Inizia subitoInizia gratis

Variabili decisionali del caso studio

Prosegui con il case study del modello di Capacitated Plant Location per un produttore di auto. Hai a disposizione quattro DataFrame di Pandas: demand, var_cost, fix_cost e cap, che contengono rispettivamente la domanda regionale (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). Tutte queste variabili sono state stampate in console per la tua consultazione.

Questo esercizio fa parte del corso

Analytics per la supply chain con Python

Visualizza corso

Istruzioni dell'esercizio

  • Inizializza la classe.
  • Definisci le variabili decisionali usando LpVariable.dicts e la list comprehension di Python.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Initialize Class
model = LpProblem("Capacitated Plant Location Model", ____)

# Define Decision Variables
loc = ['USA', 'Germany', 'Japan', 'Brazil', 'India']
size = ['Low_Cap','High_Cap']
x = LpVariable.dicts("production_",
                     [(i,j) for ____ in ____ for ____ in ____],
                     lowBound=____, upBound=____, cat=_____)
y = LpVariable.dicts("plant_", 
                     [____ for ____ in ____ for ____ in ____], cat=____)
Modifica ed esegui il codice