Beslutsvariablerna i fallstudien
Fortsätt fallstudien av Capacitated Plant Location-modellen för en biltillverkare. Du har tillgång till fyra Pandas-dataramar – demand, var_cost, fix_cost och cap – som innehåller regional efterfrågan (tusental bilar), rörliga produktionskostnader (tusental USD), fasta produktionskostnader (tusental USD) och produktionskapacitet (tusental bilar). Alla variabler har skrivits ut i konsolen för din granskning.
Den här övningen är en del av kursen
Supply Chain Analytics i Python
Övningsinstruktioner
- Initiera klassen.
- Definiera beslutsvariablerna med hjälp av
LpVariable.dictsoch Pythons listomfattning.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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=____)