Funzione obiettivo del caso di studio
Prosegui con il caso di studio del modello di Localizzazione di Impianti con Capacità per un produttore di auto. Ti vengono forniti quattro DataFrame di Pandas: demand, var_cost, fix_cost e cap, che contengono rispettivamente la domanda per regione (migliaia di auto), i costi variabili di produzione (migliaia di $US), i costi fissi di produzione (migliaia di $US) e la capacità produttiva (migliaia di auto). Sono state create anche due liste Python, loc e size, che contengono le diverse località e i due tipi di capacità degli impianti. Tutte queste variabili sono state stampate in console per la tua consultazione. Il codice per inizializzare e definire le variabili decisionali è già stato completato per te.
Questo esercizio fa parte del corso
Analytics per la supply chain con Python
esercizio interattivo pratico
Prova questo esercizio completando questo codice di esempio.
# 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 ____])
)