ComenzarEmpieza gratis

Restricciones del ejercicio del caso de estudio

Continúa con el caso de estudio del modelo de localización de plantas con capacidad de un fabricante de automóviles. Se te proporcionan cuatro DataFrames 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). También se han creado dos listas de Python, loc y size, que contienen las distintas ubicaciones y los dos tipos de capacidad de planta. Todas estas variables se han impreso en la consola para que las consultes. El código para inicializar las variables de decisión, definirlas y crear la función objetivo ya está hecho por ti.

Este ejercicio forma parte del curso

Analítica de la cadena de suministro en Python

Ver curso

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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']
Editar y ejecutar código