CommencerCommencez gratuitement

Fonction objectif de l’étude de cas

Poursuivez l’étude de cas du modèle de localisation d’usines capacitaires pour un constructeur automobile. Quatre DataFrames Pandas demand, var_cost, fix_cost et cap vous sont fournis, contenant respectivement la demande par région (milliers de voitures), les coûts variables de production (milliers de $US), les coûts fixes de production (milliers de $US) et la capacité de production (milliers de voitures). Deux listes Python loc et size ont également été créées, contenant 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 réalisés pour vous.

Cet exercice fait partie du cours

<cours>Analyse de la chaîne d’approvisionnement en Python</cours>
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