Doelfunctie van de casestudy
Ga verder met de casestudy van het Capacitated Plant Location-model voor een autofabrikant. Je krijgt vier Pandas-dataframes demand, var_cost, fix_cost en cap met respectievelijk de regionale vraag (duizend auto's), variabele productiekosten (duizend $US), vaste productiekosten (duizend $US) en productiecapaciteit (duizend auto's). Er zijn ook twee Python-lijsten loc en size aangemaakt met de verschillende locaties en de twee soorten fabriekscapaciteiten. Al deze variabelen zijn naar de console geprint zodat je ze kunt bekijken. De code om te initialiseren en de beslissingsvariabelen te definiëren is al voor je voltooid.
Deze oefening maakt deel uit van de cursus
Supply Chain Analytics in Python
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# 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 ____])
)