Omezení pro cvičení s případovou studií
Pokračuj v případové studii modelu umístění kapacitního závodu pro výrobce automobilů. Máš k dispozici čtyři datové rámce Pandas: demand, var_cost, fix_cost a cap, které obsahují regionální poptávku (v tis. vozů), variabilní výrobní náklady (v tis. USD), fixní výrobní náklady (v tis. USD) a výrobní kapacitu (v tis. vozů). Byly také vytvořeny dva pythonové seznamy loc a size, obsahující různá umístění a dva typy kapacit závodu. Všechny tyto proměnné jsou vypsány v konzoli pro přehled. Kód pro inicializaci rozhodovacích proměnných, jejich definici a vytvoření účelové funkce je již připraven.
Toto cvičení je součástí kurzu
Supply Chain Analytics v Pythonu
Interaktivní cvičení na vyzkoušení si v praxi
Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.
# Initialize, Define Decision Vars., and Objective Function
model = LpProblem("Capacitated Plant Location Model", LpMinimize)
loc = ['USA', 'Germany', 'Japan', 'Brazil', 'India']
size = ['Low_Cap','High_Cap']
x = LpVariable.dicts("production_", [(i,j) for i in loc for j in loc],
lowBound=0, upBound=None, cat='Continuous')
y = LpVariable.dicts("plant_",
[(i,s) for s in size for i in loc], cat='Binary')
model += (lpSum([fix_cost.loc[i,s] * y[(i,s)] for s in size for i in loc])
+ lpSum([var_cost.loc[i,j] * x[(i,j)] for i in loc for j in loc]))
# Define the constraints
for j in loc:
model += lpSum([____ for i in ____]) ____ demand.loc[____,'Dmd']