问题：
该公司需要解决伴随市场扩张而出现的餐包生产线效率低下问题。
解决方案：
Gousto 运用工厂流程仿真来提升效率、坚持质量标准、减少浪费并更有效地满足客户需求。
成果：
- 路径规划算法的开发周期从数月缩短至数天。
- 优化的订单路径规划使工位利用率提升了13%。
- 对超过1000万个食谱盒方案进行了仿真，其仿真结果与真实情况吻合度达97.5%。
引言：从初创企业迈向规模化企业
作为定制化餐包配送领域的领军者，Gousto 以其提供精确食材配方的食谱盒概念，区别于其他竞争对手。该公司每月提供超过250种不同的食谱。
2023年，Gousto实现了3.08亿英镑的营收，这标志着其已从一家初创企业快速成长为规模化企业。伴随着如此扩张而来的是对其生产流程进行优化的需求，为此，它借助了工厂流程仿真技术。公司希望通过简化运营来保持质量、减少浪费并高效满足客户需求。
问题：复杂系统中工厂优化的必要性
Gousto的运营涉及一个复杂的生产系统。定制食谱盒通过动态流程进行组装，包括食材拣选、盒子路径规划和工位管理。
管理和优化这样一个系统面临的主要挑战包括：
- 工位利用率低下：工位利用不足和手动调整导致了延误和资源浪费。
- 测试周期冗长：为新路径规划算法采用的传统开发方法速度缓慢，在实施前需要大量的人工验证。
- 库存与参数管理不当：对完美库存和静态工厂参数的假设常常导致效率低下。
这些挑战限制了Gousto在餐盒配送市场上高效扩展和保持竞争优势的能力。
解决方案：采用工厂流程仿真优化生产过程
为应对这些挑战，Gousto在AnyLogic中构建了一个动态的、自服务的仿真模型。该方法实现了：
- 充分的测试与验证：仿真使开发人员能够安全、快速地测试数百种场景。
- 实时数据集成：通过整合历史和实时数据，Gousto能够在仿真过程中优化工位工作负载并确保库存可用性。
- 更快投入生产：通过将开发周期从数月缩短至数天，使得将经仿真验证的方案投入实际生产、获取反馈并在需要时进行迭代成为可能。
阅读一篇关于通过仿真建模提升仓库效率的博客文章。探索相关策略与实际案例，了解各公司如何应用先进技术优化仓库运营。
Gousto 选择 AnyLogic 进行工厂流程仿真，是因其具备多平台可用性（支持 Mac、Windows、Linux）并能与 Python 算法实现无缝集成，而这正是该公司数据驱动工作流的核心所在。
对于大型团队开发复杂模型而言，同样需要一款能与版本控制软件良好集成的工具。AnyLogic 专业版通过提供代码审查、拉取请求和持续集成等功能，支持了分布式模型开发。
利用已建立的工厂仿真模型，Gousto团队能够对以下流程进行仿真和优化：
- 料箱在拣选塔中的移动，以最大化吞吐量。
- 库存的动态补货与消耗。
- 处理时间与停机时间。
延伸阅读：获取一份介绍数字孪生、其特性与构建方法的白皮书。探索这项创新技术如何通过将实体的实时数据与其仿真模型相结合，从而开启新的可能性。
成果：工位利用率提升13%
Gousto的项目堪称一个绝佳的生产优化范例。通过使用AnyLogic，该公司在超过5000次仿真运行中模拟了逾1000万个食谱盒，结果显示其仿真与现实的吻合度（即真实准确度）高达97.5%.
该公司已将仿真模型用于逾30个不同的应用场景，均旨在优化工厂运营。例如，Gousto通过优化工厂内部的订单路径规划算法，实现了工位利用率提升13%。
展望未来，Gousto计划通过为库存和料箱的端到端流程扩展先进的三维动画，来增强其工厂流程仿真建模。公司还旨在提升事件粒度以实现更精确的优化。此外，基于一个工厂所取得的如此令人鼓舞的成果，该企业还计划为其他工厂构建新的仿真模型。
该案例研究由来自 Gousto 的 Dr. Kean Dequeant 在 2024AnyLogic 大会上进行了展示。
演讲幻灯片 PDF。
