LoslegenKostenlos starten

Zielfunktion der Fallstudie

Führe die Fallstudie zum Capacitated-Plant-Location-Modell eines Autoherstellers fort. Du bekommst vier Pandas-DataFrames demand, var_cost, fix_cost und cap, die die regionale Nachfrage (Tsd. Autos), variablen Produktionskosten (Tsd. $US), fixen Produktionskosten (Tsd. $US) und Produktionskapazitäten (Tsd. Autos) enthalten. Außerdem wurden zwei Python-Listen loc und size erstellt, die die verschiedenen Standorte und die zwei Typen von Werkskapazitäten enthalten. Alle diese Variablen wurden zur Ansicht in die Konsole ausgegeben. Der Code zur Initialisierung und zur Definition der Entscheidungsvariablen wurde bereits für dich fertiggestellt.

Diese Übung ist Teil des Kurses

<Kurs>Supply Chain Analytics mit Python</Kurs>
Kurs ansehen

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# Initialize, and Define Decision Vars.
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')

# Define objective function
model += (lpSum([fix_cost.loc[____,____] * ____[(____,____)] 
                 for s in ____ for i in ____])
          )
Code bearbeiten und ausführen