Kapacitetsbegränsad anläggningslokalisering – fallstudie P4

Create Your Free Account

or

By continuing, you accept our Terms of Use, our Privacy Policy and that your data is stored in the USA.

Den här övningen är en del av kursen

Supply Chain Analytics i Python

SkillTag.level.intermediateSkillTag.label

4.8+

Starta kursen gratis

Linjärprogrammering (LP) är en viktig teknik inom supply chain-optimering. PuLP är ett lättanvänt ramverk för att arbeta med LP-problem och låter dig fokusera på modelleringen. I det här kapitlet lär du dig grunderna i LP-problem och börjar använda PuLP-ramverket för att lösa dem.

Exercise 1: Grunderna i optimering Exercise 2: LP eller IP – vad gäller?Exercise 3: Välja träningsrutin Exercise 4: Grunderna i PuLP-modellering Exercise 5: Kom igång med LpProblem()Exercise 6: Enkel övning i resursplanering Exercise 7: Använda lpSum Exercise 8: Prova på lpSum Exercise 9: Logistikplaneringsuppgift

I det här kapitlet fortsätter vi att lära oss modellera LP- och IP-problem i PuLP. Vi går igenom hur PuLP används för storskaliga problem. Dessutom inleder vi en fallstudie om hur man löser modellen för kapacitetsbegränsad anläggningsplacering.

Exercise 1: LpVariable-ordlistefunktionen Exercise 2: Logistikplaneringsuppgift 2 Exercise 3: Handelsresandeproblemet (TSP)Exercise 4: Exempel på ett schemaläggningsproblem Exercise 5: Schemaläggning av arbetare Exercise 6: Schemaläggning av förebyggande underhåll Exercise 7: Kapacitetsbegränsad anläggningslokalisering – fallstudie del 1 Exercise 8: Granska data för fallstudien Exercise 9: Beslutsvariablerna i fallstudien Exercise 10: Målfunktion för fallstudien Exercise 11: Logiska villkor Exercise 12: Övning i logiska villkor Exercise 13: Logiska villkor – övning 2

Det här kapitlet tar upp vanliga misstag vid formulering av begränsningar och går igenom processen för att lösa modellen. När vi väl har en lösning på vår LP-modell – hur vet vi att den är rimlig? Vi går också igenom ett tillvägagångssätt för rimlighets- och konsistenskontroll av resultaten. Vidare fortsätter vi med vår fallstudie om modellen för kapacitetsbegränsad anläggningsplacering och lägger till alla nödvändiga begränsningar.

Exercise 1: Vanliga misstag med bivillkor Exercise 2: Övning i beroende efterfrågerestriktioner Exercise 3: Övning i kombinerade bivillkor Exercise 4: Kapacitetsbegränsad anläggningslokalisering – fallstudie del 2 Exercise 5: Bivillkor för fallstudie Exercise 6: Lägga till logiska villkor i fallstudieövningen Exercise 7: Lös PuLP-modellen Exercise 8: Övning: välj modellstatus Exercise 9: Lös produktionsplaneringsövning Exercise 10: Rimlighetstest av lösningen Exercise 11: Granska modellspecifikationen Exercise 12: Rimlighetscheck

I det avslutande kapitlet går vi igenom känslighetsanalys av begränsningar med hjälp av skuggpriser och slack. Vi tittar också på simuleringstestning av LP-modeller. Dessa tekniker gör det möjligt att besvara olika affärsfrågor om modellerna – till exempel tillgänglig kapacitet och marginalkostnader. Slutligen avslutar vi vår fallstudie och fokuserar på att använda känslighetsanalys och simuleringstestning för att besvara frågor om modellen.

Exercise 1: Känslighetsanalys med skuggpriser Exercise 2: Övning i känslighetsanalys Exercise 3: Skuggpris och slack – övning del 1 Exercise 4: Skuggpris och slack – del 2 Exercise 5: Kapacitetsbegränsad anläggningsplacering – fallstudie P3 Exercise 6: Lös modellens fallstudie Exercise 7: Känslighetsanalys – fallstudieövning Exercise 8: Lösning för simuleringstestning Exercise 9: Simuleringstestning – lösningsövning Exercise 10: Övning: Vad är risken?Exercise 11: Kapacitetsbegränsad anläggningslokalisering – fallstudie P4

Aktuell övning

Exercise 12: Simulationstest av kapacitetsbegränsad modell Exercise 13: Övning: tolka simuleringsresultat Exercise 14: Slutsummering