LpVariable-Wörterbuchfunktion

Supply Chain Analytics mit Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Von einfach zu komplex

Komplexes Bäckerei-Beispiel

# Entscheidungsvariablen definieren
A = LpVariable('A', lowBound=0, cat='Integer')
B = LpVariable('B', lowBound=0, cat='Integer')
C = LpVariable('C', lowBound=0, cat='Integer')
D = LpVariable('D', lowBound=0, cat='Integer')
E = LpVariable('E', lowBound=0, cat='Integer')
F = LpVariable('F', lowBound=0, cat='Integer')

# Zielfunktion definieren
var_dict = {"A":A, "B":B, "C":C, "D":D, "E":E, "F":F}

# Zielfunktion definieren
model += lpSum([profit_by_cake[type] * var_dict[type] for type in cake_types])

LpVariable.dicts() verwenden

LpVariable(name, indexs, lowBound=None, upBound=None, cat='Continuous')

name = Präfix für den Namen jeder erstellten LP-Variablen
indexs = Liste von Strings als Schlüssel für das Dictionary der LP-Variablen
lowBound = Untere Grenze
upBound = Obere Grenze
cat = Variablentyp
- Integer
- Binary
- Continuous (Standard)

LpVariable.dicts() mit List Comprehension

LpVariable.dicts() wird oft mit der List Comprehension von Python verwendet

Transportoptimierung

# Entscheidungsvariablen definieren
customers = ['East','South','Midwest','West']
warehouse = ['New York','Atlanta']
transport = LpVariable.dicts("route", [(w,c) for w in warehouse for c in customers],
                              lowBound=0, cat='Integer')

# Ziel definieren
model += lpSum([cost[(w,c)]*transport[(w,c)] for w in warehouse for c in customers])

Zusammenfassung

Viele LP-Variablen für komplexe Probleme erstellen
LpVariable.dicts()
Mit List Comprehension verwenden

Jetzt bist du dran

Supply Chain Analytics mit Python