CommencerCommencez gratuitement

Contraintes de l’exercice de l’étude de cas

Poursuivez l’étude de cas du modèle de localisation d’usines capacitaires pour un constructeur automobile. Quatre DataFrames Pandas vous sont fournis : demand, var_cost, fix_cost et cap, qui contiennent respectivement la demande par région (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 également été créées ; elles contiennent les différentes implantations et les deux types de capacités d’usine. Toutes ces variables ont été affichées dans la console pour votre consultation. Le code d’initialisation des variables de décision, leur définition et la création de la fonction objectif a déjà été réalisé 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, 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