL使用仿真模型的情景比较，来确定是否可以通过不同的供应链网络配置、运输方案和车队设置来改善运营和财务结果。
为了实现这些目标，GRL工程师开发了一个可完全自配置的供应链数字孪生（SCDT），该模型可以考虑系统的所有关键特性，包括：相互依赖性、约束、复杂性以及供需可变性。模型旨在确定单个场景的可能结果范围，并为不同的供应链配置提供敏感性分析和场景比较。
评估的替代配置包括不同的客户/仓库位置、客户到仓库分配方案以及替代车队配置（例如，较小的箱货与较大的拖车和牵引车）。
由此产生的 SCDT 模型为公司的管理团队提供了一种低风险、低成本的方法，在投入大量的资本和时间之前，评估所有拟议方案可能产生的运营和财务影响，以避免因实施无法达到预期收益的项目，而产生的声誉和财务损失。
GRL最终选择AnyLogic作为开发SCDT模型的仿真建模软件。之所以选择AnyLogic有以下几个重要因素：
● 为了真实复制客户系统的复杂性，需要基于智能体和离散的事件仿真方法。
● 模型开发周期短，并且需要提供广泛的系统配置。
● 考虑到模型的大小，以及需要评估大量场景，客户希望在自己的计算机上运行仿真模型，并可以访问云。AnyLogic模型作为独立的应用程序导出运行，还可以使用AnyLogic 云来更快地完成资源密集型模型的运行。
● 考虑到要评估的场景范围，仿真模型必须包含一个路线规划优化器，最优化每个场景下车辆从仓库到客户的最后一英里路线。AnyLogic使用标准Java库，允许模型与第三方应用程序(如PTV的路由优化器)完全集成，可以在远程服务器中生成最优路线，并将结果发送回模型，与场景文件一起存储使用。
完整的 SCDT 模型设置包括输入、输出、不同的分析选项以及生成最终模型报告和日志的方案分析。模型完全由 Excel 文件数据驱动，因此可以直接在文件内更改方案。方案文件包含以下输入数据：
● 地理信息
● 仓库设置
● 客户订单数据
● 车队设置和分配
● 财务和运营参数
仿真模型设置
使用这些输入，可以执行四个主要分析选项：
● 距离计算
距离计算旨在预先计算其他分析选项所需的距离，以减少执行时间。
● 配置优化
此选项使公司能够模拟退火算法优化客户到仓库的配置。该算法在考虑仓库容量限制的情况下减少了里程。
● 路径规划
在此选项下，该模型将使用 PTV 路线优化器生成真实的最后一英里路线。
● 情景分析
最后一步的分析是先前步骤所有输入的汇总，最终结果是针对每个位置、车辆类型和客户位置的详细操作和财务结算。
选项的某些输出可用作其他分析选项的输入。
结果
基于AnyLogic的SCDT仿真模型结果揭示了许多关键发现。经过模型的分析预测，发现了几个有缺陷的假设。最重要的是，拖钩法并不像之前预测的那样具有效益，不但无法达到开始预测的18万美元净现值，甚至可能为负5万美元。
有了这个出乎意料和令人担忧的结论，新项目的目标变更为改进供应链网络设计和车队设置，以提高其当前绩效，同时增加对未来供需预期不确定性的弹性和响应能力。
使用他们的新SCDT模型和嵌入式路由优化器，该团队确定了一种解决方案，该解决方案将使净现值达到47万美元，甚至高于最初的设想。
此外，用户能够轻松修改模型内的参数，获取详细的输出文件，使其成为有力的决策支持工具，可以额外检查以下假设：
● 所需司机的类别（小型或大型卡车）
● 所需司机的数量（基于季节性、月度和地点）
● 每天的车辆数量
● 夜间路线数量、司机工作时间和加班时间的详细信息
客户表示，该模型将是在不断变化的市场环境中，指导他们不断迎接挑战的有力战略决策工具。
欢迎观看由Goldratt研究实验室的Alan Barnard博士和Jaco-Ben Vosloo在2021年AnyLogic会议对项目做出的讲解。
