Kom igångKom igång gratis

Bivillkor för fallstudie

Fortsätt fallstudien av det kapacitetsbegränsade anläggningslokaliseringsmodellen för en biltillverkare. Du har fyra Pandas-dataramar – demand, var_cost, fix_cost och cap – som innehåller regional efterfrågan (tusental bilar), rörliga produktionskostnader (tusental USD), fasta produktionskostnader (tusental USD) respektive produktionskapacitet (tusental bilar). Dessutom har två Python-listor skapats: loc med de olika lokaliseringarna och size med de två typerna av anläggningskapacitet. Alla dessa variabler har skrivits ut i konsolen för din granskning. Koden för att initiera och definiera beslutsvariablerna samt skapa målfunktionen har redan fyllts i åt dig.

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, 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']
Redigera och kör kod