ComeçarComece de graça

Restrições do exercício do estudo de caso

Dê continuidade ao estudo de caso do modelo de Localização de Plantas com Capacidade (Capacitated Plant Location) de uma montadora. Você recebeu quatro data frames do Pandas, demand, var_cost, fix_cost e cap, contendo a demanda por região (milhares de carros), os custos variáveis de produção (milhares de US\(), os custos fixos de produção (milhares de US\)) e a capacidade de produção (milhares de carros). Duas listas do Python, loc e size, também foram criadas com os diferentes locais e os dois tipos de capacidade de planta. Todas essas variáveis foram impressas no console para você ver. O código para inicializar as variáveis de decisão, defini-las e criar a função objetivo já foi concluído para você.

Este exercício faz parte do curso

Análise de Cadeia de Suprimentos em Python

Ver curso

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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']
Editar e executar o código