Constraints van de case study-oefening
Ga verder met de case study 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 typen fabriekscapaciteiten. Al deze variabelen zijn naar de console geprint zodat je ze kunt bekijken. De code om de beslissingsvariabelen te initialiseren, ze te definiëren en de doelfunctie te maken 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, 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']