開始使用免費開始

在個案研究中加入邏輯性限制

延續汽車製造業的「具產能限制的工廠選址模型」個案研究。你已取得 4 個 pandas 資料框 demand、var_cost、fix_cost 與 cap，分別包含各地區需求（千輛汽車）、單位變動生產成本（千美元）、固定生產成本（千美元），以及生產產能（千輛汽車）。另外也建立了 2 個 Python 串列 loc 與 size，內含可選位置與兩種工廠產能等級。以上變數都已經印到主控台供你查看。初始化模型、定義決策變數、建立目標函式與限制式的程式碼也都已替你完成。

本練習屬於課程

Python 的供應鏈分析

檢視課程

練習說明

  • 新增一個邏輯性限制：如果美國的高產能工廠啟用，則德國必須同時啟用一座低產能工廠。

動手互動練習

試著完成這個範例程式碼，體驗一下這個練習。

# Initialize, Define Decision Vars., Object. Fun., and Constraints
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='Integer')
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]))
for j in loc:
    model += lpSum([x[(i, j)] for i in loc]) == demand.loc[j,'Dmd']
for i in loc:
    model += lpSum([x[(i, j)] for j in loc]) <= lpSum([cap.loc[i,s]*y[(i,s)] 
                                                       for s in size])

# Define logical constraint
model += ____ - ____ <= ____
編輯並執行程式碼