Ograniczenia w ćwiczeniu – studium przypadku
Kontynuuj studium przypadku modelu Capacitated Plant Location dla producenta samochodów. Do dyspozycji masz 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). Przygotowano też dwie listy Pythona – loc i size – zawierające dostępne lokalizacje oraz dwa typy zdolności produkcyjnych zakładów. Wszystkie te zmienne zostały wypisane w konsoli. Kod inicjalizujący zmienne decyzyjne, definiujący je oraz tworzący funkcję celu został już uzupełniony.
To ćwiczenie jest częścią kursu
Analityka łańcucha dostaw w Pythonie
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# 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']