CommencezCommencez gratuitement

Contraintes de l'exercice de l'étude de cas

Poursuivez l'étude de cas du modèle d'implantation d'usines avec capacité (Capacitated Plant Location) pour un constructeur automobile. On vous fournit quatre DataFrame Pandas, demand, var_cost, fix_cost et cap, qui contiennent respectivement la demande régionale (en milliers de voitures), les coûts variables de production (en milliers de $US), les coûts fixes de production (en milliers de $US) et la capacité de production (en milliers de voitures). Deux listes Python, loc et size, ont aussi été créées : elles regroupent les différents emplacements 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 pour initialiser les variables de décision, les définir et créer la fonction objectif a été préparé 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, 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']
Modifier et exécuter le code