Vincoli dell'esercizio di studio di caso
Prosegui con lo studio di caso del modello di Localizzazione di Stabilimenti con Capacità per un produttore di auto. Hai a disposizione 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 permetterti di esaminarle. Il codice per inizializzare le variabili decisionali, definirle e creare la funzione obiettivo 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, 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']