ÎncepețiÎncepe gratuit

Constrângerile exercițiului din studiul de caz

Continuă studiul de caz al modelului Capacitated Plant Location pentru un producător auto. Ai la dispoziție patru DataFrame-uri Pandas — demand, var_cost, fix_cost și cap — care conțin cererea regională (mii de mașini), costurile variabile de producție (mii USD), costurile fixe de producție (mii USD) și capacitatea de producție (mii de mașini). Au fost create și două liste Python, loc și size, care conțin locațiile disponibile, respectiv cele două tipuri de capacități ale fabricilor. Toate aceste variabile au fost afișate în consolă pentru referință. Codul pentru inițializarea și definirea variabilelor de decizie, precum și pentru crearea funcției obiectiv, a fost deja completat pentru tine.

Acest exercițiu face parte din cursul

Analitică în lanțul de aprovizionare cu Python

Vezi cursul

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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']
Editează și rulează codul