Zmienne decyzyjne studium przypadku
Kontynuuj studium przypadku modelu Capacitated Plant Location dla producenta samochodów. Masz do dyspozycji cztery ramki danych Pandas: demand, var_cost, fix_cost i cap, zawierające odpowiednio: regionalny popyt (w tys. samochodów), zmienne koszty produkcji (w tys. USD), stałe koszty produkcji (w tys. USD) oraz zdolność produkcyjną (w tys. samochodów). Wszystkie te zmienne zostały wyświetlone w konsoli.
To ćwiczenie jest częścią kursu
Analityka łańcucha dostaw w Pythonie
Instrukcje do ćwiczenia
- Zainicjuj klasę.
- Zdefiniuj zmienne decyzyjne, używając
LpVariable.dictsoraz wyrażeń listowych Pythona.
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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=____)