Lokasi pabrik berkapasitas - studi kasus P3

Analitik Rantai Pasok dengan Python

Aaren Stubberfield

Supply Chain Analytics Mgr.

Model lokasi pabrik berkapasitas

Pemodelan

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

gambar globe dengan produksi regional

Rentang yang diharapkan

Apa nilai yang kita harapkan untuk variabel keputusan?

Kuantitas produksi:

Tinggi di wilayah dengan biaya produksi variabel dan kirim yang rendah
Maksimal di wilayah dengan biaya tetap produksi yang relatif rendah

Pabrik buka atau tutup:

Pabrik berkapasitas tinggi di wilayah dengan permintaan tinggi
Pabrik berkapasitas tinggi di wilayah dengan biaya tetap yang relatif rendah

Analisis sensitivitas kendala

Total produksi = total permintaan:

shadow prices = Perubahan total biaya per kenaikan permintaan per wilayah
slack = Seharusnya nol

Total produksi ≤ total kapasitas produksi:

shadow prices = Perubahan total biaya per kenaikan kapasitas produksi
slack = Wilayah dengan kapasitas produksi berlebih

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))

Pertanyaan bisnis

Pertanyaan yang mungkin:

Berapa biaya yang diharapkan dari model jaringan rantai pasok ini?
Jika permintaan naik di suatu wilayah, berapa laba yang dibutuhkan untuk menutup biaya produksi dan pengiriman ke wilayah itu?
Wilayah mana yang masih punya kapasitas produksi untuk kenaikan permintaan ke depan?

Ringkasan

Ditinjau:

Rentang yang diharapkan untuk variabel keputusan
Interpretasi keluaran analisis sensitivitas (shadow prices dan slack)
Kode untuk menyelesaikan dan menampilkan hasil
Pertanyaan bisnis yang mungkin

Kerja bagus! Giliran Anda

Analitik Rantai Pasok dengan Python