แบบฝึกหัดข้อจำกัดของกรณีศึกษา

ต่อจากกรณีศึกษา Capacitated Plant Location Model สำหรับโรงงานผลิตรถยนต์ คุณได้รับ Pandas DataFrame 4 ชุด ได้แก่ demand, var_cost, fix_cost และ cap ซึ่งบรรจุข้อมูลความต้องการในแต่ละภูมิภาค (หน่วย: พันคัน), ต้นทุนการผลิตแบบผันแปร (หน่วย: พันดอลลาร์สหรัฐ), ต้นทุนการผลิตแบบคงที่ (หน่วย: พันดอลลาร์สหรัฐ) และกำลังการผลิต (หน่วย: พันคัน) นอกจากนี้ยังมี Python list 2 รายการ ได้แก่ loc และ size ซึ่งเก็บข้อมูลตำแหน่งโรงงานต่าง ๆ และประเภทกำลังการผลิตของโรงงาน ตัวแปรทั้งหมดนี้ถูกพิมพ์แสดงในคอนโซลแล้ว โค้ดสำหรับการกำหนดตัวแปรตัดสินใจ นิยามตัวแปร และสร้าง Objective Function ได้เตรียมไว้ให้เรียบร้อยแล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

Supply Chain Analytics ด้วย Python

ดูคอร์ส

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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']

แก้ไขและรันโค้ด