ComenzarEmpieza gratis

Variables de decisión del caso práctico

Continúa el caso práctico del modelo de localización de plantas con capacidad para un fabricante de automóviles. Tienes cuatro data frames de Pandas: demand, var_cost, fix_cost y cap, que contienen la demanda regional (miles de coches), los costes variables de producción (miles de $US), los costes fijos de producción (miles de $US) y la capacidad de producción (miles de coches). Todas estas variables se han impreso en la consola para que las puedas revisar.

Este ejercicio forma parte del curso

Analítica de la cadena de suministro en Python

Ver curso

Instrucciones del ejercicio

  • Inicializa la clase.
  • Define las variables de decisión usando LpVariable.dicts y las list comprehensions de Python.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Initialize Class
model = LpProblem("Capacitated Plant Location Model", ____)

# Define Decision Variables
loc = ['USA', 'Germany', 'Japan', 'Brazil', 'India']
size = ['Low_Cap','High_Cap']
x = LpVariable.dicts("production_",
                     [(i,j) for ____ in ____ for ____ in ____],
                     lowBound=____, upBound=____, cat=_____)
y = LpVariable.dicts("plant_", 
                     [____ for ____ in ____ for ____ in ____], cat=____)
Editar y ejecutar código