Evolutionär fabrik — Försörjningskedjeoptimering genom komposition

Scenariot

Nordvik Logistik, en medelstor svensk distributör av industriella fästelement, köper från 12 leverantörer i Europa och Asien, driver två lager (Göteborg och Norrköping) och levererar till 340 B2B-kunder. Deras försörjningskedjekonfiguration — vilka leverantörer som ska användas för vilka produktfamiljer, vilket lager som hanterar vilka kundregioner, vilka säkerhetslager som ska upprätthållas — designades för fem år sedan och har inte systematiskt omvärderats sedan dess. Containerfraktkostnaderna har fördubblats. Två leverantörer har flyttat sina anläggningar. Ledtider från Asien har blivit mindre förutsägbara.

Evolutionär fabrik optimerar Nordviks försörjningskedjekonfiguration med hjälp av tre Liminara-pack som samverkar:

  ┌──────────────────────────────────────────────────────────┐
  │  Evolutionary Factory (outer loop)                       │
  │                                                          │
  │  Population: 80 candidate configurations                 │
  │  Each candidate: supplier assignments, routing rules,    │
  │                  inventory levels, warehouse allocation   │
  │                                                          │
  │  ┌────────────────────────────────────────────────────┐  │
  │  │  For each candidate:                               │  │
  │  │                                                    │  │
  │  │  ┌─ FlowTime (simulation) ──────────────────────┐  │  │
  │  │  │  Simulate 12 months of order flow             │  │  │
  │  │  │  - order arrivals (from historical data)      │  │  │
  │  │  │  - supplier lead times (random, recorded)      │  │  │
  │  │  │  - transport disruptions (probability model)  │  │  │
  │  │  │                                               │  │  │
  │  │  │  Output: delivery performance, total cost,    │  │  │
  │  │  │  stockout frequency, warehouse utilization    │  │  │
  │  │  └──────────────────────────────────────────────┘  │  │
  │  │                         │                          │  │
  │  │                    fitness score                    │  │
  │  │          (cost × 0.4 + service × 0.4 +             │  │
  │  │           resilience × 0.2)                        │  │
  │  └────────────────────────────────────────────────────┘  │
  │                         │                                │
  │              select → crossover → mutate                 │
  │             (all stochastic, all recorded)                │
  │                         │                                │
  │                  next generation                          │
  └──────────────────────────────────────────────────────────┘
                            │
                   after 30 generations
                            │
                            ▼
  ┌──────────────────────────────────────────────────────────┐
  │  Process Mining (analysis of the optimization itself)    │
  │                                                          │
  │  Input: the event logs from all 2,400 simulation runs   │
  │                                                          │
  │  Discover patterns:                                      │
  │  - "Configurations that route fragile goods through      │
  │     Gothenburg consistently score 12% higher on          │
  │     service level"                                       │
  │  - "Dual-sourcing for product family F3 eliminated       │
  │     stockouts after generation 8 — all surviving         │
  │     candidates use it"                                   │
  │  - "Safety stock above 3 weeks for Asian suppliers       │
  │     shows diminishing returns after generation 15"       │
  │                                                          │
  │  These patterns are artifacts, not ephemeral insights.   │
  └──────────────────────────────────────────────────────────┘

Den vinnande konfigurationen (generation 30, kandidat #42: 8,2 % kostnadsreduktion, 99,1 % leverans i tid, motståndskraftig mot enstaka leverantörsavbrott) är inte bara en uppsättning siffror. Den har en fullständig evolutionär härstamning: vilka föräldrakonfigurationer, vilken crossover som kombinerade Göteborgs-routing med dubbelleverantörer, vilken mutation som introducerade det högre säkerhetslagret för asiatiska leverantörer. Och Process Mining-analysen förklarar varför denna konfiguration fungerar — inte bara att den vann turneringen.

Viktiga egenskaper

Tre pack som komponeras. Evolutionär fabrik tillhandahåller optimeringsloopen. FlowTime tillhandahåller fitnessutvärderingen (varje kandidat är en simuleringskörning). Process Mining analyserar optimeringsbanans utveckling. Varje pack opererar genom sin egen pipeline med sina egna artefakttyper, men de komponeras genom delade artefakter: Evolutionär fabrik producerar kandidatkonfigurationer (artefakter) som konsumeras av FlowTime; FlowTime producerar simuleringsresultat (artefakter) som konsumeras av både Evolutionär fabrik (som fitnesspoäng) och Process Mining (som händelseloggar att analysera).

Simulering som fitness function. Varje FlowTime-simulering är en fullständig Liminara-körning med sin egen händelselogg. De stokastiska elementen (leverantörsledtidsvariation, transportstörningar) är registrerade beslut med låsta frön. Det innebär: samma kandidat utvärderad två gånger ger samma fitnesspoäng (reproducerbarhet). Olika kandidater som utsätts för samma störningsscenario kan jämföras rättvist.

Metaprovenans. Process Mining upptäcker mönster i optimeringsförloppet — mönster som i sig är förseglade artefakter. Insikten “dubbelleverantörer för F3 eliminerade lagerbrister” spårar till specifika simuleringskörningar, specifika kandidathärstamningar och specifika generationsgränser. Det är ett fynd med evidens, inte ett påstående.

Caching över generationer. Om en kandidatkonfiguration från generation 5 återkommer (genom konvergent evolution eller oförändrad crossover) i generation 22 återanvänds FlowTime-simuleringen från den tidigare körningen. Fitnesslandskapet beräknas inkrementellt, inte från grunden varje generation. För 80 kandidater över 30 generationer förväntas ungefär 15–25 % av simuleringskörningarna återanvändas.