Lokasi pabrik berkapasitas - studi kasus P2

Analitik Rantai Pasok dengan Python

Aaren Stubberfield

SuSupply Chain Analytics Mgr.

Model lokasi pabrik berkapasitas

Pemodelan

Produksi di fasilitas regional
- Dua ukuran pabrik (rendah / tinggi)
Ekspor produksi ke wilayah lain
Fasilitas produksi buka / tutup

gambar globe dengan produksi regional

Variabel keputusan

Apa yang dapat dikendalikan:

x$_{\text{ij}}$ = jumlah diproduksi di lokasi _i_ dan dikirim ke _j_
y$_{\text{is}}$ = 1 jika pabrik di lokasi _i_ berkapasitas _s_ buka, 0 jika tutup
- s = pabrik berkapasitas rendah atau tinggi

Kendala

Total Produksi = Total Permintaan
- $\sum_{i=1}^{n}$ x$_{ij}$ = D$_{\text{j}}$ untuk $j = 1, ..., m$
- $n$ = jumlah fasilitas produksi
- $m$ = jumlah pasar atau titik permintaan regional

Kendala

Total Produksi ≤ Total Kapasitas Produksi
- $\sum_{j=1}^{m}$ x$_{ij}$ ≤ $\sum_{s=1}$ K$_{is}$y$_{is}$
- K$_{is}$ = kapasitas produksi potensial pabrik _i_ berukuran _s_

from pulp import *

# 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]))

Lanjutan contoh kode

# 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])

Ringkasan

Model Lokasi Pabrik Berkapasitas:

Kendala
- Total Produksi = Total Permintaan
- Total Produksi ≤ Total Kapasitas Produksi

Saatnya ulasan

Analitik Rantai Pasok dengan Python