CommencezCommencez gratuitement

Fonction objectif de l'étude de cas

Poursuivez l'étude de cas du modèle de localisation d'usines avec capacité (Capacitated Plant Location) pour un constructeur automobile. Quatre DataFrames Pandas demand, var_cost, fix_cost et cap vous sont fournis ; ils contiennent la demande par région (milliers de voitures), les coûts variables de production (milliers $US), les coûts fixes de production (milliers $US) et la capacité de production (milliers de voitures). Deux listes Python, loc et size, ont aussi été créées ; elles regroupent les différentes localisations et les deux types de capacités d'usine. Toutes ces variables ont été affichées dans la console pour que vous puissiez les consulter. Le code d'initialisation et la définition des variables de décision ont été préparés pour vous.

Cette activité fait partie du cours

Analytique de la chaîne d'approvisionnement avec Python

Voir le cours

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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 ____])
          )
Modifier et exécuter le code