Beslissingsvariabelen 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 de regionale vraag (duizenden auto's), variabele productiekosten (duizenden $US), vaste productiekosten (duizenden $US) en productiecapaciteit (duizenden auto's). Al deze variabelen zijn naar de console geprint zodat je ze kunt bekijken.
Deze oefening maakt deel uit van de cursus
Supply Chain Analytics in Python
Oefeninstructies
- Initialiseer de klasse.
- Definieer de beslissingsvariabelen met
LpVariable.dictsen een list comprehension in Python.
Interactieve oefening met praktijkervaring
Probeer deze oefening door deze voorbeeldcode aan te vullen.
# 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=____)