Kom igångKom igång gratis

Målfunktion för fallstudien

Fortsätt med fallstudien om Capacitated Plant Location-modellen för en biltillverkare. Du får fyra Pandas-dataramar – demand, var_cost, fix_cost och cap – som innehåller regional efterfrågan (tusen bilar), rörliga produktionskostnader (tusen USD), fasta produktionskostnader (tusen USD) och produktionskapacitet (tusen bilar). Två Python-listor, loc och size, har också skapats och innehåller de olika platserna respektive de två typerna av fabrikskapacitet. Alla dessa variabler har skrivits ut i konsolen för din referens. Koden för att initialisera och definiera beslutsvariablerna är redan färdig.

Den här övningen är en del av kursen

Supply Chain Analytics i Python

Visa kurs

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Initialize, and Define Decision Vars.
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')

# Define objective function
model += (lpSum([fix_cost.loc[____,____] * ____[(____,____)] 
                 for s in ____ for i in ____])
          )
Redigera och kör kod