Geconstrueerde locatiemodel fabriek - casus P3

Supply Chain Analytics in Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Geconstrueerd locatiemodel voor fabrieken

Modelleert:

Productie bij regionale faciliteiten
- Twee fabriekgroottes (laag / hoog)
Exporteren naar andere regio’s
Productielocaties openen / sluiten

afbeelding van wereldbol met regionale productie

Verwachte bereiken

Welke waarden verwachten we voor onze beslisvariabelen?

Productiehoeveelheden:

Hoge productie in regio’s met lage variabele productie- en verzendkosten
Maximale productie in regio’s met relatief lage vaste kosten

Fabriek open of dicht:

Hoogcapaciteitsfabriek in regio’s met hoge vraag
Hoogcapaciteitsfabriek in regio’s met relatief lage vaste kosten

Gevoeligheidsanalyse van restricties

Totale productie = totale vraag:

shadow prices = Verandering in totale kosten per stijging van de vraag per regio
slack = Zou nul moeten zijn

Totale productie ≤ totale capaciteit:

shadow prices = Verandering in totale kosten per stijging van de capaciteit
slack = Regio’s met overcapaciteit

from pulp import *
import pandas as pd

# Initialize Class
model = 
    LpProblem("Capacitated Plant Location Model",
               LpMinimize)

# Define Decision Variables
loc = ['A', 'B', 'C', 'D', 'E']
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[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([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])

# Solve
model.solve()

# Print Decision Variables and Objective Value
print(LpStatus[model.status])
o = [{'prod':"{} to {}".format(i,j), 'quant':x[(i,j)].varValue} 
     for i in loc for j in loc]
print(pd.DataFrame(o))
o = [{'loc':i, 'lc':y[(i,size[0])].varValue, 'hc':y[(i,size[1])].varValue}
     for i in loc]
print(pd.DataFrame(o))
print("Objective = ", value(model.objective))

# Print Shadow Price and Slack
o = [{'name':name, 'shadow price':c.pi, 'slack': c.slack} 
     for name, c in model.constraints.items()]
print(pd.DataFrame(o))

Businessvragen

Waarschijnlijke vragen:

Wat zijn de verwachte kosten van dit supplychainmodel?
Als de vraag in een regio stijgt, hoeveel extra marge is nodig om productie- en verzendkosten daar te dekken?
Welke regio’s hebben nog productieruimte voor toekomstige groei?

Samenvatting

Herhaald:

Verwachte bandbreedtes voor beslisvariabelen
Output van gevoeligheidsanalyse geïnterpreteerd (shadow prices en slack)
Code om op te lossen en resultaten te tonen
Waarschijnlijke businessvraag

Goed gedaan! Jouw beurt

Supply Chain Analytics in Python