问题
世界上最大的资源公司之一，销售额超过800亿美元，决定进入一个新的市场。该公司计划新建一座钾盐矿，并将90%的产量用于出口。他们想要设计一个可靠的供应链，有高速的补给以及从自然和人为灾害中恢复甚至受益的能力。 Amalgama和 Goldratt签订合同，设计钾盐采矿业务和完整的出站物流供应链。
在启动项目之前，了解当前仿真系统产生的瓶颈非常重要。这个旧系统确实有一些帮助；但该模型表现得像一个黑盒，并且没有经过中间推理就产生了结果。新项目采用了仿真建模的方法，将供应链过程可视化，增加结果的可信度，有助于：
- 设计具有高服务水平、低成本、低资本投入的供应链。
- 选择最佳库存管理策略——推动式、混合式或拉动式。
- 在矿山、港口和枢纽寻找存储空间。
- 确定所需的铁路车辆数量。
错误的决策可能会在20年内导致数亿美元的利润损失。
解决方案
模型需求：
- 具有易于调整的节点和链接，并可配置的性能参数。
- 包括随机性、需求和供应的可变性以及中断。
- 使用动画表现相互依赖性和性能变化。
- 提供财务和运营绩效指标。
- 执行单次运行实验，方案比较和敏感性分析。
AnyLogic仿真软件满足了这些要求。允许工程师根据需求创建灵活且可配置的供应链模型。AnyLogic 建模阐明了站场（港口、集散中心等）内的进程，并展示了不同元素的工作方式和交互方式。
采矿物流流程从工厂和矿山储存设施开始。在产品开采完毕后，首先确定将产品运至出口渠道还是国内市场，之后通过火车到达一个枢纽或港口，然后运往国外或当地分销。
在基于智能体的模型中，海港和矿山以及卡车、火车和船都充当独立的智能体，彼此进行交互。模型中还包括不同的随机源，例如，罢工行动、天气状况、生产中断、客户需求变化等。模型中的图表可以显示供应链及其组件的输出统计数据。
使用该模型，进行敏感性分析来定义供应链的最佳策略——推动式、混合式或拉动式。分析在系统中增加轨道车辆（从2.5万辆增加到5.5万辆），改变矿山和港口的库容（从15万吨增加到50万吨），改变服务水平。世界一流的服务水平预定义为98％，标记为绿色，较低的服务水平标记为红色和黄色。
该图表显示：推动方案不会给出任何性能提高；混合方案可以提供所需的性能水平；但是，更好的是实行拉动式方案，也就是使用3500辆30万吨容量的铁路车辆或4500辆25万吨容量的铁路车辆。而且在此方案下，系统在存储容量方面反应非常灵敏。
在确定了最优策略后，将复杂性和波动性因素添加到模型中，观察其对服务水平的影响。推动方案会受到新产品、新客户、新枢纽或新端口的负面影响，而使用拉动式政策，无论在任何因素下，都能保持较高的服务水平。
之后对每项政策进行测试，以了解当可变性增加时每吨成本如何变化。推动式策略几乎总是具有最高的每吨成本指数。当然，该图也显示，随着波动性和复杂性的增加，每吨的成本会随着时间的推移而增加。
最后，使用不同的参数(服务水平、营运资金、集散中心和港口库存等)对结果进行比较，并对策略进行排序。
结果
AnyLogic 仿真建模直观地描述了整个供应链过程，证明了拉动策略是最优的。这项政策以每吨最低的成本提供较高的服务水平，同时降低了周转资金和投资要求。模型还展示了如何将额外的存储容量发挥作用。拉动政策的其他主要优势是:
- 可以保持世界一流的服务水平。
- 对市场需求和产品结构的变化更有弹性。
- 当库存水平较低时，它提供自动优先排序功能。
- 在港口维持较低的库存水平，从而阻止列车排队。
之前公司采用的推动策略，由于没有考虑需求的可变性，服务水平很差。该公司采用多产品供应链，当客户开始要求某个产品时，可能会因为缺少可用存储空间而丢失订单。而拉动政策算法的作用则有所不同，它根据需求决定何时安全地减少或增加库存，而不会丢失订单。
模型功能包括：
- 敏感性分析——显示供应链绩效指标对铁路车辆数量和港口存储容量的敏感性。
- 方案比较——测试不同的库存管理政策以及财务和运营结果。
方案比较功能详细的提供了不同场景中各种模型参数的结果。例如，推/拉策略的每吨增量成本/销售成本之差为每吨3美元。按每年1300万吨计算，如果选择了错误的策略，这意味着将损失3900万美元的净利润。对于售出吨数参数，在使用相同容量和波动性时，推拉/政策结果之间存在410万吨的差异。每吨乘以300美元，这错误的策略选择将造成 12亿美元的收入损失。
综上分析，在选择执行策略时，最终选择拉动策略进行业务开发。
Alan Barnard博士和Andrey Malykhanov博士的项目演示
