ฟังก์ชันวัตถุประสงค์ของกรณีศึกษา

ต่อจากกรณีศึกษา Capacitated Plant Location Model ของโรงงานผลิตรถยนต์ คุณจะได้รับ Pandas DataFrame 4 ตัว ได้แก่ demand, var_cost, fix_cost และ cap ซึ่งเก็บข้อมูลความต้องการตามภูมิภาค (หน่วยพันคัน) ต้นทุนการผลิตแบบผันแปร (หน่วยพันดอลลาร์สหรัฐ) ต้นทุนการผลิตแบบคงที่ (หน่วยพันดอลลาร์สหรัฐ) และกำลังการผลิต (หน่วยพันคัน) นอกจากนี้ยังมี Python list 2 ตัว ได้แก่ loc และ size ที่เก็บข้อมูลตำแหน่งต่าง ๆ และประเภทกำลังการผลิตของโรงงาน ตัวแปรทั้งหมดนี้ถูกแสดงผลไว้ในคอนโซลแล้ว ส่วนโค้ดสำหรับการกำหนดค่าเริ่มต้นและตัวแปรตัดสินใจได้เตรียมไว้ให้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supply Chain Analytics ด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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 ____])
          )

แก้ไขและรันโค้ด